Files
mtusi2026lab2/evidence/grade5
gamayunov2004 799f56c513
Student application / application (pull_request) Canceled after 0s
Skeleton contracts / contracts (pull_request) Canceled after 0s
ЛР 2: исследовать и ограничить cache stampede — на 5
2026-10-25 15:42:14 +03:00
..

Воспроизведение трека 1 (ЛР2), 25.10.2026 Europe/Moscow

Основные результаты: REPORT, таблица median/min/max, SQL и latency SVG, аудит, provenance. Первичная рубрика — README/COURSE/contracts этой ЛР2. Исторические evidence уровня4 не изменены. Удалённый PR 97 не редактировался.

Пересчёт без Docker

python evidence/grade5/aggregate.py
python evidence/grade5/audit.py --offline

aggregate.py использует только raw/baseline и raw/candidate. Каждый содержит CSV с latency/status/error каждого HTTP-запроса, JSON с измеренными SQL-дельтами каждой волны и metadata. runs.csv — все 18 повторов (3 режима x 3 повтора x 2 версии), comparison.json/results.md — median/min/max, comparison.svg — график из тех же данных. Неудачная попытка, пилоты и предыдущий candidate исключены, причины сохранены. На исходной машине python evidence/grade5/audit.py с Docker дополнительно сверяет уже собранные образы/контейнеры; без Docker доступна проверка raw и исходников (см. --help).

Полный новый эксперимент

Из корня репозитория, Docker Desktop Linux containers / Docker Engine + Compose, Python 3.9+ на host, без установки Python-пакетов на host:

py -3.14 evidence/grade5/reproduce.py
# Linux: python3 evidence/grade5/reproduce.py

Можно выбрать --version baseline или --version candidate. Скрипт создаёт новые копии только внутри .grade5-work/replay-/, новые случайные file secrets и новые уникальные Compose projects/volumes. Baseline берётся из сохранённого baseline-source.zip, candidate — из текущих src/Dockerfile/requirements/migrations. Не читает реальные credentials стенда, не обращается к host-порту8080, не изменяет Git и исходный mtusi-lab 2. Valkey/PG портов на host не публикуют. Безопасный stop в finally оставляет свои volumes/контейнеры для осмотра; ничего не удаляет. Скрипт не переписывает опубликованные raw evidence: свежие raw остаются рядом с новой копией. На текущем ноутбуке сами серии заняли baseline56.084s/candidate41.205s; сборки, запуск и копирование добавляют обычно 1–3 минуты при прогретых Docker layers. Первое скачивание образов/пакетов зависит от сети и может занять больше времени.

Удаление только своих ненужных тестовых данных — сознательное действие оператора: из summary.json взять точное уникальное project name и directory, затем docker compose -p <этот-project> --project-directory <эта-directory> -f <эта-directory>/research.yaml down --volumes. Не использовать prune, общий FLUSH, имена основного стенда или чужие volumes. Контейнер measure имеет явное имя <project>-measure, его также можно отдельно удалить после копирования raw. Агент volumes не удалял.

Методика (заранее зафиксирована в plan.json)

16 клиентов x 32 волны x 3 режима x 3 повтора =4608 GET me/версию; один валидный Bearer-user, пользователь синтетический. Перед фазами создаются user/session, профиль прогревается, открываются16HTTP/1.1 keep-alive connections через health/live. Перед каждой холодной волной DEL строго собственного profile:UUID. Тёплый режим предварительно читает me. Нагрузочные запросы стартуют по barrier в генераторе, каждый клиент отправляет ровно один запрос/волну; retries нет. Следующая волна начинается после всех ответов. Каждый успешный JSON сравнивается с публичным User. Cold — без задержек; contended — observer держит ACCESS EXCLUSIVE lock на users примерно100 ms; warm — ключ существует. Блокировка не меняет API/SQL-код и явно добавляет задержку БД в contended latency. pg_stat_activity фиксирует число ждущих. Порядок режимов вращается по repeat; все baseline раньше всех candidate.

pg_stat_statements включён shared_preload_libraries в отдельном PG 16.8. Snapshot до/после каждой волны фильтруется по app-role messenger и текущей БД. Counter/lock SQL идут под другим g 5 observer и не попадают в appSQL. Query text нормализован, содержит placeholders, без токенов/паролей. profile SELECT и session SELECT классифицированы раздельно; all_sql включает BEGIN/COMMIT и случайно попавший в окно healthSELECT 1. Это не число SELECT, выведенное из HTTP-ответов. Успешный SQL профиля соответствует реальной загрузке PostgreSQL; подробные deltas сохранены.

Clock — monotonic; latency включает отправку, полное тело и проверку JSON. RPS=успешные HTTP/sum(wave elapsed); подготовка/сброс/SQL snapshots вне знаменателя. Это burst goodput, НЕ длительная производительность сервера и не maxRPS. Percentiles nearest-rank успешных запросов каждого повтора; 512 наблюдений дают лишь около5 верхних наблюдений p99. Median повторов не равна pooled percentile. 4xx/5xx/timeouts считаются отдельно, а не исключаются молча. 3 повтора и общий ноутбук дают шум.

pg_stat_statements добавляет накладные расходы и память на каждый SQL; абсолютные latency включают инструментовку. Её цена отдельно не измерена и не вычтена. Snapshot вне HTTP-таймера, но нагрузка observer/lock и host всё равно может влиять. Нельзя обещать такую же latency без инструментовки или в production. Настройки одинаковы до/после: API1CPU/512MiB/без extra swap/1process/16threads/PGpool1..8; PG1CPU/512MiB, Valkey0.5CPU/128MiB, driver1CPU/512MiB. Версии образов/ID/digest, hostCPU и DockerVM записаны в images-*.txt, host-cpu.json, docker-environment.json. Ресурсные samples предыдущих попыток — только диагностика, не сравнение CPU/памяти.

Проверки корректности

Полный Linux-набор: student-tests/grade5/run-public.sh (check/validate/test, core/expiry/migrations/explain/failures, test-persistence с scripts/restart.sh, persistence_meta). Запуск выполнялся tools-контейнером именно своего project; лог/команды — final-public-run.txt, checks/*.txt. После него отдельно:

# В своём research project, API-процессы api/api-peer/api-expiry запущены:
# driver запускается как one-off api image, /workspace = read-only корень проекта
python student-tests/grade5/test_singleflight.py
python student-tests/grade5/integration.py
# tools с Docker socket, только свой project:
python student-tests/grade5/faults.py

Точные host-команды и clean build указаны в commands.md. Без running research stack integration/faults запускать нельзя; они создают только синтетические данные, меняют только свои profile-ключи и останавливают Valkey только выбранного project. Проверки не следует запускать на production. tools — операторский доверенный контейнер с Docker socket; обычный API его не получает.