このページは英語からの機械翻訳を使用しており、誤りや不明瞭な表現が含まれている可能性があります。最も正確な情報については、オリジナルの英語版をご覧ください。頻繁な更新のため、一部のコンテンツはオリジナルの英語になっている可能性があります。Crowdinでの取り組みに参加して、このページの翻訳改善にご協力ください。 (Crowdin translation page, Contributing guide)

プロファイル・ノード・データ

プロファイリングは、Kaiaノードのパフォーマンスを理解し最適化するために不可欠なツールです。 このチュートリアルでは、Kaia のデバッグ API と net/http/pprof Go パッケージを活用して、Kaia ノードオペレータで利用可能な様々なプロファイリング手法を説明します。

前提条件

始める前に、以下のことを確認してください：

• **ノードのセットアップ：**あなたのKaiaノードは正しくインストールされ、稼動しています。

• ノード・コンソールへのアクセス: ノード・コンソール経由でノードと対話する必要があります。

• ツール: Go tool pprofとgo tool trace` を使用するために、Go をシステムにインストールする。 実行すれば確認できる：

go version

1. プロファイリングの管理開始、停止、ステータスの確認方法

Kaiaノードはいくつかのプロファイリング方法を提供するdebug APIを提供する。 これらのメソッドは、ノードのコンソールまたはJSON-RPC APIコールを通じて操作することができます。

1.1 pprof HTTP サーバの起動

pprof HTTPサーバーを使用すると、プロファイリングデータを効率的に収集および分析できます。

# Start pprof server with default settings (localhost:6060)

> debug.startPProf()

# Start pprof server on a specific address and port

> debug.startPProf("localhost", 8080)

pprof エンドポイントへのアクセス

pprofサーバーが実行されたら、以下のページからプロファイリングデータにアクセスする：

• http://localhost:6060/debug/pprof/ - 利用可能なプロファイルの概要。
• http://localhost:6060/memsize/ - メモリサイズのレポート。
• http://localhost:6060/debug/vars - Prometheusメトリクスのエクスポート。

1.2 pprof HTTP サーバの停止

> debug.stopPProf()

1.3 pprofが起動しているかチェックする

> debug.isPProfRunning()

true # if running

false # if not running

2. プロファイルの収集

pprofサーバーが実行されると、ノードのパフォーマンスを分析するためにいくつかの方法を使用してさまざまなプロファイルを収集できます。

2.1 ウェブインターフェースを使用した収集

以下の例に示すように、異なるプロファイルを収集するために、ウェブブラウザでそれぞれのエンドポイントを入力します：

ヒーププロファイルの収集

http://localhost:6060/debug/pprof/heap

30秒間のCPUプロファイルを収集する。

http://localhost:6060/debug/pprof/profile?seconds=30

goroutineプロファイルをdebug=2で収集する。

http://localhost:6060/debug/pprof/goroutine?debug=2

2.2 APIコールによる収集

以下の例に示すように、ノードコンソールでそれぞれのコマンドを入力し、プロファイルを収集または設定します：

# Collect 30-second CPU profile

> debug.cpuProfile("cpu.profile", 30)

# Collect 30-second block profile

> debug.blockProfile("block.profile", 30)

# Set mutex profiling fraction

> debug.setMutexProfileFraction(1)

2.3 go tool pprof を使って収集する

pprof のウェブ・インターフェイスにアクセスできない場合は、go tool pprof を使ってローカルにプロファイリング結果を生成し、分析することができます。

利用可能なプロファイル・タイプを特定する

対応プロファイルは以下の通り：

• allocs：過去のメモリ割り当てのサンプリング。
• ブロック`：同期プリミティブでブロッキングを引き起こしたスタックトレース。
• goroutine：現在のすべてのゴルーチンのスタックトレース。 クエリパラメータとして debug=2 を使用すると、回復していないパニックと同じ形式でエクスポートされる。
• ヒープ：ライブオブジェクトのメモリ割り当てのサンプリング。 gc` GETパラメーターを指定すると、ヒープサンプルの前にガベージコレクションを実行することができる。
• mutex：競合するミューテックスの保持者のスタックトレース。
• プロファイル：CPUプロファイル。 GET パラメーターの seconds で継続時間を指定することができる。 プロファイルファイルを入手したら、go tool pprof`コマンドを使ってプロファイルを調べてください。
• threadcreate：新しい OS スレッドを作成したスタックトレース。
• trace：現在のプログラムの実行トレース。 GET パラメーターの seconds で継続時間を指定することができる。 トレースファイルを取得したら、go tool traceコマンドを使ってトレースを調査する。

go tool pprofを使ってプロファイルを収集する

go tool pprof http://localhost:6060/debug/pprof/<profiletype>

<profiletype> を上記のサポートされているプロファイル（例：heap、profile）のいずれかに置き換える。

コマンド例

# Collect heap profile

go tool pprof http://localhost:6060/debug/pprof/heap

# Collect 30-second CPU profile

go tool pprof http://localhost:6060/debug/pprof/profile?seconds=30

# Collect goroutine profile with debug=2

go tool pprof http://localhost:6060/debug/pprof/goroutine?debug=2

テキストプロファイリングファイルの生成

テキストベースのプロファイリングレポートを作成するには、go tool pprof で -text オプションを使用します。

# Generate text-based CPU profile

go tool pprof -text cpu.profile

pprof 追加オプション

プロファイリングは、プロファイルを収集する際に追加のクエリーパラメーターとオプションを使用してさらにカスタマイズすることができます。

• レスポンスフォーマット (debug=N):.

