2020.05.20

'속도를 높이는' 병렬 처리를 위한 6가지 파이썬 라이브러리

Serdar Yegulalp | InfoWorld
파이썬(Python)은 편의성과 프로그래머 친화성으로 유명하지만 속도 측면에서는 크게 내세울 것이 없는 프로그래밍 언어다. 파이썬의 속도 제약은 기본 구현인 c파이썬(cPython)이 싱글 스레드라는 점에도 일부 기인한다. 즉, c파이썬은 한번에 2개 이상의 하드웨어 스레드를 사용하지 않는다.
 
ⓒ Getty Images Bank

파이썬에 내장된 threading 모듈을 사용해 속도를 높일 수 있지만, threading은 병렬성(parallelism)이 아니라 동시성(concurrency)을 제공할 뿐이다. CPU에 종속되지 않는 여러 작업을 실행하는 용도로는 효과적이지만 각각 전체 CPU를 요구하는 여러 작업의 속도를 높이는 데는 아무 효과가 없다.

그러나 파이썬에도 여러 CPU에 걸쳐 파이썬 워크로드를 실행하기 위한 본연의 방법이 포함돼 있다. multiprocessing 모듈은 각각 별도의 코어에서 여러 개의 파이썬 인터프리터를 구동하며 여러 코어에 걸쳐 작업을 분할하기 위한 프리미티브를 제공한다. 그러나 multiprocessing으로도 충분하지 않을 때가 있다.

여러 코어뿐만 아니라 여러 머신으로 작업을 분산해야 하는 경우도 있는데, 이런 경우 유용한 6개 파이썬 라이브러리와 프레임워크가 있다. 이번 기사에서 소개하는 파이썬 툴킷 6개는 모두 기존 파이썬 애플리케이션에서 여러 코어, 여러 머신으로 작업을 분산시킬 수 있다.


레이(Ray)

미국 캘리포니아 버클리 대학 연구팀이 개발한 레이는 다수의 분산 머신러닝 라이브러리를 보강한다. 레이의 원래 사용사례는 머신러닝이지만 그 외의 용도로도 사용할 수 있다. 레이를 사용하면 많은 파이썬 작업을 분할해 여러 시스템으로 분산할 수 있다.

레이의 구문은 최소화하기 때문에 기존 앱의 많은 부분을 재작업하지 않고도 병렬화가 가능하다. @ray.remote 데코레이터는 해당 함수를 레이 클러스터의 가용 노드 전반으로 분산할 수 있으며, 사용할 CPU 또는 GPU의 수를 나타내는 매개변수를 옵션으로 지정할 수 있다. 각 분산 함수의 결과는 파이썬 객체로 반환되므로 관리 및 저장이 쉽고, 따라서 여러 노드 또는 노드 내의 복사 분량이 최소한으로 유지된다. 이 마지막 특징은 예를 들어 넘파이(Numby) 배열을 다룰 때 유용하다.

레이에는 필요에 따라 로컬 하드웨어 또는 주요 클라우드 컴퓨팅 플랫폼에서 자동으로 노드를 가동할 수 있는 자체 클러스터 관리자도 내장돼 있다.


다스크(Dask)

겉보기에는 다스크도 레이와 거의 비슷해 보인다. 레이와 마찬가지로 파이썬에서 분산 병렬 컴퓨팅을 사용하기 위한 라이브러리이며 자체 작업 스케줄링 시스템이 있고 넘파이(NumPy)와 같은 파이썬 데이터 프레임워크를 인식하며 단일 머신에서 다수의 머신으로 확장이 가능하다.

다스크의 기본적인 작동 방식은 두 가지다. 첫 번째는 병렬화된 데이터 구조다. 기본적으로 이 데이터 구조는 넘파이 배열, 목록 또는 판다스 데이터프레임(Pandas DataFrame)의 다스크 자체 버전이다. 이와 같은 데이터 구조의 다스크 버전을 기본값으로 바꿔 넣으면 다스크는 자동으로 여러 클러스터에 걸쳐 실행을 분산한다. 일반적으로 가져오기의 이름을 변경하는 정도의 작업만 필요하지만 완전히 작동하도록 하려면 다시 써야하는 경우도 종종 있다.

