En vivo 18.11 · Cohorte 318 nov, 19:00 MSK — taller práctico gratuito de agentes IA · Cohorte 3 en vivo inicia 23.11Taller 18 nov →Cohorte 3 (23.11)
IndustriaAnálisis · En radarSelectel→ original

Pinterest deja atrás su mosaico de perfiladores y apuesta por gProfiler, el proyecto abierto de Intel

Pinterest atiende a 640 millones de usuarios activos al mes sobre cientos de miles de instancias, con servicios escritos en Java, Python, C++, Go y Node.js. Antes, los equipos recurrían a una combinación de perf, async-profiler y py-spy: los datos estaban fragmentados y comparar perfiles entre lenguajes y máquinas resultaba difícil. Ahora, la compañía ha colaborado con Intel para mejorar gProfiler, de código abierto, y ha aportado los cambios al proyecto original.

Procesado por IA desde Selectel; editado por Hamidun News
Pinterest deja atrás su mosaico de perfiladores y apuesta por gProfiler, el proyecto abierto de Intel
Fuente: Selectel. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalSelectel ↗
Editor jefe
Dato clave #1Un único perfilador sustituye a la combinación de perf, async-profiler y py-spy
Dato clave #2Se han añadido el perfilado dinámico y el perfilado de tiempo transcurrido, o wall-time
Dato clave #3Los gráficos de llamas se generan a partir de contadores de rendimiento del hardware

Cuando tienes cinco servicios escritos en un mismo lenguaje, basta un comando para obtener sus perfiles de rendimiento. Cuando tienes cientos de miles de instancias y cinco lenguajes, el perfilado se convierte en un reto de ingeniería por derecho propio. Ese es el problema al que se enfrentó Pinterest, y su solución resulta interesante: en vez de construir un sistema interno propietario, la compañía adoptó gProfiler, el perfilador de código abierto de Intel, y empezó a ampliarlo.

El problema: muchos lenguajes, muchas herramientas

Estas son las cifras: 640 millones de usuarios activos al mes y cientos de miles de instancias de cómputo. Los servicios están escritos en Java, Python, C++, Go y Node.js. Los ingenieros tenían una herramienta habitual para cada lenguaje: perf para código nativo, async-profiler para la JVM y py-spy para Python.

Por separado, todas funcionan bien. Juntas, generan un lío. Los formatos de datos son distintos, las formas de ejecutarlas también, y reconstruir una visión conjunta de una cadena como «pasarela en Node.js, backend en Java, biblioteca en C++» exige trabajo manual. Tampoco es sencillo comparar el perfil de un servicio entre distintas máquinas o distintos días si las capturas se han obtenido con herramientas diferentes.

Para el equipo de infraestructura, no es un problema meramente académico. Los perfiles sirven para entender en qué se gasta el presupuesto de hardware y detectar regresiones después de un lanzamiento. Si los datos están fragmentados, responder a esas preguntas lleva más tiempo y ofrece menos certezas.

Qué han cambiado en gProfiler

gProfiler es un perfilador continuo de código abierto. Se ejecuta como agente en cada máquina, recopila perfiles de varios lenguajes y presenta los resultados en gráficos de llamas. Pinterest ha colaborado con Intel para ampliar sus capacidades y ha devuelto las mejoras al proyecto de código abierto. Entre ellas:

  • Perfilado dinámico. Permite activar y configurar el perfilado durante la ejecución, sin tener que mantenerlo activo de forma permanente en todas las máquinas.
  • Recopilación de telemetría a nivel de hardware. El perfilador registra tanto dónde pasa el tiempo el código como los datos de los contadores del procesador.
  • Perfilado wall-time. Muestra dónde pasa tiempo esperando un hilo, además de dónde utiliza el procesador.
  • Gráficos de llamas basados en contadores de rendimiento. Permiten representar eventos de hardware en lugar del habitual eje de «tiempo de CPU».

