Menghindari Data Race

Data race terjadi ketika dua utas menyentuh memori yang sama secara bersamaan dan setidaknya salah satunya melakukan penulisan. Hasilnya menjadi tidak dapat diprediksi. ⚠️

Banyak worker yang menambahkan nilai ke satu total bersama akan saling bertabrakan. Pembaruan dapat hilang karena penulisan tumpang tindih dan saling menimpa.

Perbaikan paling sederhana: berikan indeksnya sendiri untuk ditulisi oleh setiap worker. Jika keluaran tidak pernah tumpang tindih, tidak ada race.

Banyak utas dapat membaca input yang sama dengan aman. Masalah baru muncul ketika seseorang menulis sesuatu yang sedang dibaca atau ditulis oleh utas lain.

Untuk penjumlahan, berikan slot parsialnya sendiri kepada setiap worker. Mereka tidak pernah berbagi sel, sehingga operasi penambahan tetap aman.

Setelah semua worker selesai, jumlahkan hasil parsial dalam satu utas. Reduksi akhir ini tidak memerlukan penguncian.

Kode paralel yang paling aman hanya membagikan data baca-saja. Jika memungkinkan, simpan setiap bagian yang dapat diubah secara privat pada satu worker.

Worker dapat selesai dalam urutan apa pun. Jangan pernah bergantung pada satu chunk yang berjalan sebelum chunk lain, karena penjadwalan dapat berubah.

Kepemilikan dan semantik nilai Mojo mempersulit pembagian data secara tidak sengaja, tetapi logika paralel tetap menjadi tanggung jawab Anda agar tetap benar.

Race dapat tersembunyi di balik pengaturan waktu, jadi jalankan kode paralel berkali-kali dan bandingkan hasilnya dengan hasil acuan serial.

Pertahanan terbaik adalah tata letak yang membuat penulisan tidak pernah tumpang tindih. Cegah race melalui perancangan, bukan dengan menambalnya setelah terjadi.

Hindari race dengan menulis ke slot yang terpisah, menggunakan hasil parsial per worker, melakukan reduksi setelah penggabungan, dan tidak pernah bergantung pada urutan agar hasil paralel tetap benar. 🚀