【JUC】二十三、LongAdder：多线程计数的更优解

文章目录

1、常用API
2、热点商品点赞计算器
3、LongAdder高性能的原理
4、源码：LongAdder-add方法
5、源码：LongAdder-longAccumulate方法
6、源码：LongAdder-sum方法
7、AtomicLong和LongAdder的对比

Since 1.8，新加原子操作增强类：

DoubleAccumulator
DoubleAdder
LongAccumulator
LongAdder

API文档：runoob.com/manual/jdk11api/java.base/java/util/concurrent/atomic/LongAdder.html

1、常用API

常用方法：
在这里插入图片描述

LongAdder只能用来计算加法，且从零开始计算，LongAccumulator则更灵活，可传入一个函数式接口和初始值，函数式接口中自定义计算逻辑，加减乘除。

LongAdder longAdder = new LongAdder();
longAdder.increment();  //+1
longAdder.increment();
longAdder.increment();
System.out.println(longAdder.sum());  //3

//new LongAccumulator((x, y) -> x * y, 1)
LongAccumulator longAccumulator = new LongAccumulator(new LongBinaryOperator() {
    @Override
    //left：初始值，right：传进来的值
    public long applyAsLong(long left, long right) {
        return left * right;
    }
}, 1);
longAccumulator.accumulate(2); //2
longAccumulator.accumulate(3); //6
System.out.println(longAccumulator.get());  //6

2、热点商品点赞计算器

热点商品点赞计算器，点赞数加加统计，不要求实时精确。比如：50个线程，每个线程100W次，总点赞数出来。分析下，点赞一次就+1，本质是多线程下的并发的i++：

class ClickNumber{
    int number = 0;
    //方式一
    public synchronized void clickBySynchronized(){
        number++;
    }
    //方式二
    AtomicLong atomicLong = new AtomicLong(0);
    public void clickByAtomicLong(){
        atomicLong.getAndIncrement();
    }
    //方式三
    LongAdder longAdder = new LongAdder();
    public void clickByLongAdder(){
        longAdder.increment();
    }
    //方式四
    LongAccumulator longAccumulator = new LongAccumulator((x,y) -> x+y,0);
    public void clickByLongAccumulator(){
        longAccumulator.accumulate(1);
    }
}

调用4种方式，借助辅助类计数器，计算5000000点赞耗时：

public class AccumulatorDemo {
    public static final int _1W = 10000;
    public static final int threadNum = 50;

    public static void main(String[] args) throws InterruptedException {
        ClickNumber clickNumber = new ClickNumber();   //共享资源类对象
        long startTime;
        long endTime;
        CountDownLatch countDownLatch1 = new CountDownLatch(threadNum);  //计数器
        CountDownLatch countDownLatch2 = new CountDownLatch(threadNum);
        CountDownLatch countDownLatch3 = new CountDownLatch(threadNum);
        CountDownLatch countDownLatch4 = new CountDownLatch(threadNum);
        //====方法一的耗时===
        startTime = System.currentTimeMillis();
        for (int i = 1; i <= threadNum ; i++) {
            new Thread(() -> {
                try {
                    for (int j = 0; j < 100 * _1W; j++) {
                        clickNumber.clickBySynchronized();
                    }
                } finally {
                    //50个线程，做完一个少一个
                    countDownLatch1.countDown();
                }
            },String.valueOf(i)).start();

        }
        countDownLatch1.await();
        endTime = System.currentTimeMillis();
        System.out.println("synchronized耗时：" + (endTime - startTime) + "，当前点赞数：" + clickNumber.number);
        //====方法2的耗时===
        startTime = System.currentTimeMillis();
        for (int i = 1; i <= threadNum ; i++) {
            new Thread(() -> {
                try {
                    for (int j = 0; j < 100 * _1W; j++) {
                        clickNumber.clickByAtomicLong();
                    }
                } finally {
                    //50个线程，做完一个少一个
                    countDownLatch2.countDown();
                }
            },String.valueOf(i)).start();

