go调度: 第三部分-并发

来源：cnblogs　　作者：月落无影　　时间：2021/1/18 16:29:06　　对本文有异议

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