Java Academy · Lektion

Hvornår parallelitet hjælper

Faktorer som arbejdsbyrde og datastørrelse

Lektion 2 af 413 trin

Hvornår parallelitet hjælper er en gratis Java Academy-lektion på CoddyKit. Dette er lektion 2 af 4. Du kan læse hele lektionen gratis nedenfor — og derefter øve dig praktisk i browseren med en indbygget kodeeditor og en AI-vejleder, der er tilgængelig døgnet rundt. Den er en del af læringsforløbet i Java Academy, og dine fremskridt synkroniseres på tværs af nettet og CoddyKit-appen. Java Academy-kurset indeholder 4 lektioner i alt.

Parallelitet har en pris

Parallel udførelse medfører ekstraomkostninger: data skal opdeles, opgaver skal sendes ud, og resultater skal flettes. Det kan kun betale sig, når omkostningen er mindre end den sparede tid.

import java.util.stream.IntStream;

public class Main {
    public static void main(String[] args) {
        long sum = IntStream.rangeClosed(1, 10_000_000)
            .parallel()
            .asLongStream()
            .sum();
        System.out.println(sum);
    }
}

Faktor 1: Datamængde (N)

En stor N udjævner parallelitetens faste ekstraomkostninger. En grov tommelfingerregel er, at der skal være titusindvis af elementer, før parallel udførelse kan betale sig.

import java.util.stream.IntStream;

public class Main {
    public static void main(String[] args) {
        long count = IntStream.rangeClosed(1, 5_000_000)
            .parallel()
            .filter(n -> n % 7 == 0)
            .count();
        System.out.println(count);
    }
}

Faktor 2: Arbejde pr. element (Q)

Omkostningen Q ved at behandle hvert element har betydning. Dyrt arbejde pr. element (tunge beregninger) drager fordel af parallelitet selv ved mindre N.

import java.util.stream.IntStream;

public class Main {
    public static void main(String[] args) {
        long primes = IntStream.rangeClosed(2, 200_000)
            .parallel()
            .filter(Main::isPrime)
            .count();
        System.out.println(primes);
    }

    static boolean isPrime(int n) {
        for (int i = 2; (long) i * i <= n; i++)
            if (n % i == 0) return false;
        return true;
    }
}

Intuitionen bag N gange Q

Tænk på det samlede nyttige arbejde som N x Q. Jo større dette produkt er, desto mere kan parallelitet hjælpe. Et lille N eller et trivielt Q berettiger det sjældent.

import java.util.stream.IntStream;

public class Main {
    public static void main(String[] args) {
        double sum = IntStream.rangeClosed(1, 1_000_000)
            .parallel()
            .mapToDouble(n -> Math.sqrt(n) * Math.log(n + 1))
            .sum();
        System.out.println(sum);
    }
}

Faktor 3: Opdelbarhed

Datakilder, der kan opdeles billigt og jævnt, egner sig godt til parallel behandling: arrays, ArrayList og IntStream.range. LinkedList og iteratorbaserede kilder opdeles dårligt.

import java.util.ArrayList;
import java.util.List;

public class Main {
    public static void main(String[] args) {
        List<Integer> list = new ArrayList<>();
        for (int i = 0; i < 1_000_000; i++) list.add(i);
        long even = list.parallelStream().filter(n -> n % 2 == 0).count();
        System.out.println(even);
    }
}

God kilde: Arrays og intervaller

Primitive intervaller har en kendt størrelse og kan opdeles i O(1), hvilket gør dem til ideelle parallelle kilder.

import java.util.stream.LongStream;

public class Main {
    public static void main(String[] args) {
        long sum = LongStream.rangeClosed(1, 20_000_000)
            .parallel()
            .sum();
        System.out.println(sum);
    }
}

Dårlig kilde: Iterative generatorer

Stream.iterate producerer pr. definition elementer sekventielt, så den kan ikke opdeles, før elementerne er realiseret. Den er en svag parallel kilde.

import java.util.stream.Stream;

public class Main {
    public static void main(String[] args) {
        long count = Stream.iterate(1, n -> n + 1)
            .limit(1_000_000)
            .parallel()
            .filter(n -> n % 2 == 0)
            .count();
        System.out.println(count);
    }
}

Faktor 4: Billigt sammenfletningstrin

Parallelitet kræver en billig måde at kombinere delresultater på. sum og count kan flettes uden videre; det er dyrt at opbygge en sorteret liste eller bruge en indsamlingsfunktion med mange træstrukturer.