두 번째 방법은 함수 데코레이터를 포함한 다스크의 저수준 병렬화 메커니즘을 사용하는 것이다. 이 메커니즘은 여러 노드로 작업을 분배하고 결과를 동기적으로 반환하거나('즉각' 모드) 비동기적으로 반환한다('지연' 모드). 필요에 따라 두 모드를 혼합할 수도 있다.

다스크와 레이의 한 가지 중요한 차이점은 스케줄링 메커니즘이다. 다스크는 클러스터를 위한 모든 작업을 처리하는 중앙화된 스케줄러를 사용한다. 레이는 분산형이다. 즉, 각 머신이 자체 스케줄러를 실행하므로 예약된 작업에서 발생하는 문제는 전체 클러스터가 아닌 개별 머신 수준에서 처리된다.

또한 다스크는 '액터(actor)'라는, 아직 실험적인 고급 기능을 제공한다. 액터는 다른 다스크 노드의 작업을 가리키는 객체다. 많은 로컬 상태가 필요한 작업을 본래의 위치에서 실행하고 다른 노드에서 원격으로 이 작업을 호출하면 된다. 따라서 작업의 상태를 복제할 필요가 없다. 레이에는 더 정교한 작업 분산을 지원하기 위한 다스크의 액터 모델과 같은 기능이 없다.


디스파이(Dispy)

디스파이를 사용하면 전체 파이썬 프로그램 또는 개별 함수를 머신 클러스터로 분산해 병렬 처리할 수 있다. 디스파이는 네트워크 통신에 플랫폼별 네이티브 메커니즘을 사용해 빠른 속도와 효율성을 유지하므로 리눅스, 맥OS, 윈도우 머신에서 모두 동등하게 잘 작동한다.

디스파이 구문은 개발자가 클러스터를 명시적으로 생성하고 작업을 클러스터에 제출한 다음 결과를 불러온다는 점에서 multiprocessing과 비슷하다. 디스파이에서 작업을 실행하려면 약간의 수정 작업이 더 필요할 수 있지만, 대신 작업이 제출되고 반환되는 방식을 정밀하게 제어할 수 있다. 예를 들어 잠정적인 결과 또는 부분적으로 완료된 결과를 반환하고, 작업 분산 프로세스의 일부로 파일을 전송하고, 데이터를 전송할 때 SSL 암호화를 사용할 수 있다.


판다랄 렐(Pandaral·lel)

판다랄 렐은 이름에서 알 수 있듯이 판다스(Pandas) 작업을 여러 노드로 병렬화한다. 단점은 판다스에서만 사용 가능하다는 점이다. 그러나 현재 판다스를 사용 중이고, 단일 컴퓨터의 여러 코어에 걸쳐 판다스 작업을 가속화할 방법이 필요하다면 판다랄 렐로 정확히 그 목적을 달성할 수 있다.

판다랄 렐은 윈도우에서 실행은 되지만 리눅스용 윈도우 하위 시스템에서 실행된 파이썬 세션에서만 실행된다. 맥OS와 리눅스 사용자는 판다랄 렐을 그대로 실행할 수 있다.


아이파이패러렐(Ipyparallel)

아이파이패러렐 역시 multiprocessing과 작업 분산 시스템을 전문으로 하며 클러스터 전반에서 주피터 노트북(Jupyter Notebook) 코드 실행을 병렬화하는 데 특화돼 있다. 이미 주피터를 사용 중인 프로젝트 및 팀에서는 즉시 아이파이패러렐을 사용할 수 있다.

아이파이패러렐은 코드를 병렬화하기 위한 많은 접근 방법을 지원한다. 간단하게는 모든 함수를 시퀀스에 적용하고 가용한 노드로 고르게 작업을 분할하는 map이 있다. 더 복잡한 작업의 경우 항상 원격으로 또는 병렬로 실행되도록 특정 함수를 데코레이션할 수 있다.

