在R的多进程并行运算中,如果每个进程需要读取同一个数据,常见的做法就是将数据读入每个进程内,然后再进行运算。虽然这种方法简单直接,但是对于只读数据来说,这是一种极大的内存浪费。举个例子,在一个常见的4核8线程的计算机上面,如果进行8个进程的并行运算,需要读取的数据为1GB, 那么总共就需要8GB的内存用以加载数据。在生物学领域,这种问题会更加严重,像高通量测序动辄几个GB的大小,如果希望将数据全部读入内存,那么需要的配置将会非常昂贵。
SharedObject 是一个用来解决并行运算内存问题的package, 它可以将一个R对象的数据存放在共享内存中,使得多个进程可以读取同一个数据,因此只要数据可以放入内存,无论使用多少R进程运算都不会增加内存负担。这样可以极大减少并行运算中内存的瓶颈。
如果希望以现有的R对象为模版创建共享对象,你只需要调用share函数,并且将R对象作为参数传入即可。在下面的例子中,我们将创建一个3*3的矩阵A1,然后调用share函数创建一个共享对象A2
## Create data
A1 <- matrix(1:9, 3, 3)
## Create a shared object
A2 <- share(A1)
对于R使用者来说,A1和A2是完全一样的。所有可以用于A1的代码都可以无缝衔接到A2上面,我们可以检查A1和A2的数据类型
## Check the data
A1
#> [,1] [,2] [,3]
#> [1,] 1 4 7
#> [2,] 2 5 8
#> [3,] 3 6 9
A2
#> [,1] [,2] [,3]
#> [1,] 1 4 7
#> [2,] 2 5 8
#> [3,] 3 6 9
## Check if they are identical
identical(A1, A2)
#> [1] TRUE
用户可以将A2当作一个普通的矩阵来使用。如果需要区分共享对象的话,可以使用is.shared函数
## Check if an object is shared
is.shared(A1)
#> [1] FALSE
is.shared(A2)
#> [1] TRUE
我们知道R里面有许多并行运算的package,例如parallel和BiocParallel。你可以使用任何package来传输共享对象A2,在下面的例子中我们使用最基础的parallel package来传输数据。
library(parallel)
## Create a cluster with only 1 worker
cl <- makeCluster(1)
clusterExport(cl, "A2")
## Check if the object is still a shared object
clusterEvalQ(cl, SharedObject::is.shared(A2))
#> [[1]]
#> [1] TRUE
stopCluster(cl)
当你传输一个共享对象的时候,实际上只有共享内存的编号,还有一些R对象的信息被传输过去了。我们可以通过serialize函数来验证这一点
## make a larger vector
x1 <- rep(0, 10000)
x2 <- share(x1)
## This is the actual data that will
## be sent to the other R workers
data1 <-serialize(x1, NULL)
data2 <-serialize(x2, NULL)
## Check the size of the data
length(data1)
#> [1] 80031
length(data2)
#> [1] 394
通过查看被传输的数据,我们可以看到x2是明显小于x1的。当其他R进程接受到数据后,他们并不会为x2的数据分配内存,而是通过共享内存的编号来直接读取x2数据。因此,内存使用量会明显减少。
和vector函数相似,你也可以直接创建一个空的共享对象
SharedObject(mode = "integer", length = 6)
#> [1] 0 0 0 0 0 0
在创建共享对象过程中,你可以将对象的attributes直接给出
SharedObject(mode = "integer", length = 6, attrib = list(dim = c(2L, 3L)))
#> [,1] [,2] [,3]
#> [1,] 0 0 0
#> [2,] 0 0 0
如果需要了解更多细节,请参考?SharedObject
共享对象的内部结构里面有许多属性,你可以直接通过sharedObjectProperties来查看它们
## get a summary report
sharedObjectProperties(A2)
#> $dataId
#> [1] "123762"
#>
#> $length
#> [1] 9
#>
#> $totalSize
#> [1] 36
#>
#> $dataType
#> [1] 13
#>
#> $ownData
#> [1] TRUE
#>
#> $copyOnWrite
#> [1] TRUE
#>
#> $sharedSubset
#> [1] FALSE
#>
#> $sharedCopy
#> [1] FALSE
dataId是共享内存的编号, length是共享对象的长度, totalSize是共享对象的大小, dataType是共享对象的数据类型, ownData决定了是否在当前进程内共享对象不需要使用的时候回收共享内存. copyOnWrite,sharedSubset和sharedCopy 决定了共享对象数据写入,取子集,和复制时候的行为. 我们将会在package默认设置和进阶教程里面详细讨论这三个参数.
