好的测试用例及性能测试是对一个库的稳定及优秀的重要标准，尽量的覆盖全的单元测试，能及早的发现bug，使程序更稳定。
性能测试，在编写代码后，单元测试及性能测试是重要的验收点，好的性能测试可以让我们提前发现程序中存在的问题。
测试用例
在Rust中，测试通常有两部分，一部分是文档测试，一部分是模块测试。
通常我们在函数定义的开始可以看到以///三斜杠开头的就是文档注释发布的时候会将自动生成到docs.rs中，其中以///包含的代码片断会就判断为文档测试，这样子就可以把功能与测试完美的结合在一起。
以下是Lru的例子：
/// LRU 全称是Least Recently Used，即最近最久未使用的意思 /// 一个 LRU 缓存普通级的实现, 接口参照Hashmap保持一致 /// 设置容量之后将最大保持该容量大小的数据 /// 后进的数据将会淘汰最久没有被访问的数据 /// /// # Examples /// /// ``` /// use algorithm::LruCache; /// fn main() { /// let mut lru = LruCache::new(3); /// lru.insert("now", "ok"); /// lru.insert("hello", "algorithm"); /// lru.insert("this", "lru"); /// lru.insert("auth", "tickbh"); /// assert!(lru.len() == 3); /// assert_eq!(lru.get("hello"), Some(&"algorithm")); /// assert_eq!(lru.get("this"), Some(&"lru")); /// assert_eq!(lru.get("now"), None); /// } /// ``` pub struct LruCache { /// 存储数据结构 map: HashMap, NonNull>, S>, /// 缓存的总容量 cap: usize, /// 双向列表的头 head: *mut LruEntry, /// 双向列表的尾 tail: *mut LruEntry, }
模块测试，在lru.rs文件底下会定义：#[cfg(test)] mod tests，这个将变成模块化测试
#[cfg(test)] mod tests { use std::collections::hash_map::RandomState; use super::LruCache; #[test] fn test_insert() { let mut m = LruCache::new(2); assert_eq!(m.len(), 0); m.insert(1, 2); assert_eq!(m.len(), 1); m.insert(2, 4); assert_eq!(m.len(), 2); m.insert(3, 6); assert_eq!(m.len(), 2); assert_eq!(m.get(&1), None); assert_eq!(*m.get(&2).unwrap(), 4); assert_eq!(*m.get(&3).unwrap(), 6); } }
我们将在执行cargo test的时候将会自动运行这些函数进行测试：可以显示如下内容：
Compiling algorithm v0.1.5 (D:\my\algorithm) Finished test [unoptimized + debuginfo] target(s) in 1.95s Running unittests src\lib.rs (target\debug\deps\algorithm-3ecde5aa4c430e91.exe) running 142 tests test arr::circular_buffer::tests::test_iter ... ok ... test result: ok. 142 passed; 0 failed; 0 ignored; 0 measured; 0 filtered out; finished in 0.16s Doc-tests algorithm running 147 tests test src\cache\lruk.rs - cache::lruk::LruKCache (line 65) ... ok ... test result: ok. 147 passed; 0 failed; 0 ignored; 0 measured; 0 filtered out; finished in 11.03s
如果出错则会指出错误内容。
bench测试
在Rust中的bench可以测出每次迭代的耗时，但bench模块需要启用#![feature(test)]，即无法在stable版本的进行性能测试。
我们需要安装nightly版本，那么我们运行
rustup install nightly
如果需要在国内加速可以设置
$ENV:RUSTUP_DIST_SERVER='https://mirrors.ustc.edu.cn/rust-static' $ENV:RUSTUP_UPDATE_ROOT='https://mirrors.ustc.edu.cn/rust-static/rustup'
安装完之后我们可以用临时启用nightly版本进行运行，当前我们建立了benches/lru.rs文件
以下是bench的部分内容
#![feature(test)] extern crate test; use algorithm::{ArcCache, LfuCache, LruCache, LruKCache}; use test::Bencher; static BENCH_SIZE: usize = 10000; macro_rules! do_test_bench { ($cache: expr) => { for i in 0..BENCH_SIZE { $cache.insert(i, i); $cache.get(&i); } }; } #[bench] fn calc_lru(b: &mut Bencher) { b.iter(|| { let mut lru = LruCache::new(BENCH_SIZE / 2); do_test_bench!(lru); }) }
我们可以运行来进行bench测试