import java.util.stream.IntStream;

public class Main {
    public static void main(String[] args) {
        int max = IntStream.rangeClosed(1, 5_000_000)
            .parallel()
            .map(n -> n % 1000)
            .max()
            .getAsInt();
        System.out.println(max);
    }
}

Undgå ved I/O-bundet arbejde

Parallelle streams er beregnet til CPU-bundne opgaver i fork-join-puljen. Blokerende I/O udsulter den delte pulje og skader hele programmet. Brug i stedet dedikerede eksekveringspuljer til I/O.

import java.util.stream.IntStream;

public class Main {
    public static void main(String[] args) {
        long total = IntStream.rangeClosed(1, 1_000_000)
            .parallel()
            .mapToLong(n -> (long) n * n)
            .sum();
        System.out.println(total);
    }
}

Mål, gæt ikke

Den eneste pålidelige måde at vide, om parallelitet hjælper, er at måle med realistiske data. Intuition om ydeevne er ofte forkert.

import java.util.stream.LongStream;

public class Main {
    public static void main(String[] args) {
        long start = System.nanoTime();
        long sum = LongStream.rangeClosed(1, 50_000_000).parallel().sum();
        long ms = (System.nanoTime() - start) / 1_000_000;
        System.out.println("sum=" + sum + " took ~" + ms + "ms");
    }
}

En praktisk tjekliste

Foretræk parallel behandling, når alt dette gælder:

Stor N og/eller dyrt arbejde pr. element.
En opdelbar kilde (array, ArrayList, interval).
En billig, associativ sammenfletning.
CPU-bundet arbejde uden blokerende I/O.

import java.util.stream.IntStream;

public class Main {
    public static void main(String[] args) {
        double avg = IntStream.rangeClosed(1, 10_000_000)
            .parallel()
            .mapToDouble(Math::sqrt)
            .average()
            .getAsDouble();
        System.out.println(avg);
    }
}

Hurtigt tjek

Hvilket scenarie egner sig bedst til en parallel stream?

Besvar den i den interaktive lektion

Opsummering

Du har lært, hvornår parallelitet hjælper:

Fordelen vokser med N x Q (datamængde gange omkostningen pr. element).
Der kræves en opdelbar kilde (arrays, ArrayList, intervaller).
Der kræves en billig, associativ sammenfletning.
Hold arbejdet CPU-bundet, undgå blokerende I/O, og mål altid.

Gratis at komme i gang

Lær Java med en AI-underviser — gratis

Skriv og kør rigtig kode i din browser, få øjeblikkelig hjælp fra en AI-underviser døgnet rundt, og fortsæt, hvor du slap, på web eller i appen.

Kurser: 104
Lektioner: 374

Start gratis Se hele kurset

Ofte stillede spørgsmål

Er lektionen “Hvornår parallelitet hjælper” gratis?

Ja — hele teksten til “Hvornår parallelitet hjælper” kan læses gratis her på nettet. Hvis du vil øve dig interaktivt med en indbygget kodeeditor og en AI-vejleder døgnet rundt og få adgang til resten af Java Academy-kurset, skal du opgradere til CoddyKit PRO. Java Academy-kurset indeholder 4 lektioner i alt.

Hvad lærer jeg i “Hvornår parallelitet hjælper”?

Faktorer som arbejdsbyrde og datastørrelse Du øver dig i Java Academy med praktisk kode, som du kører direkte i browseren, og en AI-vejleder døgnet rundt besvarer dine spørgsmål, mens du arbejder dig gennem lektionen.

Skal jeg have erfaring for at begynde på Java Academy?

Der kræves ingen tidligere erfaring. Java Academy på CoddyKit er tilrettelagt for både begyndere og øvede, så du kan starte her eller fra begyndelsen og lære i dit eget tempo. Dette er lektion 2 af 4.

Hvor lang tid tager lektionen “Hvornår parallelitet hjælper”?

De fleste CoddyKit-lektioner tager cirka 5–10 minutter. Hver lektion er kort og interaktiv, så du gør løbende fremskridt og kan fortsætte, hvor du slap – på både web og app.

Kan jeg skrive og køre kode i denne Java Academy-lektion?

Ja. Alle Java Academy-lektioner har en indbygget kodeeditor, så du kan skrive og køre rigtig kode direkte i din browser og få øjeblikkelig feedback fra AI – uden lokal opsætning.

Alle lektioner i dette kursus

← Tilbage til Java Academy