死磕 java线程系列之ForkJoinPool深入解析
- 2019 年 11 月 9 日
- 笔记
（手机横屏看源码更方便）
注：java源码分析部分如无特殊说明均基于 java8 版本。
注：本文基于ForkJoinPool分治线程池类。
简介
随着在硬件上多核处理器的发展和广泛使用，并发编程成为程序员必须掌握的一门技术，在面试中也经常考查面试者并发相关的知识。
今天，我们就来看一道面试题：
如何充分利用多核CPU，计算很大数组中所有整数的和？
剖析
- 单线程相加？
我们最容易想到就是单线程相加，一个for循环搞定。
- 线程池相加？
如果进一步优化，我们会自然而然地想到使用线程池来分段相加，最后再把每个段的结果相加。
- 其它？
Yes，就是我们今天的主角——ForkJoinPool，但是它要怎么实现呢？似乎没怎么用过哈^^
三种实现
OK，剖析完了，我们直接来看三种实现，不墨迹，直接上菜。
/** * 计算1亿个整数的和 */ public class ForkJoinPoolTest01 { public static void main(String[] args) throws ExecutionException, InterruptedException { // 构造数据 int length = 100000000; long[] arr = new long[length]; for (int i = 0; i < length; i++) { arr[i] = ThreadLocalRandom.current().nextInt(Integer.MAX_VALUE); } // 单线程 singleThreadSum(arr); // ThreadPoolExecutor线程池 multiThreadSum(arr); // ForkJoinPool线程池 forkJoinSum(arr); } private static void singleThreadSum(long[] arr) { long start = System.currentTimeMillis(); long sum = 0; for (int i = 0; i < arr.length; i++) { // 模拟耗时，本文由公从号“彤哥读源码”原创 sum += (arr[i]/3*3/3*3/3*3/3*3/3*3); } System.out.println("sum: " + sum); System.out.println("single thread elapse: " + (System.currentTimeMillis() - start)); } private static void multiThreadSum(long[] arr) throws ExecutionException, InterruptedException { long start = System.currentTimeMillis(); int count = 8; ExecutorService threadPool = Executors.newFixedThreadPool(count); List<Future<Long>> list = new ArrayList<>(); for (int i = 0; i < count; i++) { int num = i; // 分段提交任务 Future<Long> future = threadPool.submit(() -> { long sum = 0; for (int j = arr.length / count * num; j < (arr.length / count * (num + 1)); j++) { try { // 模拟耗时 sum += (arr[j]/3*3/3*3/3*3/3*3/3*3); } catch (Exception e) { e.printStackTrace(); } } return sum; }); list.add(future); } // 每个段结果相加 long sum = 0; for (Future<Long> future : list) { sum += future.get(); } System.out.println("sum: " + sum); System.out.println("multi thread elapse: " + (System.currentTimeMillis() - start)); } private static void forkJoinSum(long[] arr) throws ExecutionException, InterruptedException { long start = System.currentTimeMillis(); ForkJoinPool forkJoinPool = ForkJoinPool.commonPool(); // 提交任务 ForkJoinTask<Long> forkJoinTask = forkJoinPool.submit(new SumTask(arr, 0, arr.length)); // 获取结果 Long sum = forkJoinTask.get(); forkJoinPool.shutdown(); System.out.println("sum: " + sum); System.out.println("fork join elapse: " + (System.currentTimeMillis() - start)); } private static class SumTask extends RecursiveTask<Long> { private long[] arr; private