Loading...
墨滴

稀饭

2021/06/20  阅读:56  主题:全栈蓝

肥肥的主管和帅气的小饭饭讨论了一下午的ForkJoinPool

肥肥的主管: 小饭饭,了解ForkJoinPool吗

帅气的小饭饭: 了解啊,Caffeine中默认用到的处理线程池就是这个

肥肥的主管: 和ThreadPoolExecutor有什么区别吗?

帅气的小饭饭: (⊙o⊙)…,这个没了解

肥肥的主管: 有什么应用场景吗?能引入我们的游戏中吗?有什么弊端吗?

帅气的小饭饭: (⊙o⊙)…,我周末研究下

以上就是我,帅气的小饭饭被小肥肥刁难的日常了。

image-20210620115400862
image-20210620115400862

每次看到这个,总会邪恶的想到FuckXXX的。

其实好久前就知道这个FuckXXX了,比如Caffeine、Netty中默认提供的线程池,只是一直没有去研究它。

过了个周末,我李汉三终于搞懂了ForkJoinPool了,终于可以和小肥肥正面肝上了

image-20210620154701046
image-20210620154701046

看完该篇文章你大概可以了解到这些知识点:

  • ForkJoinPool是什么

  • 和ThreadPoolExecutor有什么区别

  • 应用场景是啥

  • 好处和弊端

  • 常见面试题

小肥肥: 周末不是研究了下ForkJoinPool吗?说说看是啥东西啊这?

*帅气的小饭饭: * 是啊是啊,可卖力了,现在已经研究透彻了,

ForkJoinPool是JDK7引入的线程池,核心思想是将大的任务拆分成多个小任务(即fork),然后在将多个小任务处理汇总到一个结果(即join),非常像MapReduce处理原理。

同时呢,它还提供基本的线程池功能,支持设置最大并发线程数,支持任务排队,支持线程池停止,支持线程池使用情况监控,也是AbstractExecutorService的子类,主要引入了“工作窃取”机制,在多CPU计算机上处理性能更佳。

为了让你看清楚这个过程,我还特地画了个流程图给你look look

image-20210620120440613
image-20210620120440613

小肥肥: 什么叫“工作窃取”机制啊,这么屌的

*帅气的小饭饭: *和它的名字一样啊,就是窃取啊,work-stealing(工作窃取),ForkJoinPool提供了一个更有效的利用线程的机制,当ThreadPoolExecutor还在用单个队列存放任务时,ForkJoinPool已经分配了与线程数相等的队列,当有任务加入线程池时,会被平均分配到对应的队列上,各线程进行正常工作,当有线程提前完成时,会从队列的末端“窃取”其他线程未执行完的任务,当任务量特别大时,CPU多的计算机会表现出更好的性能,就是这么强啊。

image-20210620123535386
image-20210620123535386

小肥肥: 我擦,好强,原理是啥啊

*帅气的小饭饭: *原理啊,我罗列下吧

  • ForkJoinPool 的每个工作线程都维护着一个工作队列(WorkQueue),这是一个双端队列(Deque),里面存放的对象是任务(ForkJoinTask)。
  • 每个工作线程在运行中产生新的任务,通常是因为调用了fork(),会放入工作队列的队尾,并且工作线程在处理自己的工作队列时,使用的是 LIFO 方式,也就是说每次从队尾取出任务来执行。
  • 每个工作线程在处理自己的工作队列同时,会尝试窃取一个任务,这个窃取行为或是来自于刚刚提交到 pool 的任务,或是来自于其他工作线程的工作队列,窃取的任务位于其他线程的工作队列的队首,也就是说工作线程在窃取其他工作线程的任务时,使用的是 FIFO 方式。
  • 在遇到 join() 时,如果需要 join 的任务尚未完成,则会先处理其他任务,并等待其完成。
  • 在既没有自己的任务,也没有可以窃取的任务时,进入休眠。