        }
        countDownLatch2.await();
        endTime = System.currentTimeMillis();
        System.out.println("AtomicLong耗时：" + (endTime - startTime) + "，当前点赞数：" + clickNumber.atomicLong.get());
        //====方法3的耗时===
        startTime = System.currentTimeMillis();
        for (int i = 1; i <= threadNum ; i++) {
            new Thread(() -> {
                try {
                    for (int j = 0; j < 100 * _1W; j++) {
                        clickNumber.clickByLongAdder();
                    }
                } finally {
                    //50个线程，做完一个少一个
                    countDownLatch3.countDown();
                }
            },String.valueOf(i)).start();

        }
        countDownLatch3.await();
        endTime = System.currentTimeMillis();
        System.out.println("LongAdder耗时：" + (endTime - startTime) + "，当前点赞数：" + clickNumber.longAdder.sum());
        //====方法4的耗时===
        startTime = System.currentTimeMillis();
        for (int i = 1; i <= threadNum ; i++) {
            new Thread(() -> {
                try {
                    for (int j = 0; j < 100 * _1W; j++) {
                        clickNumber.clickByLongAccumulator();
                    }
                } finally {
                    //50个线程，做完一个少一个
                    countDownLatch4.countDown();
                }
            },String.valueOf(i)).start();

        }
        countDownLatch4.await();
        endTime = System.currentTimeMillis();
        System.out.println("LongAccumulator耗时：" + (endTime - startTime) + "，当前点赞数：" + clickNumber.longAccumulator.get());
    }
}

运算结果：

在这里插入图片描述

结论：很大的高并发下，LongAdder的性能优于AtomicLong（减少了乐观锁的重试次数）

在这里插入图片描述

3、LongAdder高性能的原理

LongAdder --> Striped64类 --> Number类，Cell类，单元格类，是Striped64类的一个内部类。

在这里插入图片描述

Striped64类的属性解释：

在这里插入图片描述
前面的AtomicLong，N个线程同时CAS修改一个值，每次只会有一个成功，而其余N-1个线程一定失败而继续不停的自旋，N很大时，就会有大量的失败自旋。

而LongAdder的基本思路就是分散热点，不要逮着一个值自旋，而是将value值分散到一个Cell数组中，不同线程会命中到Cell数组的不同槽中，各个线程只对自己槽中的那个值进行CAS操作，这样热点就被分散了，冲突的概率就小很多。如果要获取真正的long值，只要将各个槽中的变量值累加返回。

sum（）时会将所有Cel数组中的value和base累加作为返回值，核心的思想就是将之前AtomicLong一个value的更新压力分散到多个value中去，每次并发CAS的失败线程数量就少了。

在这里插入图片描述

LongAdder在无竞争的情况下，跟AtomicLong一样，对同一个base进行操作，当出现竞争关系时则是采用化整为零分散热点的做法，用空间换时间，新加一个数组cells，将一个value的累加拆分进这个数组cells来分担。

在这里插入图片描述

多个线程需要同时对value进行操作时候，可以对线程id进行hash得到hash值，再根据hash值映射到cells数组的某下标，然后对该下标所对应的值进行自增换作。当所有线程操作完毕，将数组cells的所有值和base都加起来作为最终结果。

4、源码：LongAdder-add方法

new LongAdder().increment()

各方法底层的调用关系为：

increment() --> add(1L)  --> longAccumulate()  
//最后累加的结果
--> sum()

在这里插入图片描述
从add方法开始看，方法局部变量有：

as：Striped64类的cells数组
b：Striped64类的的base值
v：期望值
m：cells数组的长度
a：当前线程命中的cell数组中的cell单元格对象