int from; private int to; public SumTask(long[] arr, int from, int to) { this.arr = arr; this.from = from; this.to = to; } @Override protected Long compute() { // 小于1000的时候直接相加，可灵活调整 if (to - from <= 1000) { long sum = 0; for (int i = from; i < to; i++) { // 模拟耗时 sum += (arr[i]/3*3/3*3/3*3/3*3/3*3); } return sum; } // 分成两段任务，本文由公从号“彤哥读源码”原创 int middle = (from + to) / 2; SumTask left = new SumTask(arr, from, middle); SumTask right = new SumTask(arr, middle, to); // 提交左边的任务 left.fork(); // 右边的任务直接利用当前线程计算，节约开销 Long rightResult = right.compute(); // 等待左边计算完毕 Long leftResult = left.join(); // 返回结果 return leftResult + rightResult; } } }彤哥偷偷地告诉你，实际上计算1亿个整数相加，单线程是最快的，我的电脑大概是100ms左右，使用线程池反而会变慢。
所以，为了演示ForkJoinPool的牛逼之处，我把每个数都/3*3/3*3/3*3/3*3/3*3了一顿操作，用来模拟计算耗时。
来看结果：
sum: 107352457433800662 single thread elapse: 789 sum: 107352457433800662 multi thread elapse: 228 sum: 107352457433800662 fork join elapse: 189可以看到，ForkJoinPool相对普通线程池还是有很大提升的。
问题：普通线程池能否实现ForkJoinPool这种计算方式呢，即大任务拆中任务，中任务拆小任务，最后再汇总？
你可以试试看(-᷅_-᷄)
OK，下面我们正式进入ForkJoinPool的解析。
分治法
- 基本思想
把一个规模大的问题划分为规模较小的子问题，然后分而治之，最后合并子问题的解得到原问题的解。
- 步骤
（1）分割原问题：
（2）求解子问题：
（3）合并子问题的解为原问题的解。
在分治法中，子问题一般是相互独立的，因此，经常通过递归调用算法来求解子问题。
- 典型应用场景
（1）二分搜索
（2）大整数乘法
（3）Strassen矩阵乘法
（4）棋盘覆盖
（5）归并排序
（6）快速排序
（7）线性时间选择
（8）汉诺塔
ForkJoinPool继承体系
ForkJoinPool是 java 7 中新增的线程池类，它的继承体系如下：
ForkJoinPool和ThreadPoolExecutor都是继承自AbstractExecutorService抽象类，所以它和ThreadPoolExecutor的使用几乎没有多少区别，除了任务变成了ForkJoinTask以外。
这里又运用到了一种很重要的设计原则——开闭原则——对修改关闭，对扩展开放。
可见整个线程池体系一开始的接口设计就很好，新增一个线程池类，不会对原有的代码造成干扰，还能利用原有的特性。
ForkJoinTask
两个主要方法
- fork()
fork()方法类似于线程的Thread.start()方法，但是它不是真的启动一个线程，而是将任务放入到工作队列中。
- join()
join()方法类似于线程的Thread.join()方法，但是它不是简单地阻塞线程，而是利用工作线程运行其它任务。当一个工作线程中调用了join()方法，它将处理其它任务，直到注意到目标子任务已经完成了。
三个子类
- RecursiveAction
无返回值任务。
- RecursiveTask
有返回值任务。
- CountedCompleter
无返回值任务，完成任务后可以触发回调。
ForkJoinPool内部原理
ForkJoinPool内部使用的是“工作窃取”算法实现的。
（1）每个工作线程都有自己的工作队列WorkQueue；
（2）这是一个双端队列，它是线程私有的；
（3）ForkJoinTask中fork的子任务，将放入运行该任务的工作线程的队头，工作线程将以LIFO的顺序来处理工作队列中的任务；
（4）为了最大化地利用CPU，空闲的线程将从其它线程的队列中“窃取”任务来执行；
（5）从工作队列的尾部窃取任务，以减少竞争；
（6）双端队列的操作：push()/pop()仅在其所有者工作线程中调用，poll()是由其它线程窃取任务时调用的；
（7）当只剩下最后一个任务时，还是会存在竞争，是通过CAS来实现的；
ForkJoinPool最佳实践
（1）最适合的是计算密集型任务，本文由公从号“彤哥读源码”原创；
（2）在需要阻塞工作线程时，可以使用ManagedBlocker；
（3）不应该在RecursiveTask
总结
（1）ForkJoinPool特别适合于“分而治之”算法的实现；
（2）ForkJoinPool和ThreadPoolExecutor是互补的，不是谁替代谁的关系，二者适用的场景不同；
（3）ForkJoinTask有两个核心方法——fork()和join()，有三个重要子类——RecursiveAction、RecursiveTask和CountedCompleter；
（4）ForkjoinPool内部基于“工作窃取”算法实现；
（5）每个线程有自己的工作队列，它是一个双端队列，自己从队列头存取任务，其它线程从尾部窃取任务；
