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2个go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中, 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)上, 这两个M对应着不同的硬件线程. 这种情况下, 两个go程(G1和G2)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程, 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程, 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%到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%到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 }
在Listing 8中, 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
bubbleSortConcurrent的25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%到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, 而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