주피터 노트북은 노트북 환경에서만 가능한 작업을 위한 '매직 명령(magic commands)'을 지원한다. 아이파이패러렐은 몇 가지 자체 매직 명령을 추가한다. 예를 들어 모든 파이썬 문 앞에 %px를 붙여 자동으로 병렬화할 수 있다.


잡립(Joblib)

잡립의 주 목표는 두 가지다. 작업을 병렬로 실행하기와 변경사항이 없는 경우 결과를 다시 계산하지 않기다. 이러한 효율성 덕분에 잡립은 재현 가능한 결과가 최상의 가치인 과학 컴퓨팅에 적합하다. 잡립 문서에서 기능 사용 방법에 관한 풍부한 예제를 볼 수 있다.

작업을 병렬화하기 위한 잡립 구문은 간단해서, 데코레이터 하나로 여러 프로세서로 작업을 분할하거나 결과를 캐시할 수 있다. 병렬 작업은 스레드 또는 프로세스를 사용할 수 있다.

잡립에는 계산 작업에 의해 생성되는 파이썬 객체를 위한 투명한 디스크 캐시가 포함된다. 이 캐시는 앞서 언급했듯이 잡립에서 작업의 반복을 피하는 데 도움이 될 뿐만 아니라 장기 실행 작업을 유예하고 재개하는 데 사용하거나 충돌 후 작업이 멈춘 부분부터 이어서 하는 데도 사용할 수 있다. 데이터의 영역은 numpy.memmap을 사용해 같은 시스템의 프로세스 간에 메모리 내에서 공유가 가능하다.

잡립에는 여러 개별 컴퓨터로 작업을 분산하는 기능이 없다. 이론적으로는 잡립의 파이프라인을 사용해 가능하긴 하지만 기본적으로 이 기능을 지원하는 다른 프레임워크를 사용하는 편이 더 쉬울 것이다. editor@itworld.co.kr 


2020.05.20

'속도를 높이는' 병렬 처리를 위한 6가지 파이썬 라이브러리

Serdar Yegulalp | InfoWorld
파이썬(Python)은 편의성과 프로그래머 친화성으로 유명하지만 속도 측면에서는 크게 내세울 것이 없는 프로그래밍 언어다. 파이썬의 속도 제약은 기본 구현인 c파이썬(cPython)이 싱글 스레드라는 점에도 일부 기인한다. 즉, c파이썬은 한번에 2개 이상의 하드웨어 스레드를 사용하지 않는다.
 
ⓒ Getty Images Bank

파이썬에 내장된 threading 모듈을 사용해 속도를 높일 수 있지만, threading은 병렬성(parallelism)이 아니라 동시성(concurrency)을 제공할 뿐이다. CPU에 종속되지 않는 여러 작업을 실행하는 용도로는 효과적이지만 각각 전체 CPU를 요구하는 여러 작업의 속도를 높이는 데는 아무 효과가 없다.

그러나 파이썬에도 여러 CPU에 걸쳐 파이썬 워크로드를 실행하기 위한 본연의 방법이 포함돼 있다. multiprocessing 모듈은 각각 별도의 코어에서 여러 개의 파이썬 인터프리터를 구동하며 여러 코어에 걸쳐 작업을 분할하기 위한 프리미티브를 제공한다. 그러나 multiprocessing으로도 충분하지 않을 때가 있다.

여러 코어뿐만 아니라 여러 머신으로 작업을 분산해야 하는 경우도 있는데, 이런 경우 유용한 6개 파이썬 라이브러리와 프레임워크가 있다. 이번 기사에서 소개하는 파이썬 툴킷 6개는 모두 기존 파이썬 애플리케이션에서 여러 코어, 여러 머신으로 작업을 분산시킬 수 있다.