（6）ForkJoinPool最适合于计算密集型任务，但也可以使用ManagedBlocker以便用于阻塞型任务；
（7）RecursiveTask内部可以少调用一次fork()，利用当前线程处理，这是一种技巧；
彩蛋
ManagedBlocker怎么使用？
答：ManagedBlocker相当于明确告诉ForkJoinPool框架要阻塞了，ForkJoinPool就会启另一个线程来运行任务，以最大化地利用CPU。
请看下面的例子，自己琢磨哈^^。
/** * 斐波那契数列 * 一个数是它前面两个数之和 * 1,1,2,3,5,8,13,21 */ public class Fibonacci { public static void main(String[] args) { long time = System.currentTimeMillis(); Fibonacci fib = new Fibonacci(); int result = fib.f(1_000).bitCount(); time = System.currentTimeMillis() - time; System.out.println("result，本文由公从号“彤哥读源码”原创 = " + result); System.out.println("test1_000() time = " + time); } public BigInteger f(int n) { Map<Integer, BigInteger> cache = new ConcurrentHashMap<>(); cache.put(0, BigInteger.ZERO); cache.put(1, BigInteger.ONE); return f(n, cache); } private final BigInteger RESERVED = BigInteger.valueOf(-1000); public BigInteger f(int n, Map<Integer, BigInteger> cache) { BigInteger result = cache.putIfAbsent(n, RESERVED); if (result == null) { int half = (n + 1) / 2; RecursiveTask<BigInteger> f0_task = new RecursiveTask<BigInteger>() { @Override protected BigInteger compute() { return f(half - 1, cache); } }; f0_task.fork(); BigInteger f1 = f(half, cache); BigInteger f0 = f0_task.join(); long time = n > 10_000 ? System.currentTimeMillis() : 0; try { if (n % 2 == 1) { result = f0.multiply(f0).add(f1.multiply(f1)); } else { result = f0.shiftLeft(1).add(f1).multiply(f1); } synchronized (RESERVED) { cache.put(n, result); RESERVED.notifyAll(); } } finally { time = n > 10_000 ? System.currentTimeMillis() - time : 0; if (time > 50) System.out.printf("f(%d) took %d%n", n, time); } } else if (result == RESERVED) { try { ReservedFibonacciBlocker blocker = new ReservedFibonacciBlocker(n, cache); ForkJoinPool.managedBlock(blocker); result = blocker.result; } catch (InterruptedException e) { throw new CancellationException("interrupted"); } } return result; // return f(n - 1).add(f(n - 2)); } private class ReservedFibonacciBlocker implements ForkJoinPool.ManagedBlocker { private BigInteger result; private final int n; private final Map<Integer, BigInteger> cache; public ReservedFibonacciBlocker(int n, Map<Integer, BigInteger> cache) { this.n = n; this.cache = cache; } @Override public boolean block() throws InterruptedException { synchronized (RESERVED) { while (!isReleasable()) { RESERVED.wait(); } } return true; } @Override public boolean isReleasable() { return (result = cache.get(n)) != RESERVED; } } }欢迎关注我的公众号“彤哥读源码”，查看更多源码系列文章, 与彤哥一起畅游源码的海洋。
