Профилирование Rust кода: находим узкие места для начинающих

Онлайн-тренажер Python для начинающих

Изучайте Python легко и без перегрузки теорией. Решайте практические задачи с автоматической проверкой, получайте подсказки на русском языке и пишите код прямо в браузере — без необходимости что-либо устанавливать.

Начать курс

Введение: зачем профилировать Rust код?

Rust славится своей скоростью и безопасностью, но даже самый быстрый код может работать медленно, если в нём есть узкие места. Профилирование — это процесс измерения производительности программы: времени выполнения, загрузки процессора, памяти и других метрик. Для начинающих разработчиков на Rust это незаменимый навык, позволяющий превратить «просто рабочий» код в эффективный и быстрый.

Представьте, что вы написали парсер логов или игру на Rust. Всё компилируется, но программа работает дольше ожидаемого. Вместо того чтобы гадать, какой участок кода тормозит, вы можете использовать профилировщики, которые покажут точные «горячие точки» (hotspots). В этой статье мы разберём основные инструменты профилирования Rust для начинающих: cargo-flamegraph, perf и простые замеры с помощью std::time::Instant.

1. Самый простой способ: замеры времени с `std::time::Instant`

Прежде чем переходить к сложным инструментам, научитесь замерять время выполнения отдельных участков кода. Это базовый, но эффективный метод для начинающих.

Пример: замер времени выполнения функции

use std::time::Instant;

fn slow_function() {
    let mut sum = 0u64;
    for i in 0..1_000_000 {
        sum += i;
    }
    println!("Сумма: {}", sum);
}

fn main() {
    let start = Instant::now();
    slow_function();
    let duration = start.elapsed();
    println!("Время выполнения: {:?}", duration);
}

Этот код выведет точное время работы slow_function. Однако такой подход неудобен для больших проектов: вам придётся вручную расставлять замеры в каждом подозрительном месте.

Когда это полезно?

Вы хотите быстро проверить гипотезу о медленной функции.
Нет возможности установить дополнительные инструменты.
Вы работаете с однопоточным кодом без сложной логики.

Недостаток: ручные замеры не показывают, сколько времени тратится внутри вызываемых функций (например, аллокации памяти или системные вызовы). Для этого нужны профилировщики.

2. Профилирование с помощью `perf` (Linux)

Утилита perf — мощный профилировщик для Linux, который работает на уровне ядра. Он собирает выборки (samples) того, где программа проводит время. Для начала убедитесь, что perf установлен:

sudo apt install linux-tools-common linux-tools-generic  # Ubuntu/Debian

Шаг 1: Компиляция с отладочной информацией

Чтобы perf мог показывать имена функций и строки кода, скомпилируйте проект в режиме debug (или release с флагами debuginfo):

cargo build
# или
RUSTFLAGS="-g" cargo build --release

Шаг 2: Запуск профилирования

perf record -g ./target/debug/ваша_программа
perf report

Флаг -g включает запись стека вызовов (call graph). После выполнения perf report вы увидите интерактивный список функций, отсортированный по времени выполнения.

Пример интерпретации

Допустим, вы видите, что 70% времени занимает функция Vec::push. Это может означать, что вы часто перераспределяете память. Решение: заранее выделить ёмкость вектора с помощью Vec::with_capacity.

Совет: Для новичков perf может показаться сложным из-за обилия данных. Начните с perf top в реальном времени, чтобы увидеть, какие функции «горят» прямо сейчас.

3. Визуализация с `cargo-flamegraph`

Если вам нужна наглядная картина, используйте cargo-flamegraph. Этот инструмент строит флеймграфы (flamegraphs) — графики, где ширина прямоугольника показывает время выполнения функции, а глубина — вложенность вызовов.

Установка и запуск

cargo install flamegraph
cargo flamegraph --bin ваша_программа

После выполнения в текущей папке появится файл flamegraph.svg. Откройте его в браузере.

Как читать флеймграф?

Ширина — доля времени, занятая функцией (чем шире, тем больше времени).
Цвет — не несёт смысловой нагрузки (обычно случайный).
Стек вызовов — снизу вверх: от точки входа до самых глубоких вложенных функций.

Например, если вы видите широкий блок HashMap::insert, это указывает на частые вставки в хеш-таблицу. Оптимизация: используйте HashMap::entry для уменьшения количества хеширований.

Преимущества для начинающих

Наглядность — не нужно разбираться в длинных списках.
Поддержка Windows и macOS (через dtrace или perf).
Интеграция с cargo — достаточно одной команды.

4. Продвинутый профилировщик: `cargo-instruments` (macOS)

Если вы работаете на macOS, у вас есть доступ к инструментам Xcode. cargo-instruments позволяет запускать профилировщик Instruments прямо из терминала.

Установка и использование

cargo install cargo-instruments
cargo instruments -t time --bin ваша_программа

Откроется приложение Instruments с детальным таймлайном, показывающим вызовы функций, аллокации и даже системные вызовы. Это золотой стандарт для профилирования на macOS.

Совет: Используйте шаблон "Time Profiler" для поиска узких мест по CPU.