zoukankan      html  css  js  c++  java
  • go调度: 第三部分-并发

    前言

    这个是用来讲述go调度器机制和特性的第三部分. 这个主要关注并发.

    博客三部分的顺序:

    1) go调度: 第一部分-操作系统调度

    2) go调度: 第二部分-go调度器

    3) go调度: 第三部分-并发

    介绍

    当我在解决一个问题, 尤其是一个新问题的时候, 开始阶段, 我不会考虑并发是不是有用. 我寻找一个顺序化解决方案, 并且确保这个方案有效. 然后, 我进行评估, 来看看并发是否合适. 有些情况下, 并发是很合适的, 而有些情况下则未必.

    在第一部分,我讲了操作系统的调度器的特性, 如果你想写多线程应用, 这个是很有必要的. 在第二部分, 我讲了go的调度器特性, 我认为, 这个对使用go语言写多线程是很有意义的. 在这篇中, 我将结合操作系统调度和go程调度, 来提供一个对于使用go语言写多线程的更加深入的理解.

    这篇博客的目的是:

    (1) 辨别你代码应用的场景是否适合使用并发.

    (2) 展示如何根据应用场景改变并发的使用.

     

    什么是并发

    并发意味着乱序执行. 一系列指令, 可以被顺序执行, 也可以在满足限制的情况下乱序执行, 但是还是可以产生相同的结果. 对于你眼前的这个问题, 乱序执行必须可以展示出明显的价值, 也就是说, 并发可以明显的提高性能, 同时, 没有代码复杂度的增加可以容忍. 根据你的问题, 乱序执行有时候是不可行的.

    有一个重要的点需要注意, 并发不等于并行. 并行意味着同一时间执行多条指令. 这个与并发的概念并不相同. 只有在有至少2个操作系统线程(运行在两个硬件线程之上), 并且有至少2go程的情况下, 每个操作系统/硬件线程运行一组指令的情况下, 并行才会发生.

    图1

    在图1, 你看到两个逻辑处理器(P)运行在两个不同的操作系统线程(M), 这两个M对应着不同的硬件线程. 这种情况下, 两个go(G1G2)处于并行状态. 在每个逻辑处理器上, go程轮流分享操作系统线程. 所有的这些go程都并发地执行, 这些go程分享操作系统的运行时间, 以一种不确定的顺序运行.

    有一点需要注意的是, 有时候没有并行执行的并发会降低程序的性能. 另外, 有时候程序并行执行, 但是并不会明显提升你的程序的性能.

     

    负载

    我们如何知道并发是不是有意义呢? 理解你的问题的负载类型, 是一个好的入手点. 在考虑使用并发时, 你需要区分如下两类负载:

    (1) CPU密集型: 这类问题, 主要用来做计算, 不会让go程经常在等待和运行状态之间切换. 计算Pi的第Nth小数属于这类负载.

    (2) IO密集型. 这类负载需要go程经常在等待和运行状态之间切换. 这类工作包括网络请求资源, 操作系统调用, 等待事件发生. 读取文件, 使用同步事件(mutexes, atomic)属于这类负载.

    对于CPU密集型负载, 你需要使用并行来提高性能. 一个单一的操作系统/硬件线程处理多个go, 比处理单个go程性能更差, 因为要进行等待和运行状态的切换. 所以, 在这种情况下, go程数超过操作系统/硬件线程数, 会降低性能, 而不是提高性能.

    对于IO密集型负载, 你可以通过并发(可以不适用并行)来提高性能. 一个操作系统/硬件线程可以高效地处理很多个go, 因为go调度器很擅长处理等待和运行状态的切换. go程数超过操作系统/硬件线程数, 可以加快负载的执行, 因为这种情况下, 可以减少操作系统/硬件线程的空载时间.

    我们如何知道每个硬件线程对应多少个go程比较合适? go程很少意味着更多的空载时间. 线程太多, 用于上下文切换的时间就会花费很多.

    下面, 我们看一些代码, 学习在什么情况下, 可以利用并发, 什么时候可以利用并行.

     

    加法运算(Adding Numbers)

    我们不需要复杂的代码来理解这种语境. 看下面这个将多个数字加在一起的函数.