需要注意的是,大部分共享对象的属性是不可变更的, 只有 copyOnWrite,sharedSubset和sharedCopy 是可变的. 你可以通过getCopyOnWrite,getSharedSubset和getSharedCopy 去得到一个共享对象的属性,也可以通过setCopyOnWrite,setSharedSubset和setSharedCopy去设置他们
## get the individual properties
getCopyOnWrite(A2)
#> [1] TRUE
getSharedSubset(A2)
#> [1] FALSE
getSharedCopy(A2)
#> [1] FALSE
## set the individual properties
setCopyOnWrite(A2, FALSE)
setSharedSubset(A2, TRUE)
setSharedCopy(A2, TRUE)
## Check if the change has been made
getCopyOnWrite(A2)
#> [1] FALSE
getSharedSubset(A2)
#> [1] TRUE
getSharedCopy(A2)
#> [1] TRUE
对于基础R类型来说,SharedObject支持raw,logical,integer,numeric,complex和character. 需要注意的是,共享字符串向量并不一定能够保证减少内存使用,因为字符串在R中有自己的缓存池,所以在传输字符向量串的时候我们仍然需要传输单个字符串,因此共享字符串向量只有在字符串重复次数比较多的时候会比较节约内存。因为字符串向量的特殊性,你也不能把字符串向量里面的字符串更改为一个从来没有在字符串向量里面出现过的字符串。
对于容器类型,SharedObject支持list,pairlist和environment。共享容器类型数据只会将容器内部的元素共享,容器本身并不会被共享,因此,如果你尝试向共享容器里面添加或删除元素,其他R进程是无法观测到你的修改的。因为data.frame本质上是一个list,因此它也符合上述规则。
对于S3和S4类型来说,通常你可以直接共享S3/S4对象的数据。如果你希望共享的S3/S4对象非常特殊,例如它需要读取磁盘数据,share函数本身是一个S4的generic, 你可以通过重载函数来定义你自己的共享方法。
如果一个对象的数据结构并不支持被共享,share函数将会直接返回原本的对象。这只会在很特殊情况发生,因为SharedObject包支持大部分数据类型。如果你希望在无法共享的情况下返回一个异常,你可以在使用share时传入参数mustWork = TRUE。
## the element `A` is sharable and `B` is not
x <- list(A = 1:3, B = as.symbol("x"))
## No error will be given,
## but the element `B` is not shared
shared_x <- share(x)
## Use the `mustWork` argument
## An error will be given for the non-sharable object `B`
tryCatch({
shared_x <- share(x, mustWork = TRUE)
},
error=function(msg)message(msg$message)
)
#> The object of the class <name> cannot be shared.
