Wanneer parallellisme helpt
Factoren zoals werklast en gegevensgrootte
Wanneer parallellisme helpt is een gratis Java Academy-les op CoddyKit. Dit is les 2 van 4. Je kunt de volledige les hieronder gratis lezen en daarna in de browser praktisch oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is. Deze les maakt deel uit van het leertraject Java Academy. Je voortgang wordt gesynchroniseerd op het web en in de CoddyKit-app. De cursus Java Academy bevat in totaal 4 lessen.
Parallellisme heeft een prijs
Parallelle uitvoering brengt extra kosten met zich mee: gegevens splitsen, taken verdelen en resultaten samenvoegen. Het levert alleen voordeel op wanneer die kosten kleiner zijn dan de bespaarde tijd.
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);
}
}Factor 1: gegevensgrootte (N)
Een grote N verdeelt de vaste kosten van parallellisme over meer elementen. Een ruwe vuistregel is dat parallelle uitvoering pas vanaf tienduizenden elementen de moeite waard wordt.
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);
}
}Factor 2: werk per element (Q)
De kosten Q voor het verwerken van elk element zijn belangrijk. Zwaar werk per element, zoals intensieve berekeningen, profiteert zelfs bij een kleinere N van parallellisme.
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;
}
}De intuïtie van N maal Q
Zie het totale nuttige werk als N x Q. Hoe groter dat product, hoe meer parallellisme kan helpen. Een kleine N of een triviale Q rechtvaardigt het zelden.
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);
}
}Factor 3: splitsbaarheid
Gegevensbronnen die goedkoop en gelijkmatig kunnen worden gesplitst, werken goed in parallelle uitvoering: arrays, ArrayList en IntStream.range. LinkedList en bronnen op basis van iterators kunnen slecht worden gesplitst.
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);
}
}Goede bron: arrays en bereiken
Bereiken met primitieve waarden hebben een bekende grootte en kunnen in O(1) worden gesplitst, waardoor ze ideale parallelle bronnen zijn.
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);
}
}Slechte bron: iteratieve generatoren
Stream.iterate produceert per definitie sequentieel elementen en kan pas worden gesplitst wanneer elementen zijn gerealiseerd. Het is een zwakke parallelle bron.
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);
}
}Factor 4: goedkope samenvoegstap
Parallellisme vereist een goedkope manier om deelresultaten te combineren. sum en count worden eenvoudig samengevoegd; een gesorteerde lijst of een collector met veel boomstructuren samenstellen is duurder.
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);
}
}Vermijd I/O-gebonden werk
Parallelle streams zijn gericht op CPU-gebonden taken in de fork-joinpool. Blokkerende I/O put de gedeelde pool uit en schaadt de hele toepassing. Gebruik in plaats daarvan speciale uitvoerders voor 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);
}
}Meet, gok niet
De enige betrouwbare manier om vast te stellen of parallelle uitvoering helpt, is een benchmark uitvoeren met realistische gegevens. Je intuïtie over prestaties is vaak verkeerd.
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");
}
}Een praktische checklist
Kies voor parallelle uitvoering als aan alle voorwaarden is voldaan:
- Een grote N en/of duur werk per element.
- Een splitsbare bron (array, ArrayList, bereik).
- Een goedkope, associatieve samenvoeging.
- CPU-gebonden werk, zonder blokkerende 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);
}
}Korte controle
Welk scenario is de beste kandidaat voor een parallelle stream?
Samenvatting
Je hebt geleerd wanneer parallellisme helpt:
- Het voordeel groeit met N x Q (gegevensgrootte maal kosten per element).
- Je hebt een splitsbare bron nodig (arrays, ArrayList, bereiken).
- Je hebt een goedkope, associatieve samenvoeging nodig.
- Houd het werk CPU-gebonden, vermijd blokkerende I/O en meet altijd.
Leer Java met een AI-tutor — gratis
Schrijf echte code en voer die uit in je browser, krijg direct hulp van een AI-tutor die 24/7 beschikbaar is en ga verder waar je gebleven bent op het web of in de app.
- Cursussen
- 104
- Lessen
- 374
Veelgestelde vragen
Is de les “Wanneer parallellisme helpt” gratis?
Ja — de volledige tekst van “Wanneer parallellisme helpt” kun je hier gratis op het web lezen. Als je interactief wilt oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is, en de rest van de cursus Java Academy wilt ontgrendelen, kun je upgraden naar CoddyKit PRO. De cursus Java Academy bevat in totaal 4 lessen.
Wat leer ik in “Wanneer parallellisme helpt”?
Factoren zoals werklast en gegevensgrootte Je oefent met Java Academy door code rechtstreeks in de browser uit te voeren. Een AI-begeleider die 24/7 beschikbaar is beantwoordt je vragen terwijl je de les doorwerkt.
Heb ik ervaring nodig om met Java Academy te beginnen?
Ervaring vooraf is niet nodig. Java Academy op CoddyKit is opgebouwd voor beginners tot gevorderden, zodat je hier of bij het begin kunt starten en in je eigen tempo kunt leren. Dit is les 2 van 4.
Hoe lang duurt de les “Wanneer parallellisme helpt”?
De meeste lessen van CoddyKit duren ongeveer 5–10 minuten. Elke les is kort en interactief, zodat je gestaag vooruitgaat en op het web en in de app precies verdergaat waar je was gebleven.
Kan ik code schrijven en uitvoeren in deze les over Java Academy?
Ja. Elke les over Java Academy bevat een ingebouwde code-editor, zodat je rechtstreeks in je browser echte code kunt schrijven en uitvoeren en direct feedback van AI krijgt — lokale installatie is niet nodig.
Alle lessen in deze cursus
- Parallelle streams maken
- Wanneer parallellisme helpt
- Threadveiligheid en bijwerkingen
- Veelvoorkomende valkuilen