首次，只有一个线程的时候，base就可以完成，cell == null，casBase方法+1的操作操作成功，if条件不成立，直接跳出循环，但已经在||条件判断的时候顺带着完成了+1的操作。

public void add(long x) {
    Cell[] cs; long b, v; int m; Cell c;
    if ((cs = cells) != null || !casBase(b = base, b + x)) {
    	// true无竞争，false表示竟争激烈，多个线hash到同一个CeLL，可能要扩容
        boolean uncontended = true;
        //||下的四个条件分别为：
        //条件1：cell单元格数组为空
        //条件2：cell长度小于1，一般不会，因为到这儿说明cell不为null，而其长度2次幂起步
        //条件3：getProbe获取当前线程的哈希值，映射到cell后，cell为空，说明当前线程还没更新过cell，应初始化一个cell
        //条件4：更新当前线程所映射的cell失败，即多个线程hash到了同一个cell，说明竞争激烈，取反后到longAccumulate继续扩容
        if (cs == null || (m = cs.length - 1) < 0 ||
        	//getProbe方法返回的时线程中的threadLocalRandomProbe字段
        	//它是通过随机数生成的一个值，对于一个确定的线程，这个值固定，除非刻意修改
            (c = cs[getProbe() & m]) == null ||
            !(uncontended = c.cas(v = c.value, v + x)))
            longAccumulate(x, null, uncontended);   //Striped64中的方法扩容
    }
}

随着线程增多，CAS判断失败，false，取反后条件成立，进入if体中，uncountened=true，默认没有冲突，此时还没扩容，Cell[] as == null是成立的，进入longAccumulate()，按2次幂阔，出来两个Cell。（longAccumulate方法下面再详细展开）

在这里插入图片描述

此时，base可以+1，cell0、cell1也可以做+1，再调add，此时Cell[] as不再等于null，且length-1=1>0（2次幂），继续看||后面的条件，a = as[getProbe() & m]，算坑位，比如算到了cell1这个单元格，此时，假设cell1中有值，为1，做个CAS，x为1，则1改为2，返回true，取反为false，跳出方法，但+1也随着条件判断完成了。

在这里插入图片描述

如上图，再并发，竞争激烈，cell0、cell1扛不住了也，cell上cas失败，uncontended为false，取反，true，再进入longAccumulate()扩容，2个变4个。

总结：

最初无竞争时只更新base;
如果更新base失败后，首次新建一个Cell[ ]数组
当多个线程竞争同一个Cell比较激烈时，可能就要对Cell[ ]扩容

代码亮点：调用方法做为判断条件，最终的效果就是活儿干了（数据改变了），条件也做了判断了。借鉴！

简略版图解：

在这里插入图片描述

5、源码：LongAdder-longAccumulate方法

Striped64类中的一些属性和方法：getProbe方法，获取线程的hash值，这个值用于判断去cell数组的哪个槽位中去。

在这里插入图片描述

//getProbe方法返回的时线程中的threadLocalRandomProbe字段
static final int getProbe(){
	return UNSAFE.getInt(Thread.currentThread(),PROBE);
}

longAccumulate()方法的入参：

long x ：需要做雷加的值，increment调用下，一般默认都是+1
LongBinaryOperator fn ：默认传递的是null
wasUncontended：竞争标识，如果是false则代表有竞争，只有cells初始化之后，并且当前线程CAS竞争修改失败，才会是false

longAccumulate方法开头处理下线程的probe值：

final void longAccumulate(long x, LongBinaryOperator fn,
                              boolean wasUncontended) {
        //存储线程的probe值                      
        int h;
        //getProbe返回为0，即线程随机数未初始化
        if ((h = getProbe()) == 0) {
        	//使用ThreadLocalRandom为当前线程重新计算一个hash值，强制初始化
            ThreadLocalRandom.current(); // force initialization
            //重新获取probe值，hash被重置就好比一个全新的线程一样，所以设置了wasUncontended竞争状态为true，表示无竞争
            h = getProbe();
            //重新计算了当前线程的hash后认为此次不算是一次竞争，都未初始化，背定还不存在竟争激烈，wasUncontended竞争状态为true
            wasUncontended = true;
        }
//......

