Shinyパフォーマンスの最適化
キャッシング、非同期操作、リアクティブグラフの最適化を通じてShinyアプリケーションのパフォーマンスをプロファイルし、診断し、最適化します。
使用タイミング
- Shinyアプリがユーザーインタラクション中に遅くまたは応答しないと感じるとき
- 同時ユーザー負荷でサーバーリソースが枯渇するとき
- 特定の操作(データ読み込み、プロット作成、計算)がボトルネックを生じさせるとき
- 多くのユーザーを持つ本番デプロイメント用にアプリを準備するとき
入力
- 必須: Shinyアプリケーションへのパス
- 必須: パフォーマンス問題の説明(読み込みが遅い、インタラクションが遅延する、メモリが高い)
- オプション: 予想される同時ユーザー数
- オプション: 利用可能なサーバーリソース(RAM、CPUコア)
- オプション: アプリがデータベースまたは外部APIを使用するか
手順
ステップ1: アプリケーションのプロファイリング
# Profile with profvis
profvis::profvis({
shiny::runApp("path/to/app", display.mode = "normal")
})
# Or profile specific operations
profvis::profvis({
result <- expensive_computation(data)
})
主要なボトルネックを特定します:
- データ読み込み: 初期データフェッチにどれくらいかかるか?
- リアクティブの再計算: どのリアクティブが最も頻繁に発火するか?
- レンダリング: どの出力のレンダリングに最も時間がかかるか?
- 外部呼び出し: データベースクエリ、APIリクエスト、ファイルI/O?
リアクティブグラフ分析にリアクティブログを使用します:
# Enable reactive logging
options(shiny.reactlog = TRUE)
shiny::runApp("path/to/app")
# Press Ctrl+F3 in the browser to view the reactive graph
期待結果: 2〜3の最大のボトルネックが明確に特定されます。
失敗時: profvisが有用な詳細を表示しない場合は、特定のセクションをprofvis::profvis()でラップしてください。reactlogが圧倒的な場合は、一度に1つのインタラクションに集中してください。
ステップ2: リアクティブグラフの最適化
不要なリアクティブの無効化を減らします:
# BAD: Recomputes on ANY input change
output$plot <- renderPlot({
data <- load_data() # Runs every time
filtered <- data[data$category == input$category, ]
plot(filtered)
})
# GOOD: Isolate data loading from filtering
raw_data <- reactive({
load_data()
}) |> bindCache() # Cache the expensive part
filtered_data <- reactive({
raw_data()[raw_data()$category == input$category, ]
})
output$plot <- renderPlot({
plot(filtered_data())
})
不要な無効化を防ぐためにisolate()を使用します:
# Only recompute when the button is clicked, not on every input change
output$result <- renderText({
input$compute # Take dependency on button
isolate({
paste("N =", input$n, "Mean =", mean(rnorm(input$n)))
})
})
高頻度の入力にはdebounce()とthrottle()を使用します:
# Debounce text input — wait 500ms after user stops typing
search_text <- reactive(input$search) |> debounce(500)
# Throttle slider — update at most every 250ms
slider_value <- reactive(input$slider) |> throttle(250)
期待結果: リアクティブグラフが必要な再計算のみを発火します。
失敗時: 依存関係を削除すると機能が壊れる場合は、暗黙的なリアクティブ依存関係に頼る代わりにreq()を使って明示的なガードを追加してください。
ステップ3: キャッシングの実装
Shiny出力用のbindCache
output$plot <- renderPlot({
create_expensive_plot(filtered_data())
}) |> bindCache(input$category, input$date_range)
output$table <- renderDT({
expensive_query(input$filters)
}) |> bindCache(input$filters)
bindCacheは入力値をキャッシュキーとして使用します。同じ入力が再び発生すると、キャッシュされた結果がすぐに返されます。
関数用のmemoise
# Cache expensive function results
load_reference_data <- memoise::memoise(
function(dataset_name) {
readr::read_csv(paste0("data/", dataset_name, ".csv"))
},
cache = cachem::cache_disk("cache/", max_age = 3600)
)
アプリレベルのデータ事前計算
# In global.R or outside server function — computed once at app startup
reference_data <- readr::read_csv("data/reference.csv")
model <- readRDS("models/trained_model.rds")
server <- function(input, output, session) {
# reference_data and model are available to all sessions
# without reloading
}
期待結果: 繰り返しの操作がキャッシュされた結果を使用し、応答時間が大幅に短縮されます。
失敗時: キャッシュが大きくなりすぎる場合はmax_ageまたはmax_sizeの制限を設定してください。キャッシュされた値が古い場合はmax_ageを減らすかキャッシュクリアボタンを追加してください。bindCacheがエラーを引き起こす場合は、キャッシュキーの入力がシリアライズ可能であることを確認してください。
