Scala for Backend Engineering & Functional Programming · 课时

优化并发代码

Q: 「优化并发代码」这节课中我会学到什么？

学习优化并发 Scala 应用程序的高级技术，包括线程池调优和避免竞争。 你通过在浏览器中直接运行的动手代码来练习 Scala for Backend Engineering & Functional Programming，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

学习优化并发 Scala 应用程序的高级技术，包括线程池调优和避免竞争。

优化并发代码 是 CoddyKit 上的免费 Scala for Backend Engineering & Functional Programming 课时。这是第 3 节课，共 3 节。你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。这是 Scala for Backend Engineering & Functional Programming 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Scala for Backend Engineering & Functional Programming 课程共包含 3 节课。

为什么要优化并发代码？

优化并发 Scala 代码对于构建高性能、可扩展的应用至关重要。这意味着让程序运行得更快，并能够同时处理更多工作。

吞吐量：单位时间内可以完成多少次操作？
延迟：完成一次操作需要多长时间？
资源利用率：CPU 核心和内存是否得到了高效使用？

优化不佳的并发代码可能导致瓶颈、死锁和资源使用低效，从而抵消并发带来的好处。

线程池的工作原理

线程池是一组预先初始化的工作线程，可以重复使用来执行任务。为每个任务创建新线程的成本很高，因此任务会被提交到线程池中。

这样可以减少线程创建和销毁的开销，提高响应速度，并帮助管理活动线程的数量，避免资源耗尽。

配置 Scala 的全局线程池

在 Scala 中，异步操作通常使用 ExecutionContext。默认情况下，Scala 应用使用全局 ExecutionContext，它通常是一个 ForkJoinPool。

您可以通过配置系统属性来调整这个默认线程池；更常见的方式是在 application.conf 中定义调度器设置（尤其是在基于 Akka 的应用中）。这样可以控制线程数量、工作窃取行为和队列大小。

常见的调整项是 parallelism-factor，它可以根据可用 CPU 核心数按比例调整线程池大小。

创建自定义 ExecutionContexts

虽然全局 ExecutionContext 使用方便，但通常最好为不同类型的任务创建自定义线程池。例如，可以为 CPU 密集型任务使用较小的线程池，为 I/O 密集型任务使用较大的线程池。

这样可以避免缓慢的 I/O 操作阻塞 CPU 密集型任务，从而提高整个系统的响应速度。下面是创建简单自定义 ExecutionContext 的方法：

import java.util.concurrent.{Executors, ExecutorService}
import scala.concurrent.ExecutionContext

object CustomPoolExample {
  def main(args: Array[String]): Unit = {
    // Create a fixed thread pool with 4 threads
    val customExecutor: ExecutorService =
      Executors.newFixedThreadPool(4)

    // Wrap it in a Scala ExecutionContext
    implicit val customEC: ExecutionContext =
      ExecutionContext.fromExecutor(customExecutor)

    println("Custom ExecutionContext created.")

    // Don't forget to shut down the executor!
    customExecutor.shutdown()
  }
}

尽量减少资源竞争

当多个线程同时尝试访问共享资源（例如变量、数据结构或数据库连接），并且一个或多个线程必须等待时，就会发生竞争。

这种等待会带来延迟和开销，因为线程需要争夺锁和 CPU 周期。即使有许多可用的 CPU 核心，高度竞争也会严重降低并发应用的性能。

减少竞争是释放真正并行能力的关键。

细粒度锁定

与使用单个粗粒度锁来保护整个对象或大段代码不同，细粒度锁定会使用更小、更具体的锁，只保护实际发生修改的数据部分。

这样，不同线程可以并发访问对象的不同部分，从而显著减少竞争。不过，如果管理不当，这也会增加复杂性和死锁风险。

class Counter {
  private var value = 0
  private val lock = new Object() // A specific lock for 'value'

  def increment(): Unit = lock.synchronized {
    value += 1
  }

  def get(): Int = lock.synchronized {
    value
  }
}

object FineGrainedLocking {
  def main(args: Array[String]): Unit = {
    val counter = new Counter()
    println(s"Initial counter value: ${counter.get()}")
    counter.increment()
    println(s"Incremented value: ${counter.get()}")
  }
}

用于提升性能的原子操作

无锁数据结构使用底层原子操作（例如比较并交换，即 CAS）更新共享变量，而不使用显式锁。这样可以避免传统锁机制带来的开销和潜在竞争。

Scala 借助 Java 的 java.util.concurrent.atomic 包实现这一功能。AtomicInteger、AtomicLong 和 AtomicReference 等类提供原子更新，非常适合竞争激烈的场景。

import java.util.concurrent.atomic.AtomicInteger

object AtomicCounterExample {
  def main(args: Array[String]): Unit = {
    val atomicCounter = new AtomicInteger(0)

    // Increment the counter atomically
    atomicCounter.incrementAndGet()
    println(s"Atomic counter after increment: ${atomicCounter.get()}")

    // Another atomic operation: add 5
    atomicCounter.addAndGet(5)
    println(s"Atomic counter after adding 5: ${atomicCounter.get()}")
  }
}

准确测量性能

要真正了解并发优化是否有效，您必须准确地进行测量。由于 JVM 优化、预热阶段和上下文切换的影响，仅使用 System.nanoTime() 进行简单计时通常不足以评估并发代码。

JMH（Java 微基准测试工具）等专业基准测试工具正是为此设计的。它们会处理 JVM 预热和无效代码消除，并提供统计分析，从而为并发算法提供可靠的性能指标。

请关注不同负载条件下的每秒操作数（吞吐量）和平均执行时间（延迟）等指标。

并发优化检查

以下哪些方法可以有效优化并发 Scala 应用并减少竞争？

回顾：更好的并发性能

在本课中，我们探索了优化并发 Scala 应用的高级技术：

我们了解了线程池调优的重要性，包括配置 Scala 的默认 ExecutionContext，以及为特定任务类型创建自定义线程池。
我们讨论了避免竞争的策略，例如通过细粒度锁定降低锁的粒度。
我们了解了无锁数据结构，尤其是原子变量，如何以高效且低开销的方式更新共享状态。

请记住，务必使用适当的基准测试工具测量优化的影响，以确保获得真正的性能提升！

常见问题解答

「优化并发代码」课时是免费的吗？

是的 — 「优化并发代码」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Scala for Backend Engineering & Functional Programming 课程的其余内容，请升级到 CoddyKit PRO。 Scala for Backend Engineering & Functional Programming 课程共包含 3 节课。

「优化并发代码」这节课中我会学到什么？

学习优化并发 Scala 应用程序的高级技术，包括线程池调优和避免竞争。你通过在浏览器中直接运行的动手代码来练习 Scala for Backend Engineering & Functional Programming，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

学习 Scala for Backend Engineering & Functional Programming 需要有经验吗？

无需任何先前经验。CoddyKit 上的 Scala for Backend Engineering & Functional Programming 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。这是第 3 节课，共 3 节。

「优化并发代码」课时需要多长时间？

大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。

我能在这节 Scala for Backend Engineering & Functional Programming 课中编写并运行代码吗？

能。每节 Scala for Backend Engineering & Functional Programming 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。

此课程中的所有课时

← 返回 Scala for Backend Engineering & Functional Programming