求助：在Ubuntu RStudio Workbench中实现R函数时间与CPU使用率基准测试

bench::mark确实只专注于执行时间、内存分配等指标，无法直接获取CPU使用率。在Ubuntu的RStudio Workbench环境下，你可以通过以下两种方案实现同时测试执行时间和最大CPU使用率：

方案一：使用processx包启动子进程监控 #

通过processx创建独立子进程执行目标函数，实时监控子进程的CPU使用情况，同时记录执行时间。这种方式能避免监控到RStudio主进程的CPU干扰，结果更准确。

代码示例 #

library(processx)
library(bench)

# 定义你要测试的目标函数
my_test_func <- function() {
  # 示例计算：模拟CPU密集型任务
  x <- matrix(rnorm(1e7), ncol = 100)
  svd(x)
}

# 封装基准测试函数：返回执行时间和最大CPU使用率
benchmark_with_cpu <- function(target_func) {
  # 生成临时R脚本，用于子进程执行
  temp_script <- tempfile(fileext = ".R")
  result_file <- tempfile(fileext = ".rds")
  
  writeLines(
    sprintf(
      'result <- %s(); saveRDS(result, "%s")',
      deparse(substitute(target_func)),
      result_file
    ),
    temp_script
  )
  
  # 启动子进程执行脚本
  proc <- process$new(
    command = R.home("bin/R"),
    args = c("--slave", "-f", temp_script),
    stdout = "|",
    stderr = "|"
  )
  
  max_cpu <- 0
  # 循环监控子进程的CPU使用率
  while (proc$is_alive()) {
    proc$wait(0.1)  # 每0.1秒采样一次
    cpu_times <- proc$get_cpu_times()
    elapsed <- proc$get_elapsed_time()
    
    if (elapsed > 0) {
      # 计算当前CPU使用率（(用户态+内核态时间)/已运行时间 * 100）
      current_cpu <- (cpu_times$user + cpu_times$system) / elapsed * 100
      if (current_cpu > max_cpu) max_cpu <- current_cpu
    }
  }
  
  # 获取总执行时间
  total_time <- proc$get_elapsed_time()
  # 清理临时文件
  unlink(c(temp_script, result_file))
  
  list(
    elapsed_time_sec = round(total_time, 3),
    max_cpu_percent = round(max_cpu, 2),
    exit_status = proc$get_exit_status()
  )
}

# 运行测试
test_result <- benchmark_with_cpu(my_test_func)
print(test_result)

# 如需更精准的时间统计，可结合bench::mark的结果
bench_time_result <- bench::mark(my_test_func(), iterations = 3)
print(bench_time_result)

方案二：使用ps包监控当前进程CPU #

ps包可以直接获取当前R进程的CPU使用率，通过后台采样的方式记录执行期间的最大值。这种方式无需创建子进程，但要注意RStudio Workbench环境中，主进程可能包含RStudio本身的CPU开销，建议在测试时尽量关闭其他无关任务。

代码示例 #

library(ps)
library(bench)
library(parallel)

# 目标测试函数
my_test_func <- function() {
  x <- 1:1e6
  y <- lapply(x, function(i) sum(rnorm(1e3)))
  mean(unlist(y))
}

# 封装带CPU监控的基准测试
bench_with_cpu_ps <- function(target_func, sample_interval = 0.05) {
  current_pid <- Sys.getpid()
  proc_handle <- ps_handle(current_pid)
  
  max_cpu <- 0
  start_time <- Sys.time()
  
  # 启动后台线程监控CPU
  monitor_thread <- mcparallel({
    while (ps_is_running(proc_handle)) {
      current_cpu <- ps_cpu_percent(proc_handle)
      if (current_cpu > max_cpu) max_cpu <<- current_cpu
      Sys.sleep(sample_interval)
    }
  })
  
  # 执行目标函数
  func_output <- target_func()
  
  # 等待监控线程结束
  mccollect(monitor_thread)
  
  total_time <- as.numeric(difftime(Sys.time(), start_time, units = "secs"))
  
  list(
    elapsed_time_sec = round(total_time, 3),
    max_cpu_percent = round(max_cpu, 2),
    function_result = func_output
  )
}

# 运行测试
ps_test_result <- bench_with_cpu_ps(my_test_func)
print(ps_test_result)

注意事项 #

• 采样间隔越小，CPU使用率的监控越精准，但会增加少量额外开销，可根据任务类型调整（CPU密集型任务可适当增大间隔）。
• 在RStudio Workbench中，使用子进程方案（方案一）能有效隔离RStudio主进程的CPU干扰，结果更可靠。
• 若需要多次迭代取平均值，可在封装函数中添加循环逻辑，结合bench::mark的迭代机制。

内容的提问来源于stack exchange，提问作者Ai4l2s