pjt222/optimize-shiny-performance

Shiny-Performance optimieren

Shiny-App-Engpässe identifizieren und beheben durch systematisches Profiling und gezielte Optimierungen.

Wann verwenden

• App reagiert langsam auf User-Inputs
• Mehrere gleichzeitige Nutzer bedient werden sollen
• Berechnungen Sekunden dauern und UI blockieren
• Hohe Server-CPU oder RAM-Nutzung beobachtet wird

Eingaben

• Erforderlich: Laufende Shiny-App mit messbaren Performance-Problemen
• Optional: Profiling-Ziele (spezifische Inputs oder Szenarien)
• Optional: Ziel-Nutzeranzahl (für Last-Tests)

Vorgehensweise

Schritt 1: Performance mit profvis profilieren

Engpässe identifizieren, bevor optimiert wird.

install.packages("profvis")
library(profvis)

# App-Code profilieren
profvis({
  # App-Session simulieren
  shinyApp(ui, server)
}, interval = 0.01)

# Oder spezifische Funktion profilieren
profvis({
  result <- expensive_computation(data)
})

In profvis-Flammendiagramm nach suchen:

• Breiten Balken = viel Zeit verbracht
• Tief verschachtelte Calls = potenzielle Optimierungspunkte
• R-interne Funktionen (hellgrau) = wenig optimierbar

# Einzelne Funktion zeitmessen
system.time({
  result <- slow_function(large_data)
})

Erwartet: Profiling-Ergebnis zeigt Flammendiagramm. Langsame Funktionen identifiziert.

Bei Fehler: Wenn profvis App nicht öffnen kann, profvis({ source("app.R") }) verwenden, oder Profiling auf einzelne Funktionen beschränken.

Schritt 2: Reaktive Berechnungen optimieren

Unnötige Re-Evaluierungen reaktiver Ausdrücke verhindern.

# Schlecht: Daten bei jedem Input-Change neu laden
server <- function(input, output, session) {
  output$plot <- renderPlot({
    data <- read.csv("large_data.csv")  # Jedes Mal neu laden!
    filter(data, category == input$category) |>
      ggplot(aes(x, y)) + geom_point()
  })
}

# Besser: Daten einmal laden, Filtering reaktiv halten
server <- function(input, output, session) {
  # Einmal laden beim App-Start
  data <- read.csv("large_data.csv")

  filtered_data <- reactive({
    filter(data, category == input$category)
  })

  output$plot <- renderPlot({
    ggplot(filtered_data(), aes(x, y)) + geom_point()
  })
}

Reaktive Abhängigkeiten minimieren:

# Übermäßige Reaktivität: plot re-rendert bei JEDER Input-Änderung
output$plot <- renderPlot({
  # input$color, input$size, input$title — alle trigger re-render
  plot(data, col = input$color, cex = input$size, main = input$title)
})

# Besser: Nur bei relevanten Input-Änderungen neu rendern
plot_data <- reactive({
  # Nur Datentransformationen hier
  prepare_plot_data(data, input$filter)
})

output$plot <- renderPlot({
  # Rendering vom Styling trennen
  p <- base_plot(plot_data())
  p + theme_custom(input$color, input$size, input$title)
})

Erwartet: Reduzierte Anzahl unnötiger Berechnungen. Reaktive Graph kleiner und klarer.

Bei Fehler: Wenn nach Optimierung falsche Daten angezeigt werden, reaktive Abhängigkeiten mit reactlog::reactlog_enable() visualisieren.

Schritt 3: Output-Caching mit bindCache

Teure Berechnungen cachen, die sich selten ändern.

library(shiny)

server <- function(input, output, session) {
  # Plot-Output cachen
  output$expensive_plot <- renderPlot({
    Sys.sleep(2)  # Zeitintensive Berechnung simulieren
    create_complex_plot(input$dataset, input$year)
  }) |>
    bindCache(input$dataset, input$year)  # Cache-Schlüssel

  # Reaktiven Wert cachen
  expensive_result <- reactive({
    run_model(input$params)
  }) |>
    bindCache(input$params)

  # Cache auf Disk (persistent über App-Neustarts)
  output$persistent_plot <- renderPlot({
    generate_report_chart(input$report_id)
  }) |>
    bindCache(input$report_id, cache = cachem::cache_disk("./cache"))
}

Cache-Strategie wählen:

• cachem::cache_mem() — In-Memory (Standard, App-Lebensdauer)
• cachem::cache_disk() — Auf Disk (persistent über Neustarts)
• Globaler Cache mit shinyOptions(cache = cachem::cache_mem(max_size = 500e6))

Erwartet: Erster Aufruf langsam, nachfolgende Aufrufe mit denselben Inputs sofort. Cache-Trefferrate in Logs sichtbar.

Bei Fehler: Wenn gecachte Daten veraltet sind, Cache-Schlüssel um Timestamp oder Datenversion erweitern: bindCache(input$id, file.mtime("data.csv")).

