Fork/Join 并行计算框架

小咪咪 2023-10-15 23:51 5阅读 0赞

#### 文章目录 ####

*  Fork/Join 介绍
 *  Fork/Join 组件
 *  Fork/Join原理-分治法
 *  Fork/Join原理-工作窃取算法
 *  Fork/Join案例

## Fork/Join 介绍 ##

Fork/Join框架自JDK 7引入，是一种并行计算框架，见名知义，其基于Fork和Join两个操作，它们的作用是将一个大任务拆分成多个小任务，并且将这些小任务合并起来得到大任务的结果。使用Fork/Join架构可以充分利用多核CPU的性能优势，提高程序的执行效率。

## Fork/Join 组件 ##

Fork/Join框架主要包含三个组件：

1.  线程池：ForkJoinPool维护了一个线程池，用于并行执行任务，它可以根据需要动态调整线程的数量。
2.  任务对象：ForkJoinTask是一个抽象类，它表示一个可以拆分的任务。ForkJoinTask的子类（RecursiveAction和RecursiveTask）必须实现fork()和compute()方法，其中fork()方法用于拆分任务并返回子任务的结果，compute()方法用于执行任务的实际计算。
3.  执行任务的线程：ForkJoinWorkerThread是ForkJoinPool中的工作线程，它负责执行任务。

![在这里插入图片描述][6a40ba02527c40b6a6d0248ea99bdfe2.png]

## Fork/Join原理-分治法 ##

ForkJoinPool主要用来使用分治法(Divide-and-Conquer Algorithm)来解决问题。典型的应用比如快速排序算法，ForkJoinPool需要使用相对少的线程来处理大量的任务。比如要对1000万个数据进行排序，那么会将这个任务分割成两个500万的排序任务和一个针对这两组500万数据的合并任务。以此类推，对于500万的数据也会做出同样的分割处理，到最后会设置一个阈值来规定当数据规模到多少时，停止这样的分割处理。比如，当元素的数量小于10时，会停止分割，转而使用插入排序对它们进行排序。那么到最后，所有的任务加起来会有大概2000000+个。问题的关键在于，对于一个任务而言，只有当它所有的子任务完成之后，它才能够被执行。

![在这里插入图片描述][098c8727ca0d4f1b90cb9591a6cb03cd.png]

## Fork/Join原理-工作窃取算法 ##

Fork/Join最核心的地方就是利用了现代硬件设备多核，在一个操作时候会有空闲的cpu，那么如何利用好这个空闲的cpu就成了提高性能的关键，而这里我们要提到的工作窃取（work-stealing）算法就是整个Fork/Join框架的核心理念Fork/Join工作窃取（work-stealing）算法是指某个线程从其他队列里窃取任务来执行。  
![在这里插入图片描述][880ae282f0f5489ab06b394a28cd5664.png]

为什么需要使用工作窃取算法呢？假如我们需要做一个比较大的任务，我们可以把这个任务分割为若干互不依赖的子任务，为了减少线程间的竞争，于是把这些子任务分别放到不同的队列里，并为每个队列创建一个单独的线程来执行队列里的任务，线程和队列一一对应，比如A线程负责处理A队列里的任务。但是有的线程会先把自己队列里的任务干完，而其他线程对应的队列里还有任务等待处理。干完活的线程与其等着，不如去帮其他线程干活，于是它就去其他线程的队列里窃取一个任务来执行。而在这时它们会访问同一个队列，所以为了减少窃取任务线程和被窃取任务线程之间的竞争，通常会使用双端队列，被窃取任务线程永远从双端队列的头部拿任务执行，而窃取任务的线程永远从双端队列的尾部拿任务执行。

工作窃取算法的优点是充分利用线程进行并行计算，并减少了线程间的竞争，其缺点是在某些情况下还是存在竞争。上文中已经提到了在Java 8引入了自动并行化的概念。它能够让一部分Java代码自动地以并行的方式执行，也就是我们使用了ForkJoinPool的ParallelStream。

对于ForkJoinPool通用线程池的线程数量，通常使用默认值就可以了，即运行时计算机的处理器数量。可以通过设置系统属性：java.util.concurrent.ForkJoinPool.common.parallelism=N （N为线程数量），来调整ForkJoinPool的线程数量，可以尝试调整成不同的参数来观察每次的输出结果。

## Fork/Join案例 ##

使用Fork/Join计算1-10000的和，当一个任务的计算数量大于3000的时候拆分任务，数量小于3000的时候就计算。  
![在这里插入图片描述][eda8a3d0b7a04fb2822a1f0cba6e83fe.png]

public class Test05 {
        
    
         * @param args
         */
        public static void main(String[] args) {
        
            long start = System.currentTimeMillis();
            ForkJoinPool pool = new ForkJoinPool();
            SumRecursiveTask task = new SumRecursiveTask(1,10000l);
            Long result = pool.invoke(task);
            System.out.println("result="+result);
            long end = System.currentTimeMillis();
            System.out.println("总的耗时:" + (end-start));
    
        }
    }
    
    class SumRecursiveTask extends RecursiveTask<Long>{
        
    
        // 定义一个拆分的临界值
        private static final long THRESHOLD = 3000l;
    
        private final long start;
    
        private final long end;
    
        public SumRecursiveTask(long start, long end) {
        
            this.start = start;
            this.end = end;
        }
    
        @Override
        protected Long compute() {
        
            long length = end -start;
            if(length <= THRESHOLD){
        
                // 任务不用拆分，可以计算
                long sum = 0;
                for(long i=start ; i <= end ;i++){
        
                    sum += i;
                }
                System.out.println("计算："+ start+"-->" + end +",的结果为：" + sum);
                return sum;
            }else{
        
                // 数量大于预定的数量，那说明任务还需要继续拆分
                long middle = (start+end)/2;
                System.out.println("拆分:左边 " + start+"-->" + middle+", 右边" + (middle+1) + "-->" + end);
                SumRecursiveTask left = new SumRecursiveTask(start, middle);
                left.fork();
                SumRecursiveTask right = new SumRecursiveTask(middle + 1, end);
                right.fork();
                return left.join()+right.join();
            }
        }
    }

[6a40ba02527c40b6a6d0248ea99bdfe2.png]: https://img-blog.csdnimg.cn/6a40ba02527c40b6a6d0248ea99bdfe2.png
[098c8727ca0d4f1b90cb9591a6cb03cd.png]: https://img-blog.csdnimg.cn/098c8727ca0d4f1b90cb9591a6cb03cd.png
[880ae282f0f5489ab06b394a28cd5664.png]: https://img-blog.csdnimg.cn/880ae282f0f5489ab06b394a28cd5664.png
[eda8a3d0b7a04fb2822a1f0cba6e83fe.png]: https://img-blog.csdnimg.cn/eda8a3d0b7a04fb2822a1f0cba6e83fe.png