rustup run nightly cargo bench --bench lru
测试结果可以看出执行时间的变化
running 4 tests test calc_arc ... bench: 4,361,427.70 ns/iter (+/- 983,661.07) test calc_lfu ... bench: 3,170,039.17 ns/iter (+/- 571,925.64) test calc_lru ... bench: 1,306,854.55 ns/iter (+/- 198,070.97) test calc_lruk ... bench: 1,282,446.16 ns/iter (+/- 226,388.14)
但是我们无法看出命中率这些参数，单纯时间的消耗并缓存结构并不公平。
测试命中率
我们将从速度和命中率两个维度来衡量，但是数据集目前不是很优，看不到Lfu及Arc的大优势。
完整代码放置在：https://github.com/tickbh/algorithm-rs/blob/master/examples/bench_lru.rs
顺序的数据集
插入数据的时候就快速获取该数据
| 名字 | 耗时 | 命中率 |
|---|---|---|
| LruCache | 4121 | 100.00% |
| LruKCache | 3787 | 100.00% |
| LfuCache | 12671 | 100.00% |
| ArcCache | 13953 | 100.00% |
前部分数据相对高频
插入数据的时候就获取之前插入的随机数据
| 名字 | 耗时 | 命中率 |
|---|---|---|
| LruCache | 3311 | 77.27% |
| LruKCache | 4040 | 77.47% |
| LfuCache | 10268 | 93.41% |
| ArcCache | 10907 | 89.92% |
相对来说，在非高频的场景中，Lfu需要维护频次的列表信息，耗时会Lru高很多，但是高频的访问场景中命中率的提高相对于cpu的消耗是可以接受的。
此处编写测试的时候不想大量的重复代码，且我们的实例并没有trait化，此处我们用的是运用宏处理来指的处理：
macro_rules! do_test_bench { ($name: expr, $cache: expr, $num: expr, $evict: expr, $data: expr) => { let mut cost = vec![]; let now = Instant::now(); let mut all = 0; let mut hit = 0; for v in $data { if v.1 == 0 { all += 1; if $cache.get(&v.0).is_some() { hit += 1; } } else { $cache.insert(v.0, v.1); } } cost.push(now.elapsed().as_micros()); println!("|{}|{}|{:.2}%|", $name, cost.iter().map(|v| v.to_string()).collect::<Vec<_>>().join("\t"), hit as f64 * 100.0 / all as f64); }; }
后续调用均可调用该宏进行处理：
fn do_bench(num: usize) { let evict = num * 2; let mut lru = LruCache::<usize, usize, RandomState>::new(num); let mut lruk = LruKCache::<usize, usize, RandomState>::new(num); let mut lfu = LfuCache::<usize, usize, RandomState>::new(num); let mut arc = ArcCache::<usize, usize, RandomState>::new(num / 2); println!("|名字|耗时|命中率|"); println!("|---|---|---|"); // let data = build_freq_data(evict); let data = build_high_freq_data(evict); // let data = build_order_data(evict); do_test_bench!("LruCache", lru, num, evict, &data); do_test_bench!("LruKCache", lruk, num, evict, &data); do_test_bench!("LfuCache", lfu, num, evict, &data); do_test_bench!("ArcCache", arc, num, evict, &data); }
进行数据优化
编写代码尽量的不要过早优化，先实现完整功能，然后再根据火焰图耗时占比来进行热点函数优化。所以此时我们需要实现火焰图的显示：
安装火焰图https://github.com/flamegraph-rs/flamegraph
cargo install flamegraph
在这里我使用的wsl启用的debian系统，安装perf
sudo apt install -y linux-perf
然后安装完之后就可以执行：
cargo flamegraph --example bench_lru
如果出现以下提前错误，则证明没有正确的连接perf版本，可以拷贝一个或者建一个软连接
/usr/bin/perf: line 13: exec: perf_5.15.133: not found E: linux-perf-5.15.133 is not installed.
那么用如下的解决方案：
cp /usr/bin/perf_5.10 /usr/bin/perf_5.15.133
如果是macOs需要安装dtrace,如果未安装直接进行安装即可
brew install dtrace
此处需注意，macOs权限控制，需要用sudo权限。
然后运行完之后就可以得到一个flamegraph.svg的火焰图就可以查看耗时的程序了。
总结
好的测试用例及性能测试是对一个库的稳定及优秀的重要标准，尽量的覆盖全的单元测试，能及早的发现bug，使程序更稳定。