然后longAccumulate方法源码大体结构为：首先给当前线程分配一个hash值，然后进入一个for(；；)自旋，这个自旋分为三个分支：

CASE1： Cell[ ] 数组已经初始化
CASE2：CelI[ ] 数组未初始化（首次新建)
CASE3：Cell[ ] 数组正在初始化中

在这里插入图片描述

先看Case2：未初始化过Cell[ ] 数组，尝试占有锁并首次初始化cells数组

cellsBusy：初始化cells或者扩容cells需要获取锁，0表示无锁状态，1表示其他线程已经持有了锁。为0时，抢到锁，&&后面casCellsBusy改为1，初始化创建Cell[2]后，finally中cellsBusy改回0，注意下面有点双重检锁的味道。

在这里插入图片描述

如果上面条件都执行成功就会执行数组的初始化及赋值操作， Cell[] rs = new Cell[2]表示数组的长度为2，rs[h & 1]= new Cell(x) 即创建一个新的Cell元素，value是累加的值x，默认为1。h & 1类似于之前HashMap常用到的计算散列桶index的算法，通常都是hash & (table.len - 1)，同hashmap一个意恩。

再看Case3：上面竞争很激烈，else兜底的，多个线程尝试CAS修改失败的线程会走到这个分支

该分支直接操作base，将值累加到base

在这里插入图片描述

最后看Case1：Cell数组不再为空且可能存在Cell数组扩容，多个线程同时命中一个cell的竞争。此个If分支又分为6中if情况：

在这里插入图片描述

上面代码判断当前线程hash后指向的数据位置元素是否为空，如果为空则将Cell数据放入数组中，跳出循环。如果不空则继续循环。

在这里插入图片描述

wasUncontended表示cells初始化后，当前线程竞争修改失败wasUncontended =false，这里只是重新设置了这个值为true，紧接着执行Striped64类的advanceProbe(h)方法重置当前线程的hash，重新循环，重新再竞争一次。

在这里插入图片描述说明当前线程对应的数组中有了数据，也重置过hash值，这时通过CAS操作尝试对当前数中的value值进行累加x操作，x默认为1，如果CAS成功则直接break跳出循环。

在这里插入图片描述

如果n大于CPU最大数量，不可扩容并通过下面的h=advanceProbe(h)方法修改线程的probe再重新尝试。

在这里插入图片描述

如果扩容意向collide是false则修改它为true，然后重新算当前线程的hash值继续循环，如果当前数组的长度已经大于了CPU的核数，就会再次设置扩容意向collide=false (见上一步)

在这里插入图片描述

总结：

在这里插入图片描述

6、源码：LongAdder-sum方法

在这里插入图片描述
sum()会将斯有Cell数组中的value和base累加作为返回值。核心的思想就是将之前AtomicLong一个value的更新压力分散到多个value中去，从而降级更新热点。

在这里插入图片描述

为啥并发情况下sum的值不精确？

sum执行时，并没有限制对base和cells的更新(一句要命的话)，所以LongAdder不是强一致性的，它是最终一致性的。

首先，最终返回的sum局部变量，初始被复制为base，而最终返回时，很可能base已经被更新了，而此时局部变量sum不会更新，造成不一致。其次，这里对cell的读取也无法保证是最后一次写入的值。所以，sum方法在没有并发的情况下，可以获得正确的结果。

7、AtomicLong和LongAdder的对比

AtomicLong：

通过CAS+自旋实现
线程安全，可允许一些性能损耗，要求高精度时选AtomicLong
保证精度，但以性能为代价
AtomicLong是多个线程针对单个热点值value进行原子操作
缺点是高并发下，性能急剧下降，且AtomicLong的自旋同时也是瓶颈：因为N个线程同时CAS一个值，只有一个线程成功，其余N-1个线程要不断自旋

LongAdder：

通过CAS+Base +Cell数组分散热点来实现
当需要在高并发下有较好的性能表现，且对值的精确度要求不高时，可以使用
保证性能，但以精度为代价
LongAdder是每个线程拥有自己的槽，各个线程一般只对自己槽中的那个值进行CAS操作
缺陷是：sum求和后，还有计算线程修改结果的话，最后返回的结果不够准确