📊 Performance - Análise Técnica¶

Análise detalhada da performance do B-FAST e comparações com outras soluções de serialização.

🚀 Resultados de Benchmark¶

⚡ Território Sub-Microssegundo (100 Objetos)¶

• Encode (100 objetos): 676 ns (> 1.470.000 ops/s) — 🚀 2.1x mais rápido
• Decode (100 objetos): 754 ns (> 1.320.000 ops/s) — 🚀 2.6x mais rápido

Objetos Simples (10.000)¶

B-FAST é 4.1x mais rápido que orjson!

🌊 Protocolo de Streaming (1.000 frames)¶

🚀 Ultra-baixa latência para IPC, WebSockets, feeds de IA e streaming de eventos!

🔄 Testes Round-Trip¶

Incluindo serialização + transferência de rede + deserialização (10.000 objetos):

📡 100 Mbps (Rede Lenta)¶

🎯 B-FAST é 5.7x mais rápido em redes lentas!

📡 1 Gbps (Rede Rápida)¶

🎯 B-FAST é 2.1x mais rápido mesmo em redes rápidas!

📡 10 Gbps (Rede Ultra-Rápida)¶

🎯 B-FAST permanece competitivo mesmo em redes ultra-rápidas!

🧮 Arrays NumPy¶

Teste especial para dados científicos (8MB):

🚀 B-FAST é 14x mais rápido que orjson! 🚀 B-FAST é 96x mais rápido que JSON!

🎯 Quando Usar B-FAST¶

✅ B-FAST Excele Quando:¶

1. Largura de banda é limitada (mobile, IoT) - 5.7x mais rápido
2. Objetos simples - 4.1x mais rápido que orjson
3. Streaming em tempo real - > 12.500 frames/s com decode instantâneo
4. Arrays NumPy estão envolvidos (ML, ciência de dados) - 14-96x mais rápido
5. Eficiência de armazenamento é importante - 89% de compressão
6. Grandes datasets - Até 5.7x mais rápido em redes lentas

⚠️ Considerar Alternativas Quando:¶

1. Redes ultra-rápidas (10+ Gbps internas) - diferença marginal
2. Compatibilidade de ecossistema é crítica - JSON ainda é padrão
3. Payloads muito pequenos (< 1KB) - overhead de compressão

📈 Características de Performance¶

Escalabilidade Linear¶

A performance do B-FAST escala linearmente com o tamanho dos dados: - 100 objetos: ~6.8 ns por objeto (676 ns total encode) - 1.000 objetos: ~60 ns por objeto (60.1 µs total encode)
- 10.000 objetos: ~230 ns por objeto (2.30 ms total encode)

Eficiência de Memória¶

• Arrays NumPy zero-copy
• Operações de memória alinhadas ao cache
• Compressão eficiente com LZ4

🔬 Otimizações Técnicas¶

Núcleo Nativo em Rust¶

• Execução binária nativa compilada com PyO3
• Inspeção rápida de tipos e serialização direta em buffers
• Suporte nativo a Pydantic & DataFrames sem conversões intermediárias

Compressão¶

• LZ4 integrado
• Descompressão rápida no lado do cliente
• Sem dependências externas necessárias

🌐 Análise de Rede¶

A vantagem do B-FAST aumenta conforme a velocidade da rede diminui:

📊 Metodologia de Benchmark¶

Ambiente de Teste¶

• Dados: 10.000 objetos Pydantic complexos
• Iterações: Múltiplas execuções com warmup
• Rede: Tempos de transferência simulados

Estrutura de Dados de Teste¶

class User(BaseModel):
    id: int
    name: str  
    email: str
    active: bool
    scores: list[float]

Abordagem de Medição¶

• Serialização pura: Apenas tempo de CPU
• Round-trip: Serializar + transferência de rede + deserializar
• Simulação de rede: Cálculos realistas de largura de banda
• Análise estatística: Média de múltiplas execuções

🎯 Conclusão¶

O B-FAST atinge seu objetivo de design de ser a escolha ideal para ambientes com restrição de largura de banda, mantendo performance competitiva de CPU. A redução de 89% no payload combinada com 1.7x de speedup na serialização o torna ideal para aplicações mobile, IoT e intensivas em dados.

📚 Próximos Passos¶

• Solução de Problemas - Guia de troubleshooting
• Frontend - Integração TypeScript
• Início - Voltar ao início