#> To suppress this error and return the same object,
#> provide `mustWork = FALSE` as a function argument
#> or change its default value in the package settings
就像我们之前看到的一样,你可以使用is.shared去查看一个对象是否是共享对象。在默认的情况下,is.shared只会返回一个逻辑值,告诉你这个对象本身是否被共享了,或者它含至少一个共享对象。你可以通过传入depth参数来看到具体细节
## A single logical is returned
is.shared(shared_x)
#> [1] TRUE
## Check each element in x
is.shared(shared_x, depth = 1)
#> $A
#> [1] TRUE
#>
#> $B
#> [1] FALSE
package默认设置控制着默认情况下的共享对象的属性,你可以通过sharedObjectPkgOptions来查看它们
sharedObjectPkgOptions()
#> $mustWork
#> [1] FALSE
#>
#> $sharedAttributes
#> [1] TRUE
#>
#> $copyOnWrite
#> [1] TRUE
#>
#> $sharedSubset
#> [1] FALSE
#>
#> $sharedCopy
#> [1] FALSE
#>
#> $minLength
#> [1] 3
就像我们之前讨论的一样,mustWork = FALSE意味着在默认情况下,当share函数遇到个不可共享的对象,它不会抛出任何异常而是直接返回对象本身。sharedSubset 决定了当你对一个共享对象取子集的时候,得到的子集是否是一个共享对象. minLength是共享对象最小的长度,当一个对象的长度小于最小长度的时候,它将不会被共享。
我们会在进阶章节里面讨论 copyOnWrite 和 sharedCopy,不过对于大部分用户来说,你并不需要关心它们。package的参数可以通过sharedObjectPkgOptions来更改
## change the default setting
sharedObjectPkgOptions(mustWork = TRUE)
## Check if the change is made
sharedObjectPkgOptions("mustWork")
#> [1] TRUE
## Restore the default
sharedObjectPkgOptions(mustWork = FALSE)
需要注意的是,share函数的参数有着比package参数更高的优先级,因此你可以通过向share函数添加参数的方法来临时改变默认设置。例如,你可以通过share(x, mustWork = TRUE)来忽略package的默认mustWork设置。
由于所有的R进程都会访问同一个共享内存的数据,如果在一个进程中更改了共享内存的数据,其他进程的数据也会受到影响。为了防止这种情况的发生,当一个进程试图修改数据内容的时候,共享对象将会被复制。举例来说
x1 <- share(1:4)
x2 <- x1
## x2 becames a regular R object after the change
is.shared(x2)
#> [1] TRUE
x2[1] <- 10L
is.shared(x2)
#> [1] FALSE
## x1 is not changed
x1
#> [1] 1 2 3 4
x2
#> [1] 10 2 3 4
当我们尝试修改x2的时候,R首先会复制x2的数据,然后再修改它的值。因此,虽然x1和x2是同一个共享对象,对于x2的修改并不会影响x1的值。这个默认的行为可以通过copyOnWrite来进行更改
x1 <- share(1:4, copyOnWrite = FALSE)
x2 <- x1
## x2 will not be duplicated when a change is made
is.shared(x2)
#> [1] TRUE
x2[1] <- 0L
is.shared(x2)
#> [1] TRUE
## x1 has been changed
x1
#> [1] 0 2 3 4
x2
#> [1] 0 2 3 4
当我们手动把copyOnWrite关闭的时候,修改x2会导致x1也被修改了。这个参数可以用于并行运算时写回数据,你可以提前分配好一个空的共享对象,关闭它的copyOnWrite,然后将它传给所有相关进程。当进程计算出结果后,直接将数据写回到共享对象中,这样子就不需要通过传统的数据传输方式将结果传回给主进程了。不过,需要注意的是,当我们关闭copyOnWrite的时候,你对共享对象的操作也可能导致意外的结果。举例来说
x <- share(1:4, copyOnWrite = FALSE)
x
#> [1] 1 2 3 4
-x
#> [1] -1 -2 -3 -4
x
#> [1] -1 -2 -3 -4
仅仅是对于负数的调用,就会导致x的值被更改。因此,用户需要小心使用这个功能。写时拷贝可以通过share函数的copyOnWrite参数来设置,也可以通过setCopyOnwrite函数随时打开或者关闭
## Create x1 with copy-on-write off
x1 <- share(1:4, copyOnWrite = FALSE)
x2 <- x1