  • バイナリ形式（デフォルト）： N = 0
  • プレーンテキスト形式： N > 0

  例

go tool pprof http://localhost:6060/debug/pprof/allocs?debug=1

• ガベージコレクション (gc=N):.

  • Run GC Before Profiling: gc=1 を設定すると、ヒープ・プロファイルをキャプチャする前にガベージ・コレクション・サイクルが実行される。

  例

go tool pprof http://localhost:6060/debug/pprof/heap?gc=1

• 継続時間パラメータ (seconds=N):.

  • アロケーション、ブロック、ゴルーチン、ヒープ、ミューテックス、スレッド作成 プロファイル:.

    • seconds=N`は、与えられた継続時間に基づくデルタプロファイルを返す。

  • CPUプロファイルとトレース・プロファイル:。

    • seconds=N`は、CPUプロファイルまたはトレースを実行する時間を指定する。

  例

go tool pprof http://localhost:6060/debug/pprof/profile?seconds=30

2.4 囲碁をインストールせずに収集する

あなたのプログラムにGoがインストールされていない場合は（go versionを実行することで確認できます）、以下の手順に従ってプロファイリングデータをダウンロードしてローカルに保存してください：

1. wgetを使ってプロファイルファイルをダウンロードする。

wget -O memory_profile http://localhost:6060/debug/pprof/heap

2. scp を使ってプロファイルファイルをローカルマシンに転送する。

scp <user>@<node_ip>:memory_profile memory_profile

注：<user> をSSHユーザー名に、<node_ip> をKaiaノードのIPアドレスに置き換えてください。

3. メモリ・プロファイリング

前述したように、メモリ・プロファイリングとは、go pprofが提供するヒープ情報のことである。 また、Kaiaノードが提供するデバッグ名前空間のwriteMemProfileによって収集することもできる。

# Using go tool pprof

> go tool pprof http://localhost:6060/debug/pprof/heap

# Using Node Console

> debug.writeMemProfile("mem.profile")

メモリのプロファイリングは、メモリ・リークなどメモリ関連の問題を分析する上で極めて重要である。 メモリ・プロファイリングの粒度をコントロールするには、MemProfileRate 変数を調整すると便利である。 これは、ノードの実行のできるだけ早い段階（例えば、main関数の先頭）で設定する必要があります。

備考

Kaiaは --memprofilerate フラグを提供し、MemProfileRate 変数を簡単に設定できる。 したがって、これはフラグとしてのみ利用可能であるため、ノードの起動時に設定する必要があり、APIコールで変更することはできない。

var MemProfileRate int = 512 * 1024

• **MemProfileRate`:**を設定する。
  • プロファイルの最大割り当て数: 1に設定。
  • プロファイリングを無効にする: 0に設定する。
  • デフォルト設定: 512 * 1024 (512KBごとに約1つの割り当てプロファイル)。

影響：

• Higher Profiling Rate (Lower MemProfileRate): 粒度が大きくなるが、パフォーマンスのオーバーヘッドが発生する可能性がある。
• Lower Profiling Rate (Higher MemProfileRate): プロファイリングの詳細を減らし、パフォーマンスへの影響を最小限に抑えます。

ベストプラクティス

• Consistency: 正確なプロファイリングデータを維持するために、ノードのランタイムを通して MemProfileRate が一定であることを確認する。
• **初期設定:**一貫したプロファイリング情報を取得するために、MemProfileRateをプログラム開始時に設定する。

4. プロファイルの分析

プロファイリングデータを収集した後、go tool pprofを使用して、保存されたプロファイルファイルを分析し、視覚化する。

4.1 ウェブインタフェースを使った分析

たとえば、Go の pprof ツールを使ってメモリ・プロファイル・データを視覚的に分析することができます：

go tool pprof -http=0.0.0.0:8081 cpu.profile

4.2 コマンドラインを使った分析

ターミナル内のテキストベースのインターフェイスで、Goのpprofツールを使ってメモリ・プロファイル・データを分析することもできる：

go tool pprof cpu.profile

• 一般的なpprofコマンド:

  • top：リソースを消費する関数の上位を表示する。
  • list<function_name>：特定の関数の注釈付きソースコードを表示する。
  • web：ウェブブラウザでプロフィールを可視化する。
  • pdf：プロファイルの PDF レポートを生成する。

• 使用例：

go tool pprof cpu.profile

# Inside the pprof interactive shell:

> top

> list main.functionName

> web

備考

視覚的なグラフを生成するために、webコマンドとpdfコマンド用にGraphvizがインストールされていることを確認する。

5. 結論

このプロファイリング・チュートリアルに従うことで、Kaiaノードのオペレーターは、パフォーマンスのボトルネックを効果的に特定して対処し、リソースの使用を最適化し、ノードのスムーズで効率的な運用を確保することができます。 定期的なプロファイリングは、強固なモニタリングとロギングの実践と組み合わされ、ブロックチェーンネットワーク内でのKaiaノードの信頼性とパフォーマンスの維持に大きく貢献します。