     

    36 func add(numbers []int) int {
    37     var v int
    38     for _, n := range numbers {
    39         v += n
    40     }
    41     return v
    42 }
    

    问题: add函数是一个适合并发的负载吗? 我相信是的. 这些整数可以拆分程更小的几组整数, 然后每组整数并发计算. 当这些组整数都相加完成后, 然后将这些整数相加的结果进行相加, 就可以得到最终的结果.

    然而, 现在有另外一个问题, 我们需要拆成多少个小的组, 然后让他们并发执行, 从而提供最好的性能? 为了回答这个问题, 我们需要知道add的负载类型. add函数是CPU密集型的负载, 因为这个函数只进行数学运算, 而不会使go程进入等待状态. 这种情况下, 每个go程对应一个操作系统/硬件线程是合理的.

    Listing 2是我的add函数的并发版本.

    Listing 2

    44 func addConcurrent(goroutines int, numbers []int) int {
    45     var v int64
    46     totalNumbers := len(numbers)
    47     lastGoroutine := goroutines - 1
    48     stride := totalNumbers / goroutines
    49
    50     var wg sync.WaitGroup
    51     wg.Add(goroutines)
    52
    53     for g := 0; g < goroutines; g++ {
    54         go func(g int) {
    55             start := g * stride
    56             end := start + stride
    57             if g == lastGoroutine {
    58                 end = totalNumbers
    59             }
    60
    61             var lv int
    62             for _, n := range numbers[start:end] {
    63                 lv += n
    64             }
    65
    66             atomic.AddInt64(&v, int64(lv))
    67             wg.Done()
    68         }(g)
    69     }
    70
    71     wg.Wait()
    72
    73     return int(v)
    74 }
    

    并发版本明显比顺序运行版本复杂, 那么增加的这个复杂性值得吗? 最好地回答这个问题的方法是通过基准测试(benchmark). 对于这些基准测试, 我将垃圾收集器关闭, 然后将一千万个数字相加. 下面测试分别使用了顺序版本的add函数, 和并发版本的addConcurrent函数.

    Listing 3

    func BenchmarkSequential(b *testing.B) {
        for i := 0; i < b.N; i++ {
            add(numbers)
        }
    }
    
    func BenchmarkConcurrent(b *testing.B) {
        for i := 0; i < b.N; i++ {
            addConcurrent(runtime.NumCPU(), numbers)
        }
    }
    

     Listing 4

    10 Million Numbers using 8 goroutines with 1 core
    2.9 GHz Intel 4 Core i7
    Concurrency WITHOUT Parallelism
    -----------------------------------------------------------------------------
    $ GOGC=off go test -cpu 1 -run none -bench . -benchtime 3s
    goos: darwin
    goarch: amd64
    pkg: github.com/ardanlabs/gotraining/topics/go/testing/benchmarks/cpu-bound
    BenchmarkSequential      	    1000	   5720764 ns/op : ~10% Faster
    BenchmarkConcurrent      	    1000	   6387344 ns/op
    BenchmarkSequentialAgain 	    1000	   5614666 ns/op : ~13% Faster
    BenchmarkConcurrentAgain 	    1000	   6482612 ns/op
    

    注意: 在本机运行基准测试不是一件简单的事. 有很多会导致基准测试不准确的因素, 因此, 你需要确保你的机器尽可能的空闲, 并且多运行几次测试.

    listing 4的基准测试显示, 当只有一个硬件线程时, 顺序版本比并发版本快大约10%13%. 因为并发版本有在同一个操作系统线程上的go程的上下文切换, 这种情况是可以预料到的.

    Listing 5

    10 Million Numbers using 8 goroutines with 8 cores
    2.9 GHz Intel 4 Core i7
    Concurrency WITH Parallelism
    -----------------------------------------------------------------------------
    $ GOGC=off go test -cpu 8 -run none -bench . -benchtime 3s
    goos: darwin
    goarch: amd64
    pkg: github.com/ardanlabs/gotraining/topics/go/testing/benchmarks/cpu-bound
    BenchmarkSequential-8        	    1000	   5910799 ns/op
    BenchmarkConcurrent-8        	    2000	   3362643 ns/op : ~43% Faster
    BenchmarkSequentialAgain-8   	    1000	   5933444 ns/op
    BenchmarkConcurrentAgain-8   	    2000	   3477253 ns/op : ~41% Faster
    

    在上面的基准测试中, 并发版本快了大约41%43%, 因为每个go程可以运行在不同的操作系统/硬件线程.