## change the value of x2
x2[1] <- 0L
## Both x1 and x2 are affected
x1
#> [1] 0 2 3 4
x2
#> [1] 0 2 3 4
## Enable copy-on-write
## x2 is now independent with x1
setCopyOnWrite(x2, TRUE)
x2[2] <- 0L
## only x2 is affected
x1
#> [1] 0 2 3 4
x2
#> [1] 0 0 3 4
如果你在尝试修改共享对象的时候,将一个高精度的值赋给一个低精度的共享对象上,R会自动进行数据类型转换,将低精度的共享对象变为一个高精度的对象,因此,你实际上修改的将是高精度的普通对象而不是共享对象,即便你将写时拷贝关闭掉,你对它的修改也不会被其他R进程所共享。所以,当你尝试修改一个共享对象时,你需要特别小心共享对象所使用的数据类型。
sharedCopy 参数决定了一个共享对象的拷贝是否仍然是一个共享对象。举例来说
x1 <- share(1:4)
x2 <- x1
## x2 is not shared after the duplication
is.shared(x2)
#> [1] TRUE
x2[1] <- 0L
is.shared(x2)
#> [1] FALSE
x1 <- share(1:4, sharedCopy = TRUE)
x2 <- x1
## x2 is still shared(but different from x1)
## after the duplication
is.shared(x2)
#> [1] TRUE
x2[1] <- 0L
is.shared(x2)
#> [1] TRUE
由于性能上的考虑,默认的设置为sharedCopy=FALSE,不过你可以随时通过setSharedCopy来更改一个共享对象的设置。需要注意的是,sharedCopy只能够在copyOnWrite = TRUE的时候生效。
你可以通过listSharedObjects函数来列出所有的共享对象使用的共享内存编号
listSharedObjects()
#> Id size
#> 1 123749 36
#> 2 123750 80000
#> 3 123753 12
#> 4 123757 16
#> 5 123760 16
#> 6 123761 16
#> 7 123762 36
#> 8 123763 80000
#> 9 123766 12
#> 10 123768 16
#> 11 123769 16
#> 12 123770 16
#> 13 123771 16
#> 14 123772 16
#> 15 123773 16
#> 16 123774 16
对用户来说,这个函数并不会被经常使用,不过如果你遇到了共享内存泄漏的问题,你可以通过freeSharedMemory(ID)手动释放共享内存。
sessionInfo()
#> R version 4.1.0 (2021-05-18)
#> Platform: x86_64-pc-linux-gnu (64-bit)
#> Running under: Ubuntu 20.04.2 LTS
#>
#> Matrix products: default
#> BLAS: /home/biocbuild/bbs-3.13-bioc/R/lib/libRblas.so
#> LAPACK: /home/biocbuild/bbs-3.13-bioc/R/lib/libRlapack.so
#>
#> locale:
#> [1] LC_CTYPE=en_US.UTF-8 LC_NUMERIC=C
#> [3] LC_TIME=en_GB LC_COLLATE=C
#> [5] LC_MONETARY=en_US.UTF-8 LC_MESSAGES=en_US.UTF-8
#> [7] LC_PAPER=en_US.UTF-8 LC_NAME=C
#> [9] LC_ADDRESS=C LC_TELEPHONE=C
#> [11] LC_MEASUREMENT=en_US.UTF-8 LC_IDENTIFICATION=C
#>
#> attached base packages:
#> [1] parallel stats graphics grDevices utils datasets methods
#> [8] base
#>
#> other attached packages:
#> [1] SharedObject_1.6.0 BiocStyle_2.20.0
#>
#> loaded via a namespace (and not attached):
#> [1] Rcpp_1.0.6 bookdown_0.22 digest_0.6.27
#> [4] R6_2.5.0 jsonlite_1.7.2 magrittr_2.0.1
#> [7] evaluate_0.14 stringi_1.6.2 rlang_0.4.11
#> [10] jquerylib_0.1.4 bslib_0.2.5.1 rmarkdown_2.8
#> [13] tools_4.1.0 stringr_1.4.0 xfun_0.23
#> [16] yaml_2.2.1 compiler_4.1.0 BiocGenerics_0.38.0
#> [19] BiocManager_1.30.15 htmltools_0.5.1.1 knitr_1.33
#> [22] sass_0.4.0