*小肥肥: *了解了,那除此之外还和ThreadPoolExecutor有什么区别吗

*帅气的小饭饭: *(⊙o⊙)…,最大的区别就是这个工作窃取机制了,其他的,我想想看哦,突然想到了我们游戏内的线程池模型

我们游戏内使用的ThreadPoolExecutor线程池内的对应线程池是有明确规定的,比如A线程只能处理一批玩家的数据,B线程只能处理另一批玩家的数据,这里用了取摩的思想,而ForkJoinPool 这种窃取思想,自身是并行计算,无法对对应线程进行明确的工作划分,单纯这点来说,其实就不适合用来做我们的线程模型的载体了。

*小肥肥:*嗯,也是,那它有啥应用场景呢

*帅气的小饭饭: *ForkJoinPool 最适合的是计算密集型的任务,如果存在 I/O,线程间同步,sleep() 等会造成线程长时间阻塞的情况时,最好配合使用 ManagedBlocker,或者不用。

为了让小肥肥看清楚这个应用场景,我打开了idea,怒写了以下代码【其实是从网上看到的例子】

方案一:平平无奇的for循环解决

public interface Calculator {

    /**
     * 把传进来的所有numbers 做求和处理
     *
     * @param numbers
     * @return 总和
     */

    long sumUp(long[] numbers);
}

日常代码

public class ForLoopCalculator implements Calculator {

 @Override
    public long sumUp(long[] numbers) {
        long total = 0;
        for (long i : numbers) {
            total += i;
        }
        return total;
    }
}

执行类

    public static void main(String[] args) {
        long[] numbers = LongStream.rangeClosed(110000000).toArray();

        Instant start = Instant.now();
        Calculator calculator = new ForLoopCalculator();
        long result = calculator.sumUp(numbers);
        Instant end = Instant.now();
        System.out.println("耗时:" + Duration.between(start, end).toMillis() + "ms");

        System.out.println("结果为:" + result); 
    }
输出:
耗时:10ms
结果为:50000005000000

方案二:ExecutorService多线程方式实现

public class ExecutorServiceCalculator implements Calculator {

    private int parallism;
    private ExecutorService pool;

    public ExecutorServiceCalculator() {
        parallism = Runtime.getRuntime().availableProcessors(); // CPU的核心数 默认就用cpu核心数了
        pool = Executors.newFixedThreadPool(parallism);
    }

    //处理计算任务的线程
    private static class SumTask implements Callable<Long{
        private long[] numbers;
        private int from;
        private int to;

        public SumTask(long[] numbers, int from, int to) {
            this.numbers = numbers;
            this.from = from;
            this.to = to;
        }

        @Override
        public Long call() {
            long total = 0;
            for (int i = from; i <= to; i++) {
                total += numbers[i];
            }
            return total;
        }
    }

    @Override
    public long sumUp(long[] numbers) {
        List<Future<Long>> results = new ArrayList<>();

        // 把任务分解为 n 份,交给 n 个线程处理   4核心 就等分成4份呗
        // 然后把每一份都扔个一个SumTask线程 进行处理
        int part = numbers.length / parallism;
        for (int i = 0; i < parallism; i++) {
            int from = i * part; //开始位置
            int to = (i == parallism - 1) ? numbers.length - 1 : (i + 1) * part - 1//结束位置

            //扔给线程池计算
            results.add(pool.submit(new SumTask(numbers, from, to)));
        }

        // 把每个线程的结果相加,得到最终结果 get()方法 是阻塞的
        // 优化方案:可以采用CompletableFuture来优化  JDK1.8的新特性
        long total = 0L;
        for (Future<Long> f : results) {
            try {
                total += f.get();
            } catch (Exception ignore) {
            }
        }

        return total;
    }
}

执行类

    public static void main(String[] args) {
        long[] numbers = LongStream.rangeClosed(110000000).toArray();

        Instant start = Instant.now();
        Calculator calculator = new ExecutorServiceCalculator();
        long result = calculator.sumUp(numbers);
        Instant end = Instant.now();
        System.out.println("耗时:" + Duration.between(start, end).toMillis() + "ms");

        System.out.println("结果为:" + result); // 打印结果500500
    }
输出:
耗时:30ms
结果为:50000005000000

方案三:采用ForkJoinPool(Fork/Join)

public class ForkJoinCalculator implements Calculator {

    private ForkJoinPool pool;