레이(Ray)

미국 캘리포니아 버클리 대학 연구팀이 개발한 레이는 다수의 분산 머신러닝 라이브러리를 보강한다. 레이의 원래 사용사례는 머신러닝이지만 그 외의 용도로도 사용할 수 있다. 레이를 사용하면 많은 파이썬 작업을 분할해 여러 시스템으로 분산할 수 있다.

레이의 구문은 최소화하기 때문에 기존 앱의 많은 부분을 재작업하지 않고도 병렬화가 가능하다. @ray.remote 데코레이터는 해당 함수를 레이 클러스터의 가용 노드 전반으로 분산할 수 있으며, 사용할 CPU 또는 GPU의 수를 나타내는 매개변수를 옵션으로 지정할 수 있다. 각 분산 함수의 결과는 파이썬 객체로 반환되므로 관리 및 저장이 쉽고, 따라서 여러 노드 또는 노드 내의 복사 분량이 최소한으로 유지된다. 이 마지막 특징은 예를 들어 넘파이(Numby) 배열을 다룰 때 유용하다.

레이에는 필요에 따라 로컬 하드웨어 또는 주요 클라우드 컴퓨팅 플랫폼에서 자동으로 노드를 가동할 수 있는 자체 클러스터 관리자도 내장돼 있다.


다스크(Dask)

겉보기에는 다스크도 레이와 거의 비슷해 보인다. 레이와 마찬가지로 파이썬에서 분산 병렬 컴퓨팅을 사용하기 위한 라이브러리이며 자체 작업 스케줄링 시스템이 있고 넘파이(NumPy)와 같은 파이썬 데이터 프레임워크를 인식하며 단일 머신에서 다수의 머신으로 확장이 가능하다.

다스크의 기본적인 작동 방식은 두 가지다. 첫 번째는 병렬화된 데이터 구조다. 기본적으로 이 데이터 구조는 넘파이 배열, 목록 또는 판다스 데이터프레임(Pandas DataFrame)의 다스크 자체 버전이다. 이와 같은 데이터 구조의 다스크 버전을 기본값으로 바꿔 넣으면 다스크는 자동으로 여러 클러스터에 걸쳐 실행을 분산한다. 일반적으로 가져오기의 이름을 변경하는 정도의 작업만 필요하지만 완전히 작동하도록 하려면 다시 써야하는 경우도 종종 있다.

두 번째 방법은 함수 데코레이터를 포함한 다스크의 저수준 병렬화 메커니즘을 사용하는 것이다. 이 메커니즘은 여러 노드로 작업을 분배하고 결과를 동기적으로 반환하거나('즉각' 모드) 비동기적으로 반환한다('지연' 모드). 필요에 따라 두 모드를 혼합할 수도 있다.

다스크와 레이의 한 가지 중요한 차이점은 스케줄링 메커니즘이다. 다스크는 클러스터를 위한 모든 작업을 처리하는 중앙화된 스케줄러를 사용한다. 레이는 분산형이다. 즉, 각 머신이 자체 스케줄러를 실행하므로 예약된 작업에서 발생하는 문제는 전체 클러스터가 아닌 개별 머신 수준에서 처리된다.

또한 다스크는 '액터(actor)'라는, 아직 실험적인 고급 기능을 제공한다. 액터는 다른 다스크 노드의 작업을 가리키는 객체다. 많은 로컬 상태가 필요한 작업을 본래의 위치에서 실행하고 다른 노드에서 원격으로 이 작업을 호출하면 된다. 따라서 작업의 상태를 복제할 필요가 없다. 레이에는 더 정교한 작업 분산을 지원하기 위한 다스크의 액터 모델과 같은 기능이 없다.


디스파이(Dispy)

디스파이를 사용하면 전체 파이썬 프로그램 또는 개별 함수를 머신 클러스터로 분산해 병렬 처리할 수 있다. 디스파이는 네트워크 통신에 플랫폼별 네이티브 메커니즘을 사용해 빠른 속도와 효율성을 유지하므로 리눅스, 맥OS, 윈도우 머신에서 모두 동등하게 잘 작동한다.