     

    排序

    理解不是所有的CPU密集型负载都适合并发是很重要的. 尤其是在将任务拆解, 以及任务聚合都很复杂的时候. 排序算法中的冒泡排序就是其中的一个例子. 我们来看看go语言中实现的冒泡排序.

    Listing 6

    01 package main
    02
    03 import "fmt"
    04
    05 func bubbleSort(numbers []int) {
    06     n := len(numbers)
    07     for i := 0; i < n; i++ {
    08         if !sweep(numbers, i) {
    09             return
    10         }
    11     }
    12 }
    13
    14 func sweep(numbers []int, currentPass int) bool {
    15     var idx int
    16     idxNext := idx + 1
    17     n := len(numbers)
    18     var swap bool
    19
    20     for idxNext < (n - currentPass) {
    21         a := numbers[idx]
    22         b := numbers[idxNext]
    23         if a > b {
    24             numbers[idx] = b
    25             numbers[idxNext] = a
    26             swap = true
    27         }
    28         idx++
    29         idxNext = idx + 1
    30     }
    31     return swap
    32 }
    33
    34 func main() {
    35     org := []int{1, 3, 2, 4, 8, 6, 7, 2, 3, 0}
    36     fmt.Println(org)
    37
    38     bubbleSort(org)
    39     fmt.Println(org)
    40 }
    

    问题: bubbleSort函数适合改成并发执行吗? 我相信不合适. 这些整数可以拆分成小的队列, 然后这些队列并发排序. 然而, 这些小的已排序的队列, 没有好的办法, 将它们排序在一起. 下面是冒泡排序的并发版本.

    Listing 8

    01 func bubbleSortConcurrent(goroutines int, numbers []int) {
    02     totalNumbers := len(numbers)
    03     lastGoroutine := goroutines - 1
    04     stride := totalNumbers / goroutines
    05
    06     var wg sync.WaitGroup
    07     wg.Add(goroutines)
    08
    09     for g := 0; g < goroutines; g++ {
    10         go func(g int) {
    11             start := g * stride
    12             end := start + stride
    13             if g == lastGoroutine {
    14                 end = totalNumbers
    15             }
    16
    17             bubbleSort(numbers[start:end])
    18             wg.Done()
    19         }(g)
    20     }
    21
    22     wg.Wait()
    23
    24     // Ugh, we have to sort the entire list again.
    25     bubbleSort(numbers)
    26 }
    

    Listing 8, bubbleSortConcurrent函数作为bubbleSort函数的并发版本.

    Listing 9

    Before:
      25 51 15 57 87 10 10 85 90 32 98 53
      91 82 84 97 67 37 71 94 26  2 81 79
      66 70 93 86 19 81 52 75 85 10 87 49
    
    After:
      10 10 15 25 32 51 53 57 85 87 90 98
       2 26 37 67 71 79 81 82 84 91 94 97
      10 19 49 52 66 70 75 81 85 86 87 93
    

    bubbleSortConcurrent25行调用了bubbleSort, 这里抵消了并发可能实现的提升. 对于冒泡排序, 并发不能实现性能提升.

     

    读文件

     

    举了两个CPU密集型负载的例子, 下面, 我们看一下IO密集型负载的例子. 我们看一下读取文件, 然后进行文本搜索的例子.

     

    顺序操作版本的函数名叫做find.

     

    Listing 10

     

    42 func find(topic string, docs []string) int {
    43     var found int
    44     for _, doc := range docs {
    45         items, err := read(doc)
    46         if err != nil {
    47             continue
    48         }
    49         for _, item := range items {
    50             if strings.Contains(item.Description, topic) {
    51                 found++
    52             }
    53         }
    54     }
    55     return found
    56 }
    

    下面是find函数中调用的read函数的实现:

    Listing 11

    33 func read(doc string) ([]item, error) {
    34     time.Sleep(time.Millisecond) // Simulate blocking disk read.
    35     var d document
    36     if err := xml.Unmarshal([]byte(file), &d); err != nil {
    37         return nil, err
    38     }
    39     return d.Channel.Items, nil
    40 }
    

    Listing 11中的read函数, 以一个time.Sleep函数开始, 这个调用用来模拟实际系统调用从硬盘中读取文件的延迟. 相同的延迟对于精确测试find函数与它的并发版本的性能很重要.