    //执行任务RecursiveTask:有返回值  RecursiveAction:无返回值
    private static class SumTask extends RecursiveTask<Long{
        private long[] numbers;
        private int from;
        private int to;

        public SumTask(long[] numbers, int from, int to) {
            this.numbers = numbers;
            this.from = from;
            this.to = to;
        }

        //此方法为ForkJoin的核心方法:对任务进行拆分  拆分的好坏决定了效率的高低
        @Override
        protected Long compute() {

            // 当需要计算的数字个数小于6时,直接采用for loop方式计算结果
            if (to - from < 6) {
                long total = 0;
                for (int i = from; i <= to; i++) {
                    total += numbers[i];
                }
                return total;
            } else { // 否则,把任务一分为二,递归拆分(注意此处有递归)到底拆分成多少分 需要根据具体情况而定
                int middle = (from + to) / 2;
                SumTask taskLeft = new SumTask(numbers, from, middle);
                SumTask taskRight = new SumTask(numbers, middle + 1, to);
                taskLeft.fork();
                taskRight.fork();
                return taskLeft.join() + taskRight.join();
            }
        }
    }

    public ForkJoinCalculator() {
        // 也可以使用公用的线程池 ForkJoinPool.commonPool():
        // pool = ForkJoinPool.commonPool()
        pool = new ForkJoinPool();
    }

    @Override
    public long sumUp(long[] numbers) {
        Long result = pool.invoke(new SumTask(numbers, 0, numbers.length - 1));
        pool.shutdown();
        return result;
    }
}
输出:
耗时:390ms
结果为:50000005000000

方案四:采用并行流

    public static void main(String[] args) {

        Instant start = Instant.now();
        long result = LongStream.rangeClosed(010000000L).parallel().reduce(0, Long::sum);
        Instant end = Instant.now();
        System.out.println("耗时:" + Duration.between(start, end).toMillis() + "ms");

        System.out.println("结果为:" + result); // 打印结果500500

    }
输出:
耗时:130ms
结果为:50000005000000

并行流底层也是Fork/Join框架,只是任务拆分优化得很好。

耗时效率方面解释:Fork/Join 并行流等当计算的数字非常大的时候,优势才能体现出来。也就是说,如果你的计算比较小,或者不是CPU密集型的任务,不太建议使用并行处理。

小肥肥: 不明觉厉,看起来就是不适用,使用它的好处和弊端呢?

帅气的小饭饭: 好处就是对CPU的充分利用了,特别是在计算密集型的任务的时候,弊端就是需要对任务进行拆分,拆分的好坏也意味着任务的好坏,对开发人员来说,还是有点成本存在的。

小肥肥: 嗯,确实,我这边有份简历,有某初级游戏开发说用上了这个技术,你设计下相关面试题问问人家吧。

帅气的小饭饭: 好吧,那这边大概设计以下几道面试题吧

  • 什么是ForkJoin?
  • 说说看ForkJoin的内部原理?
  • 大概聊聊工作窃取机制?
  • 如何充分利用CPU,计算超大数组中所有整数的和?

这些面试题的答案基本上都在我们聊的话题中啦。

小肥肥: 挺好的,等着升资深开发吧你,周末还学习,对了,总结下,将刚刚的聊天记录总结下,然后后期做个分享。

帅气的小饭饭: 哦豁,可以啊,先加点钱啊,穷啊,我总结下吧

  • ForkJoinPool特别适合于“分而治之”算法的实现;

  • ForkJoinPool和ThreadPoolExecutor是互补的,不是谁替代谁的关系,二者适用的场景不同;

  • ForkJoinTask有两个核心方法——fork()和join(),有三个重要子类——RecursiveAction、RecursiveTask和CountedCompleter;

  • ForkjoinPool内部基于“工作窃取”算法实现;

  • 每个线程有自己的工作队列,它是一个双端队列,自己从队列头存取任务,其它线程从尾部窃取任务;

  • ForkJoinPool最适合于计算密集型任务,但也可以使用ManagedBlocker以便用于阻塞型任务;

  • RecursiveTask内部可以少调用一次fork(),利用当前线程处理,这是一种技巧;

原文链接:https://mp.weixin.qq.com/s/z7yBgd3qqecCAyXwOmwJDQ

稀饭

2021/06/20  阅读:56  主题:全栈蓝

作者介绍

稀饭