디스파이 구문은 개발자가 클러스터를 명시적으로 생성하고 작업을 클러스터에 제출한 다음 결과를 불러온다는 점에서 multiprocessing과 비슷하다. 디스파이에서 작업을 실행하려면 약간의 수정 작업이 더 필요할 수 있지만, 대신 작업이 제출되고 반환되는 방식을 정밀하게 제어할 수 있다. 예를 들어 잠정적인 결과 또는 부분적으로 완료된 결과를 반환하고, 작업 분산 프로세스의 일부로 파일을 전송하고, 데이터를 전송할 때 SSL 암호화를 사용할 수 있다.


판다랄 렐(Pandaral·lel)

판다랄 렐은 이름에서 알 수 있듯이 판다스(Pandas) 작업을 여러 노드로 병렬화한다. 단점은 판다스에서만 사용 가능하다는 점이다. 그러나 현재 판다스를 사용 중이고, 단일 컴퓨터의 여러 코어에 걸쳐 판다스 작업을 가속화할 방법이 필요하다면 판다랄 렐로 정확히 그 목적을 달성할 수 있다.

판다랄 렐은 윈도우에서 실행은 되지만 리눅스용 윈도우 하위 시스템에서 실행된 파이썬 세션에서만 실행된다. 맥OS와 리눅스 사용자는 판다랄 렐을 그대로 실행할 수 있다.


아이파이패러렐(Ipyparallel)

아이파이패러렐 역시 multiprocessing과 작업 분산 시스템을 전문으로 하며 클러스터 전반에서 주피터 노트북(Jupyter Notebook) 코드 실행을 병렬화하는 데 특화돼 있다. 이미 주피터를 사용 중인 프로젝트 및 팀에서는 즉시 아이파이패러렐을 사용할 수 있다.

아이파이패러렐은 코드를 병렬화하기 위한 많은 접근 방법을 지원한다. 간단하게는 모든 함수를 시퀀스에 적용하고 가용한 노드로 고르게 작업을 분할하는 map이 있다. 더 복잡한 작업의 경우 항상 원격으로 또는 병렬로 실행되도록 특정 함수를 데코레이션할 수 있다.

주피터 노트북은 노트북 환경에서만 가능한 작업을 위한 '매직 명령(magic commands)'을 지원한다. 아이파이패러렐은 몇 가지 자체 매직 명령을 추가한다. 예를 들어 모든 파이썬 문 앞에 %px를 붙여 자동으로 병렬화할 수 있다.


잡립(Joblib)

잡립의 주 목표는 두 가지다. 작업을 병렬로 실행하기와 변경사항이 없는 경우 결과를 다시 계산하지 않기다. 이러한 효율성 덕분에 잡립은 재현 가능한 결과가 최상의 가치인 과학 컴퓨팅에 적합하다. 잡립 문서에서 기능 사용 방법에 관한 풍부한 예제를 볼 수 있다.

작업을 병렬화하기 위한 잡립 구문은 간단해서, 데코레이터 하나로 여러 프로세서로 작업을 분할하거나 결과를 캐시할 수 있다. 병렬 작업은 스레드 또는 프로세스를 사용할 수 있다.

잡립에는 계산 작업에 의해 생성되는 파이썬 객체를 위한 투명한 디스크 캐시가 포함된다. 이 캐시는 앞서 언급했듯이 잡립에서 작업의 반복을 피하는 데 도움이 될 뿐만 아니라 장기 실행 작업을 유예하고 재개하는 데 사용하거나 충돌 후 작업이 멈춘 부분부터 이어서 하는 데도 사용할 수 있다. 데이터의 영역은 numpy.memmap을 사용해 같은 시스템의 프로세스 간에 메모리 내에서 공유가 가능하다.

잡립에는 여러 개별 컴퓨터로 작업을 분산하는 기능이 없다. 이론적으로는 잡립의 파이프라인을 사용해 가능하긴 하지만 기본적으로 이 기능을 지원하는 다른 프레임워크를 사용하는 편이 더 쉬울 것이다. editor@itworld.co.kr 


X