Schritt 4: Asynchrone Operationen für lange Tasks

Hintergrundtasks implementieren, um UI-Blocking zu vermeiden.

install.packages(c("future", "promises"))

library(future)
library(promises)

# Worker-Pool einrichten
plan(multisession, workers = 4)

server <- function(input, output, session) {
  # Asynchrone Berechnung
  result <- eventReactive(input$run, {
    future_promise({
      # Dieser Code läuft in Hintergrund-Worker
      Sys.sleep(5)  # Lange Berechnung
      run_analysis(isolate(input$params))
    })
  })

  # Output rendert nach Promise-Auflösung
  output$result_table <- renderTable({
    result()  # Automatisch auf Promise warten
  })

  # Fortschritt anzeigen (mit shiny::withProgress)
  output$progress_plot <- renderPlot({
    req(result())
    plot_results(result())
  })
}

Für Shiny mit ExtendedTask (Shiny 1.8.1+):

long_task <- ExtendedTask$new(function(params) {
  future_promise({
    run_long_analysis(params)
  })
})

observeEvent(input$run, {
  long_task$invoke(input$params)
})

output$result <- renderTable({
  long_task$result()
})

Erwartet: UI bleibt während Hintergrundberechnung responsiv. Andere Nutzer nicht blockiert.

Bei Fehler: Wenn plan(multisession) fehlschlägt in Windows/WSL, plan(multicore) versuchen. Wenn Promises nicht auflösen, then()-Kette auf korrekte Verkettung prüfen.

Schritt 5: Datenladen optimieren

Datei-I/O und Datenbankabfragen optimieren.

# Strategie 1: Daten einmalig beim App-Start laden (außerhalb Server-Funktion)
# Diese Daten werden über alle Sessions geteilt
large_dataset <- readRDS("data/processed_data.rds")

# Strategie 2: Lazy Loading für selten genutzte Daten
get_data <- local({
  cache <- NULL
  function() {
    if (is.null(cache)) {
      cache <<- read.csv("large_file.csv")
    }
    cache
  }
})

# Strategie 3: Paginierung für große Tabellen
server <- function(input, output, session) {
  output$big_table <- renderDT({
    # Nur aktuelle Seite laden statt alle Daten
    DT::datatable(
      large_dataset,
      options = list(
        pageLength = 25,
        processing = TRUE,
        serverSide = TRUE  # Server-seitige Paginierung
      )
    )
  })
}

Erwartet: Datenladen deutlich schneller. App-Start-Zeit reduziert.

Bei Fehler: Wenn geteilte Daten zu Concurrency-Problemen führen, sicherstellen, dass Daten nur gelesen werden (nicht verändert). Schreibzugriff erfordert reaktive Isolation per Session.

Schritt 6: UI-Rendering und Netzwerk optimieren

Rendering-Performance auf Client-Seite verbessern.

# Große Plots lazy rendern
output$heavy_plot <- renderPlot({
  req(input$show_plot)  # Nur rendern wenn explizit angefordert
  create_complex_visualization(data)
}) |>
  bindCache(input$show_plot, input$params)

# UI-Updates bündeln
observeEvent(input$bulk_update, {
  # Alle UI-Updates in einer Session-Runde
  freezeReactiveValue(input, "filter1")
  freezeReactiveValue(input, "filter2")
  updateSelectInput(session, "filter1", choices = new_choices1)
  updateSelectInput(session, "filter2", choices = new_choices2)
})

# Große Tabellen mit DT statt renderTable
output$table <- DT::renderDT({
  DT::datatable(large_data, options = list(dom = 'tp', pageLength = 10))
})

Erwartet: UI-Rendering schneller. Weniger Netzwerk-Round-Trips zwischen Client und Server.

Bei Fehler: Wenn Plots langsam sind trotz Caching, Plot-Auflösung reduzieren: renderPlot(..., res = 72) statt Standard 96 dpi.

Validierung

• [ ] profvis identifiziert Haupt-Engpässe
• [ ] Reaktive Ausdrücke nur wenn nötig neu evaluiert
• [ ] bindCache() reduziert Berechnungszeit für wiederholte Inputs
• [ ] Asynchrone Tasks blockieren UI nicht
• [ ] Datenladen außerhalb Session für geteilte Daten
• [ ] Profiling nach Optimierung zeigt messbare Verbesserung

Haeufige Stolperfallen

• Vorzeitige Optimierung: Immer zuerst profilieren. Ohne Profiling wird oft der falsche Code optimiert.
• Geteilte Mutable State: Globale Variablen, die zwischen Sessions geteilt werden, verursachen Race Conditions. Nur immutable Daten global teilen.
• Cache-Invalidierung: Gecachte Plots werden nicht automatisch bei Datenänderungen invalidiert — Cache-Schlüssel müssen Datenversionen einschließen.
• future in observe: Futures innerhalb von observe() ohne promises sind nicht sicher. Immer future_promise() mit then() oder %...>% Pipe verwenden.
• Over-Isolierung: Zu viele isolate()-Aufrufe unterbrechen reaktive Kette und führen zu veralteten Daten.
• Render-Debouncing: Bei sehr schnellen Input-Änderungen (z. B. Slider) debounce() oder throttle() verwenden, um unnötige Re-Renders zu vermeiden.

Verwandte Skills

• build-shiny-module — Modulstruktur hilft beim Isolieren und Optimieren von Komponenten
• deploy-shiny-app — Optimierte App deployen
• deploy-shinyproxy — Multi-Worker-Setup für Skalierung