La diferencia entre tiempo de CPU y tiempo transcurrido se entiende mejor con un ejemplo. Supongamos que un endpoint responde en 300 ms, pero el perfil de CPU muestra solo 40 ms de actividad del procesador. ¿Dónde han ido los otros 260 ms? Lo más probable es que el hilo esté esperando una respuesta de la base de datos, de la red o la liberación de un bloqueo. El perfil de CPU no mostrará esa parte en absoluto; el perfil wall-time la revelará de inmediato.

Los contadores de rendimiento permiten profundizar más. Dos funciones pueden tardar lo mismo, pero una de ellas puede sufrir fallos de caché del procesador constantemente. Un perfil convencional no permitirá distinguirlas; uno basado en eventos de hardware, sí.

Qué importa aquí y qué no sabemos

El anuncio original no aporta cifras sobre cuántos recursos de cómputo se han ahorrado, cuánto más rápido se detectan las regresiones ni cuántas instancias se han migrado ya. Por tanto, es pronto para hablar de un impacto medible. Se trata más de una declaración de rumbo arquitectónico que de un informe de resultados.

Aun así, la elección es reveladora. Una compañía de este tamaño podría haber construido su propia plataforma, pero ha preferido un proyecto abierto y le ha devuelto sus mejoras. Los demás salen ganando: las mejoras del perfilado dinámico y wall-time estarán disponibles para cualquiera que utilice gProfiler.

Qué hacer en la práctica

  1. Haz inventario de tus herramientas. Si utilizas más de dos lenguajes en producción y más de dos perfiladores distintos, tienes el mismo problema, aunque a menor escala.
  2. Prueba gProfiler en un entorno de pruebas. Es un proyecto de código abierto pensado precisamente para el perfilado continuo sin modificar el código de los servicios.
  3. Incorpora el perfilado wall-time a tu rutina. Si un servicio «va lento, pero la CPU está libre», es justo lo que necesitas.
  4. Sigue la evolución del proyecto original. Se espera que las mejoras de Pinterest e Intel lleguen al repositorio principal, y conviene comprobar cuáles están ya disponibles en las versiones publicadas.

La conclusión principal es sencilla: a gran escala, un perfilador unificado importa más que la herramienta perfecta para cada lenguaje. Disponer de datos comparables de todo el parque de máquinas aporta más que obtener la máxima precisión en un único servicio.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre El problema: muchos lenguajes, muchas herramientas?

Estas son las cifras: 640 millones de usuarios activos al mes y cientos de miles de instancias de cómputo. Los servicios están escritos en Java, Python, C++, Go y Node.js. Los ingenieros tenían una herramienta habitual para cada lenguaje: perf para código nativo, async-profiler para la JVM y py-spy para Python. Por separado, todas funcionan bien. Juntas, generan un lío.

¿Qué se sabe sobre Qué han cambiado en gProfiler?

gProfiler es un perfilador continuo de código abierto. Se ejecuta como agente en cada máquina, recopila perfiles de varios lenguajes y presenta los resultados en gráficos de llamas. Pinterest ha colaborado con Intel para ampliar sus capacidades y ha devuelto las mejoras al proyecto de código abierto. Entre ellas: Perfilado dinámico. Permite activar y configurar el perfilado durante la ejecución, sin tener que mantenerlo activo de forma permanente en todas las máquinas.

¿Qué se sabe sobre Qué importa aquí y qué no sabemos?

El anuncio original no aporta cifras sobre cuántos recursos de cómputo se han ahorrado, cuánto más rápido se detectan las regresiones ni cuántas instancias se han migrado ya. Por tanto, es pronto para hablar de un impacto medible. Se trata más de una declaración de rumbo arquitectónico que de un informe de resultados. Aun así, la elección es reveladora. Una compañía de este tamaño podría haber construido su propia plataforma, pero ha preferido un proyecto abierto y le ha devuelto sus mejoras.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…