0
from sanic import Sanic
from sanic import response
app = Sanic(__name__)
@app.route('/v1/ok', methods=['GET'])
async def post_handler(request):
return response.text("hey all good")
if __name__ == '__main__':
app.run(host="0.0.0.0", port=8001, debug=True)
我试图用sanic开发的REST API
这里是我的结论编写REST API的Python中:
我试着标杆这个使用运行wrk有50个线程GET API 30s测试。 拥有4GB内存的机器使用AWS EC2 t2.medium和2 CPU 命令使用
wrk -t50 -c4000 -d30s http://XXX.XX.XXX.XXX:8001/v1/ok
标杆结果
Running 30s test @ http://XXX.XX.XXX.XXX:8001/v1/ok
50 threads and 4000 connections
Thread Stats Avg Stdev Max +/- Stdev
Latency 559.30ms 117.86ms 1.99s 94.47%
Req/Sec 41.92 44.33 361.00 86.14%
53260 requests in 30.10s, 6.70MB read
Socket errors: connect 1493, read 15631, write 0, timeout 4
Requests/sec: 1769.21
Transfer/sec: 228.06KB
我的疑问是,我怎么能在
提高- 超时请求的数量。目前它是4.它应该是零。
- 平均延迟,这是〜550ms(太多)
在POST请求的情况下,这是非常非常糟糕的,其中我试图加载keras模型,并做了预测。
这是代码写入问题吗?
OR
这是中信高科的限制?
我应该尝试其他REST框架吗?
P.S:我的烧瓶经验在等待时间和超时请求方面更糟糕。
import sys
import os
import json
import pandas
import numpy
import optparse
from keras.models import Sequential, load_model
from keras.preprocessing import sequence
from keras.preprocessing.text import Tokenizer
from collections import OrderedDict
from sanic import Sanic
from sanic import response
import time
app = Sanic(__name__)
@app.route('/v1/mal/prediction', methods=['POST'])
async def post_handler(request):
csv_file = 'alerts.csv'
log_entry = request.json
dataframe = pandas.read_csv(csv_file, engine='python', quotechar='|', header=None)
dataset = dataframe.values
X = dataset[:,0]
for index, item in enumerate(X):
reqJson = json.loads(item, object_pairs_hook=OrderedDict)
del reqJson['timestamp']
del reqJson['headers']
del reqJson['source']
del reqJson['route']
del reqJson['responsePayload']
X[index] = json.dumps(reqJson, separators=(',', ':'))
tokenizer = Tokenizer(filters='\t\n', char_level=True)
tokenizer.fit_on_texts(X)
seq = tokenizer.texts_to_sequences([log_entry])
max_log_length = 1024
log_entry_processed = sequence.pad_sequences(seq, maxlen=max_log_length)
model = load_model('model.h5')
model.load_weights('weights.h5')
model.compile(loss = 'binary_crossentropy', optimizer = 'adam', metrics = ['accuracy'])
prediction = model.predict(log_entry_processed)
return response.text(prediction[0])
if __name__ == '__main__':
app.run(host="0.0.0.0", port=8000, debug=True)
请提出更好的方法来改善API响应时间并减少超时请求吗?
感谢输入,性能似乎已经改善了一下,这里的基准测试的比较'https:// jpst.it/166oe',但我认为还有很多事情可以做,以改善延迟和不。的每秒请求数。一些额外的输入将对我有很大的帮助。 – x0v