Init

lab07_comparison/методичка.md

@@ -0,0 +1,110 @@
+# Лабораторная работа 7. Сравнительный анализ: одна задача — четыре подхода
+
+**Время на работу:** 2 пары. **Зависимости:** лабы 1–6. Итоговая работа.
+
+## Цель работы
+
+Свести весь курс в одну таблицу: ваша CPU-задача и ваша I/O-нагрузка,
+выполненные последовательно, потоками, процессами и асинхронно. Объяснить
+каждую цифру. Это работа для защиты: по ней проверяется понимание всего
+курса.
+
+## Теория
+
+### Ускорение и эффективность
+
+- Ускорение: **S(p) = T(1) / T(p)** — во сколько раз быстрее на p воркерах.
+- Эффективность: **E(p) = S(p) / p** — насколько эффективно используется
+  каждый воркер. E = 1 — идеал, E = 0.5 — половина мощности простаивает.
+
+### Закон Амдала
+
+Если доля последовательного кода задачи равна s (0 ≤ s ≤ 1), то ускорение
+ограничено:
+
+```
+S(p) ≤ 1 / (s + (1 − s) / p)
+```
+
+При s = 0.1 и p → ∞: S ≤ 10. Даже бесконечное число воркеров не даст
+больше 10×. Отсюда главный вывод курса: **сначала сокращайте
+последовательную часть и накладные расходы, потом наращивайте p.**
+
+В `common.benchmark` есть `amdahl(s, p)` — сравните свои S(p) с теорией:
+зная измеренное S(p), можно оценить эффективную долю последовательной части
+вашего эксперимента (создание пулов, pickle, GIL-переключения — всё это
+«последовательная» часть).
+
+### Матрица выбора модели
+
+| Задача | Потоки | Процессы | asyncio |
+|---|---|---|---|
+| CPU-bound (чистый Python) | ✗ (GIL) | ✓ | ✗ (блокирует loop) |
+| CPU-bound в C-коде (hashlib, numpy) | ✓ | ✓ | ✗ |
+| I/O-bound, десятки задач | ✓ | возможно (дорого) | ✓ |
+| I/O-bound, тысячи задач | дорого | ✗ | ✓✓ |
+
+## Задание
+
+Заполните `solution.py` — оба сценария из ваших лабораторных:
+
+**CPU-сценарий** (задача из варианта):
+1. `cpu_sequential(task_name, params)` — как в лабе 1;
+2. `cpu_threads(task_name, params, p)` — как в лабе 3 (S ≈ 1!);
+3. `cpu_processes(task_name, params, p)` — как в лабе 4 (S ≈ ядра).
+
+**I/O-сценарий** (items × delay из варианта):
+4. `io_sequential(items, delay)` — как в лабе 1;
+5. `io_threads(items, delay, p)` — как в лабе 2;
+6. `io_async(items, delay)` — как в лабе 6;
+7. `io_async_limited(items, delay, max_concurrent)` — с семафором 8.
+
+**`main()`** — таблицы для обоих сценариев с T(p), S(p), E(p); два графика
+ускорения; оценка доли s по закону Амдала для процессов.
+
+### Ожидаемые результаты (сверьтесь)
+
+CPU: потоки S ≈ 1; процессы S(p) ≈ до числа физических ядер.
+I/O: последовательный — база; потоки и async — S ≈ p; async без лимита —
+минимальное время (нет расходов на потоки); processes для I/O — работает,
+но с заметными накладными расходами.
+
+### Что дополнительно оценить
+
+- Разница T(1) у процессов против последовательного — цена старта процессов
+  и pickle.
+- По S(p_max) процессов найдите s через `amdahl` (подберите s так, чтобы
+  теория совпала с практикой) — укажите его в отчёте.
+
+## Контрольные вопросы
+
+1. Почему потоки не ускорили CPU-задачу, но ускорили I/O?
+2. Почему asyncio на I/O обгоняет потоки? Откуда выигрыш?
+3. Какая доля последовательного кода получилась у процессов по Амдалу?
+   Что в неё входит?
+4. Какую модель вы выбрали бы для веб-краулера на 10 000 страниц?
+   Для рендера видео? Обоснуйте.
+5. Что в ваших замерах не совпало с теорией и почему?
+
+## Что сдаётся
+
+`solution.py` + отчёт: две таблицы (CPU и I/O) с T/S/E, два графика,
+оценка s по Амдалу, развёрнутые выводы (это итоговая работа — выводы
+должны покрывать весь курс), ответы на вопросы.
+
+## Критерии оценки
+
+| Пункт | Баллы |
+|---|---|
+| Все 7 функций работают, checksum корректен | 3 |
+| Таблицы и графики для обоих сценариев | 3 |
+| Оценка s по закону Амдала с объяснением | 2 |
+| Выводы и ответы на вопросы (защита) | 4 |
+
+## Типичные ошибки
+
+- Сравнение T(p) разных сценариев при разном объёме работы — объём
+  фиксирован внутри сценария.
+- Забыт smoke-режим `LAB_SMOKE` (автотесты запускают solution.py
+  подпроцессом — не удаляйте блок в main()).
+- Замеры в один запуск без повторов: `time_call(..., repeats=3)`.