Seminar Flask Performance, Caching und Skalierung

Leistungsprobleme entstehen häufig außerhalb der eigentlichen View-Funktion: in Datenbankabfragen, externen Aufrufen, falschen Worker-Einstellungen, großen Objekten oder unkontrollierten Cache-Strategien. Optimierung beginnt deshalb mit Messbarkeit.

Das Seminar verbindet Profiling, ORM-Analyse, Caching, Worker-Dimensionierung und realistische Lasttests. Jede Änderung wird mit identischer Ausgangslast gemessen und auf Nebenwirkungen geprüft.

Inhaltsübersicht

1. Messstrategie und Profiling
2. Datenbank- und ORM-Optimierung
3. Caching und Invalidierungsstrategien
4. Worker-Modell und horizontale Skalierung
5. Lasttests und Kapazitätsgrenzen
6. Metriken, Tracing und Anwendungsdiagnose
7. Queue-Betrieb, Monitoring und Kapazität
8. Praxisprojekt und Wissenssicherung

Lernziele

• Reproduzierbare Leistungsziele und Messszenarien definieren.
• CPU-, I/O- und Datenbankengpässe voneinander unterscheiden.
• Cachekandidaten und Invalidierungsregeln fachlich korrekt auswählen.
• Worker und horizontale Instanzen anhand gemessener Last dimensionieren.
• Kapazitätsgrenzen mit realistischen Lasttests nachweisen.

Zielgruppe

Erfahrene Flask-Entwickler, Performance Engineers, SRE- und Betriebsteams mit Latenz-, Durchsatz- oder Kapazitätsproblemen.

Voraussetzungen

Gute Flask-Kenntnisse, Erfahrung mit Datenbanken und Produktionsbetrieb. Grundlagen zu Metriken und Lasttests sind hilfreich.

Seminarinhalte

1. Messstrategie und Profiling

Optimierungen beginnen mit reproduzierbaren Messungen statt mit Vermutungen.

1. Schritt 1: Relevante Nutzerpfade, Lastprofile und Zielwerte festlegen.
2. Schritt 2: Request-Latenzen, CPU-Zeit, Speicher und externe Wartezeiten getrennt erfassen.
3. Schritt 3: Profiler in einer sicheren Testumgebung einsetzen und Hotspots priorisieren.
4. Schritt 4: Vorher-Nachher-Messung mit identischen Daten und Lastbedingungen durchführen.

2. Datenbank- und ORM-Optimierung

Abfragen werden anhand realer Ausführungspläne und Zugriffsprofile verbessert.

1. Schritt 1: Langsame Abfragen und N+1-Zugriffe über Logging beziehungsweise Tracing identifizieren.
2. Schritt 2: Ladeoptionen, Pagination und gezielte Spaltenauswahl einsetzen.
3. Schritt 3: Indizes aus Filter-, Join- und Sortiermustern ableiten und mit Ausführungsplänen prüfen.
4. Schritt 4: Transaktionsdauer und Poolauslastung unter paralleler Last messen.

3. Caching und Invalidierungsstrategien

Caches werden nur für klar definierte Daten, Lebensdauern und Konsistenzanforderungen eingesetzt.

1. Schritt 1: Cachekandidaten anhand Berechnungskosten, Änderungsrate und Nutzerwirkung auswählen.
2. Schritt 2: Schlüssel, TTL, Mandantenbezug und maximale Größe festlegen.
3. Schritt 3: Cache-Aside, gezielte Invalidierung und Schutz vor Cache Stampede implementieren.
4. Schritt 4: Trefferquote, veraltete Daten und Ausfall des Cache-Backends testen.

4. Worker-Modell und horizontale Skalierung

Prozesse, Threads und Instanzen werden anhand von CPU-, I/O- und Speicherprofil dimensioniert.

1. Schritt 1: Synchrones, Thread- und asynchrones Worker-Verhalten für den Anwendungsfall vergleichen.
2. Schritt 2: Startwert für Worker und Threads festlegen und mit Lasttests verifizieren.
3. Schritt 3: Sitzungs-, Datei- und Cachezustand für mehrere Instanzen externalisieren.
4. Schritt 4: Überlastschutz, Warteschlangen und kontrollierte Degradation definieren.

5. Lasttests und Kapazitätsgrenzen

Die Anwendung wird mit realistischen Szenarien bis zu klar erkennbaren Sättigungspunkten geprüft.

1. Schritt 1: Nutzerpfade, Denkzeiten, Datenvariation und Anlaufphase modellieren.
2. Schritt 2: Baseline, Ziel- und Stresstest mit identischer Telemetrie durchführen.
3. Schritt 3: Fehlerquote, Perzentile, Ressourcen und Abhängigkeiten gemeinsam auswerten.
4. Schritt 4: Kapazitätsannahmen, Sicherheitsreserve und nächste Optimierung dokumentieren.

6. Metriken, Tracing und Anwendungsdiagnose

Latenz, Durchsatz, Fehler und Abhängigkeiten werden messbar gemacht, ohne unnötige Kardinalität zu erzeugen.

1. Schritt 1: Golden Signals und fachliche Kennzahlen für die Anwendung festlegen.
2. Schritt 2: Metriken an Request-Grenzen und kritischen Services erfassen.
3. Schritt 3: Trace-Kontext über HTTP-, Datenbank- und Queue-Grenzen weitergeben.
4. Schritt 4: Dashboards anhand realer Betriebsfragen statt dekorativer Diagramme strukturieren.

7. Queue-Betrieb, Monitoring und Kapazität

Warteschlangen werden nach Priorität, Laufzeit und Fehlerverhalten beobachtet und dimensioniert.

1. Schritt 1: Queues nach Arbeitsart und Priorität trennen, ohne unnötige Fragmentierung.
2. Schritt 2: Wartelänge, Laufzeit, Fehlerrate und Retry-Anteil als Metriken erfassen.
3. Schritt 3: Dead-Letter- beziehungsweise Fehlerablage und kontrollierte Wiederaufnahme definieren.
4. Schritt 4: Workerzahl und Vorabruf anhand gemessener Last einstellen.

Praxisprojekt

Eine absichtlich langsame Anwendung wird profiliert. Nacheinander werden Abfrageverhalten, Cache, Workerzahl und Skalierung verbessert. Jeder Schritt wird mit denselben Lastszenarien und Telemetriedaten bewertet.

Methodik

Kurze fachliche Einordnungen wechseln mit Demonstrationen, geführten Umsetzungen, Fehleranalysen und eigenständigen Übungen. Jede größere Änderung wird durch einen Test, eine Diagnose oder eine betriebliche Prüfroutine abgesichert. Die Arbeitsstände werden schrittweise zu einem durchgängigen Beispielprojekt zusammengeführt.