    下面我们看看并发版本:

    Listing 12

    58 func findConcurrent(goroutines int, topic string, docs []string) int {
    59     var found int64
    60
    61     ch := make(chan string, len(docs))
    62     for _, doc := range docs {
    63         ch <- doc
    64     }
    65     close(ch)
    66
    67     var wg sync.WaitGroup
    68     wg.Add(goroutines)
    69
    70     for g := 0; g < goroutines; g++ {
    71         go func() {
    72             var lFound int64
    73             for doc := range ch {
    74                 items, err := read(doc)
    75                 if err != nil {
    76                     continue
    77                 }
    78                 for _, item := range items {
    79                     if strings.Contains(item.Description, topic) {
    80                         lFound++
    81                     }
    82                 }
    83             }
    84             atomic.AddInt64(&found, lFound)
    85             wg.Done()
    86         }()
    87     }
    88
    89     wg.Wait()
    90
    91     return int(found)
    92 }
    

    并发版本明显比顺序执行版本复杂, 那么这样做值得吗? 最好的方法还是通过基准测试. 在测试中, 我们同样将垃圾回收关闭.

    Listing 13

    func BenchmarkSequential(b *testing.B) {
        for i := 0; i < b.N; i++ {
            find("test", docs)
        }
    }
    
    func BenchmarkConcurrent(b *testing.B) {
        for i := 0; i < b.N; i++ {
            findConcurrent(runtime.NumCPU(), "test", docs)
        }
    }
    

    Listing 14

    10 Thousand Documents using 8 goroutines with 1 core
    2.9 GHz Intel 4 Core i7
    Concurrency WITHOUT Parallelism
    -----------------------------------------------------------------------------
    $ GOGC=off go test -cpu 1 -run none -bench . -benchtime 3s
    goos: darwin
    goarch: amd64
    pkg: github.com/ardanlabs/gotraining/topics/go/testing/benchmarks/io-bound
    BenchmarkSequential      	       3	1483458120 ns/op
    BenchmarkConcurrent      	      20	 188941855 ns/op : ~87% Faster
    BenchmarkSequentialAgain 	       2	1502682536 ns/op
    BenchmarkConcurrentAgain 	      20	 184037843 ns/op : ~88% Faster
    

    listing 14的基准测试显示, 当所有go程共用一个操作系统/硬件线程时, 并发版本大约快了87%88%. 这种情况是可以预料到的, 因为所有的go程可以很好的共享一个操作系统/硬件线程.

    下面测试使用并行性.

    Listing 15

    10 Thousand Documents using 8 goroutines with 1 core
    2.9 GHz Intel 4 Core i7
    Concurrency WITH Parallelism
    -----------------------------------------------------------------------------
    $ GOGC=off go test -run none -bench . -benchtime 3s
    goos: darwin
    goarch: amd64
    pkg: github.com/ardanlabs/gotraining/topics/go/testing/benchmarks/io-bound
    BenchmarkSequential-8        	       3	1490947198 ns/op
    BenchmarkConcurrent-8        	      20	 187382200 ns/op : ~88% Faster
    BenchmarkSequentialAgain-8   	       3	1416126029 ns/op
    BenchmarkConcurrentAgain-8   	      20	 185965460 ns/op : ~87% Faster
    

    listing 15中的基准测试显示, 额外的操作系统/硬件线程并不能提升性能.

     

    结论

    这篇博客的目的是告诉你如何决定负载是否适合使用并发. 其中IO密集型一般适合使用并发, CPU密集型需要使用并行. 有些任务类型(算法), 可能使用并发和并行都不能提高性能.

     

    原文参考: https://www.ardanlabs.com/blog/2018/12/scheduling-in-go-part3.html

     

  • 相关阅读:
    mybatis中的#和$的区别
    error: 40
    SenseTime Ace Coder Challenge 暨 商汤在线编程挑战赛* B. 我觉得海星
    AtCoder Regular Contest 093 D
    AtCoder Regular Contest 092 D
    2018 蓝桥杯省赛 B 组模拟赛(五) 结果填空:藏宝图
    2018/3/22 美团在线笔试 编程题
    2018/3/22美团在线笔试
    2018 蓝桥杯省赛 B 组模拟赛(一)青出于蓝胜于蓝
    心情小记
  • 原文地址:https://www.cnblogs.com/albizzia/p/11427574.html
Copyright © 2011-2022 走看看