ステップ4: 長時間操作への非同期処理の追加
長時間実行される計算にはExtendedTask(Shiny >= 1.8.1)を使用します:
server <- function(input, output, session) {
# Define the extended task
analysis_task <- ExtendedTask$new(function(data, params) {
promises::future_promise({
# This runs in a background process
run_heavy_analysis(data, params)
})
}) |> bind_task_button("run_analysis")
# Trigger the task
observeEvent(input$run_analysis, {
analysis_task$invoke(dataset(), input$params)
})
# Use the result
output$result <- renderTable({
analysis_task$result()
})
}
Shiny < 1.8.1のアプリにはpromisesを直接使用します:
library(promises)
library(future)
plan(multisession, workers = 4)
server <- function(input, output, session) {
result <- eventReactive(input$compute, {
future_promise({
Sys.sleep(5) # Simulate long computation
expensive_analysis(isolate(input$params))
})
})
output$table <- renderTable({
result()
})
}
期待結果: 長時間操作がUIをブロックしない。計算実行中に他のユーザーがインタラクションできます。
失敗時: future_promiseがエラーになる場合はplan(multisession)が設定されているか確認してください。futureで変数が利用できない場合は明示的に渡してください — futureは別のRプロセスで実行されます。
ステップ5: レンダリングの最適化
レンダリングのオーバーヘッドを削減します:
# Use plotly for interactive plots instead of re-rendering
output$plot <- plotly::renderPlotly({
plotly::plot_ly(filtered_data(), x = ~x, y = ~y, type = "scatter")
})
# Use server-side DT for large tables
output$table <- DT::renderDataTable({
DT::datatable(large_data(), server = TRUE, options = list(
pageLength = 25,
processing = TRUE
))
})
# Conditional UI to avoid rendering hidden elements
output$details <- renderUI({
req(input$show_details)
expensive_details_ui()
})
期待結果: レンダリング操作が高速化され、UIをブロックしません。
失敗時: plotlyが大きなデータセットで遅い場合は、WebGLレンダリングにtoWebGL()を使用するか、プロット前にデータをダウンサンプリングしてください。
ステップ6: パフォーマンス改善の検証
# Before/after benchmarking
system.time({
shiny::testServer(myModuleServer, args = list(...), {
session$setInputs(category = "A")
session$flushReact()
})
})
# Load testing with shinyloadtest
shinyloadtest::record_session("http://localhost:3838")
shinyloadtest::shinycannon(
"recording.log",
"http://localhost:3838",
workers = 10,
loaded_duration_minutes = 5
)
shinyloadtest::shinyloadtest_report("recording.log")
期待結果: 応答時間および/または同時ユーザー容量の測定可能な改善。
失敗時: パフォーマンスが改善されなかった場合は、次のボトルネックを見つけるために再プロファイルしてください。パフォーマンス最適化は反復的です — まず最大のボトルネックを修正し、次に再測定してください。
バリデーション
- プロファイリングが特定のボトルネックを特定する(推測ではない)
- リアクティブグラフに不要な無効化チェーンがない
- 高価な操作がキャッシングを使用する(bindCacheまたはmemoise)
- 長時間実行される計算が非同期処理を使用する(ExtendedTaskまたはpromises)
- 高頻度の入力がdebounce/throttleを使用する
- 大きなデータセットがサーバーサイド処理を使用する
- パフォーマンス改善が測定可能(ビフォー/アフターのタイミング)
よくある落とし穴
- 早期最適化: 最初にプロファイルしてください。ボトルネックはあなたが思っている場所にはほとんどありません。
- キャッシュ無効化のバグ: ユーザーが古いデータを見る場合は、キャッシュキーに関連するすべての入力が含まれていません。
bindCache()に欠けている依存関係を追加してください。 - futureの変数スコーピング:
future_promiseは別のプロセスで実行されます。グローバル変数、データベース接続、リアクティブな値は明示的にキャプチャする必要があります。 - リアクティブスパゲッティ: リアクティブグラフが複雑すぎて理解できない場合、アプリにはキャッシングではなくアーキテクチャのリファクタリング(モジュール)が必要です。
- 過剰なキャッシング: すべてをキャッシュするとメモリを無駄にします。高価でかつ繰り返しの入力パターンを持つ操作のみキャッシュしてください。
関連スキル
build-shiny-module— 保守可能なリアクティブコードのためのモジュラーアーキテクチャscaffold-shiny-app— 最初から適切なアプリフレームワークを選択するdeploy-shiny-app— 適切なサーバーリソースで最適化されたアプリをデプロイするtest-shiny-app— パフォーマンスリグレッションテスト