Performance

Exemples d'optimisation Catnip : VM mode, JIT compilation et cache.

VM Mode

Le mode VM compile le code en bytecode et l'exécute sur une VM, offrant jusqu'à 192x speedup vs mode AST.

• vm_mode_benchmark.py - benchmark VM vs AST modes

python docs/examples/performance/vm_mode_benchmark.py

Utilisation en CLI :

catnip --vm on script.cat  # ~190x plus rapide sur boucles

JIT Compilation

Le JIT trace-based utilise Cranelift pour compiler les hot loops et hot functions en code natif x86-64.

Support :

• Loops : ints, floats, bools, nested loops, conditional branches
• Speedup typique : 100-200x sur boucles numériques intensives
• Functions (depuis v0.0.3) : fonctions récursives et non-récursives appelées fréquemment
• Speedup typique : 1.1x sur fonctions simples (overhead boxing/unboxing)
• Support récursion : appels récursifs compilés via CallSelf avec re-boxing NaN automatique
• Protection overflow : depth counter avec MAX_RECURSION_DEPTH = 10000
• Fallback gracieux vers interpréteur si profondeur > 10000 (évite crashes)
• Memoization automatique (Phase 4.3) : cache thread_local pour fonctions à 1 paramètre
  • Fibonacci : O(2^n) → O(n) - gain exponentiel
  • Factorial : pas d'amélioration (pas de sous-problèmes qui se chevauchent)
• Meilleur speedup pour fonctions contenant des loops (loop compilée séparément)

Exemple :

• jit_benchmark.py - benchmark JIT loops + functions vs interpreter

python docs/examples/performance/jit_benchmark.py

Utilisation en CLI :

catnip -o jit script.cat  # Active le JIT (loops + functions)

Optimisations

Benchmarks d'analyse et comparaison des différents niveaux et types d'optimisation.

Tail-Call Optimization :

• tail_recursion_benchmark.py - impact TCO et transformation tail→loop
• vm_optimizations_benchmark.py - ForRangeInt et TailRecursionToLoopPass

python docs/examples/performance/tail_recursion_benchmark.py
python docs/examples/performance/vm_optimizations_benchmark.py

Pipeline Comparison :

• pipeline_comparison_benchmark.py - comparaison niveaux d'optimisation et modes d'exécution

python docs/examples/performance/pipeline_comparison_benchmark.py

Résultats typiques :

• VM vs AST : 6-19x speedup (moyenne 6x)
• Niveaux d'optimisation : impact 1-4% (overhead négligeable)

Control Flow Graph (CFG) :

• cfg_benchmark.py - gains des optimisations CFG structurelles

python docs/examples/performance/cfg_benchmark.py

Gains observés :

• Empty block removal : 20-36% réduction blocs
• Loop detection : analyse pour optimisations futures
• Simplification structurelle du flot de contrôle

Cache

• cache_demo.py - tour rapide du cache
• docs/examples/performance/cache_memory_example.py - backend memoire
• docs/examples/performance/cache_disk_example.py - backend disque
• docs/examples/performance/cache_redis_example.py - backend Redis
• docs/examples/performance/cache_comparison.py - comparaison des backends
• docs/examples/performance/memoization_build_script.py - build avec cache
• docs/examples/performance/memoization_dependencies.py - dependances cache
• docs/examples/performance/memoization_python_hooks.py - hooks Python

Prerequis

• Python avec Catnip installe en editable
• Redis requis pour cache_redis_example.py

Lancer

python docs/examples/performance/cache_demo.py
python docs/examples/performance/cache_memory_example.py
python docs/examples/performance/cache_disk_example.py
python docs/examples/performance/cache_redis_example.py
python docs/examples/performance/cache_comparison.py