肥肥的主管和帅气的小饭饭讨论了一下午的ForkJoinPool

肥肥的主管： 小饭饭，了解ForkJoinPool吗

帅气的小饭饭： 了解啊，Caffeine中默认用到的处理线程池就是这个

肥肥的主管： 和ThreadPoolExecutor有什么区别吗？

帅气的小饭饭： (⊙o⊙)…，这个没了解

肥肥的主管： 有什么应用场景吗？能引入我们的游戏中吗？有什么弊端吗？

帅气的小饭饭： (⊙o⊙)…，我周末研究下

以上就是我，帅气的小饭饭被小肥肥刁难的日常了。

image-20210620115400862

每次看到这个，总会邪恶的想到FuckXXX的。

其实好久前就知道这个FuckXXX了，比如Caffeine、Netty中默认提供的线程池，只是一直没有去研究它。

过了个周末，我李汉三终于搞懂了ForkJoinPool了，终于可以和小肥肥正面肝上了

image-20210620154701046

看完该篇文章你大概可以了解到这些知识点：

• ForkJoinPool是什么

• 和ThreadPoolExecutor有什么区别

• 应用场景是啥

• 好处和弊端

• 常见面试题

小肥肥： 周末不是研究了下ForkJoinPool吗？说说看是啥东西啊这？

*帅气的小饭饭： * 是啊是啊，可卖力了，现在已经研究透彻了，

ForkJoinPool是JDK7引入的线程池，核心思想是将大的任务拆分成多个小任务（即fork），然后在将多个小任务处理汇总到一个结果（即join），非常像MapReduce处理原理。

同时呢，它还提供基本的线程池功能，支持设置最大并发线程数，支持任务排队，支持线程池停止，支持线程池使用情况监控，也是AbstractExecutorService的子类，主要引入了“工作窃取”机制，在多CPU计算机上处理性能更佳。

为了让你看清楚这个过程，我还特地画了个流程图给你look look

image-20210620120440613

小肥肥： 什么叫“工作窃取”机制啊，这么屌的

*帅气的小饭饭： *和它的名字一样啊，就是窃取啊，work-stealing（工作窃取），ForkJoinPool提供了一个更有效的利用线程的机制，当ThreadPoolExecutor还在用单个队列存放任务时，ForkJoinPool已经分配了与线程数相等的队列，当有任务加入线程池时，会被平均分配到对应的队列上，各线程进行正常工作，当有线程提前完成时，会从队列的末端“窃取”其他线程未执行完的任务，当任务量特别大时，CPU多的计算机会表现出更好的性能，就是这么强啊。

image-20210620123535386

小肥肥： 我擦，好强，原理是啥啊

*帅气的小饭饭： *原理啊，我罗列下吧

• ForkJoinPool 的每个工作线程都维护着一个工作队列（WorkQueue），这是一个双端队列（Deque），里面存放的对象是任务（ForkJoinTask）。
• 每个工作线程在运行中产生新的任务，通常是因为调用了fork()，会放入工作队列的队尾，并且工作线程在处理自己的工作队列时，使用的是 LIFO 方式，也就是说每次从队尾取出任务来执行。
• 每个工作线程在处理自己的工作队列同时，会尝试窃取一个任务，这个窃取行为或是来自于刚刚提交到 pool 的任务，或是来自于其他工作线程的工作队列，窃取的任务位于其他线程的工作队列的队首，也就是说工作线程在窃取其他工作线程的任务时，使用的是 FIFO 方式。
• 在遇到 join() 时，如果需要 join 的任务尚未完成，则会先处理其他任务，并等待其完成。
• 在既没有自己的任务，也没有可以窃取的任务时，进入休眠。

*小肥肥： *了解了，那除此之外还和ThreadPoolExecutor有什么区别吗

*帅气的小饭饭： *(⊙o⊙)…，最大的区别就是这个工作窃取机制了，其他的，我想想看哦，突然想到了我们游戏内的线程池模型

我们游戏内使用的ThreadPoolExecutor线程池内的对应线程池是有明确规定的，比如A线程只能处理一批玩家的数据，B线程只能处理另一批玩家的数据，这里用了取摩的思想，而ForkJoinPool 这种窃取思想，自身是并行计算，无法对对应线程进行明确的工作划分，单纯这点来说，其实就不适合用来做我们的线程模型的载体了。

_小肥肥：_嗯，也是，那它有啥应用场景呢

*帅气的小饭饭： *ForkJoinPool 最适合的是计算密集型的任务，如果存在 I/O，线程间同步，sleep() 等会造成线程长时间阻塞的情况时，最好配合使用 ManagedBlocker，或者不用。

为了让小肥肥看清楚这个应用场景，我打开了idea，怒写了以下代码【其实是从网上看到的例子】

方案一：平平无奇的for循环解决

public interface Calculator {    /**     * 把传进来的所有numbers 做求和处理     *     * @param numbers     * @return 总和     */    long sumUp(long[] numbers);}

日常代码

public class ForLoopCalculator implements Calculator {    @Override    public long sumUp(long[] numbers) {        long total = 0;        for (long i : numbers) {            total += i;        }        return total;    }}

执行类

    public static void main(String[] args) {        long[] numbers = LongStream.rangeClosed(1, 10000000).toArray();        Instant start = Instant.now();        Calculator calculator = new ForLoopCalculator();        long result = calculator.sumUp(numbers);        Instant end = Instant.now();        System.out.println("耗时：" + Duration.between(start, end).toMillis() + "ms");        System.out.println("结果为：" + result);     }输出：耗时：10ms结果为：50000005000000

方案二：ExecutorService多线程方式实现

public class ExecutorServiceCalculator implements Calculator {    private int parallism;    private ExecutorService pool;    public ExecutorServiceCalculator() {        parallism = Runtime.getRuntime().availableProcessors(); // CPU的核心数 默认就用cpu核心数了        pool = Executors.newFixedThreadPool(parallism);    }    //处理计算任务的线程    private static class SumTask implements Callable<Long> {        private long[] numbers;        private int from;        private int to;        public SumTask(long[] numbers, int from, int to) {            this.numbers = numbers;            this.from = from;            this.to = to;        }        @Override        public Long call() {            long total = 0;            for (int i = from; i <= to; i++) {                total += numbers[i];            }            return total;        }    }    @Override    public long sumUp(long[] numbers) {        List<Future<Long>> results = new ArrayList<>();        // 把任务分解为 n 份，交给 n 个线程处理   4核心 就等分成4份呗        // 然后把每一份都扔个一个SumTask线程 进行处理        int part = numbers.length / parallism;        for (int i = 0; i < parallism; i++) {            int from = i * part; //开始位置            int to = (i == parallism - 1) ? numbers.length - 1 : (i + 1) * part - 1; //结束位置            //扔给线程池计算            results.add(pool.submit(new SumTask(numbers, from, to)));        }        // 把每个线程的结果相加，得到最终结果 get()方法 是阻塞的        // 优化方案：可以采用CompletableFuture来优化  JDK1.8的新特性        long total = 0L;        for (Future<Long> f : results) {            try {                total += f.get();            } catch (Exception ignore) {            }        }        return total;    }}

执行类

    public static void main(String[] args) {        long[] numbers = LongStream.rangeClosed(1, 10000000).toArray();        Instant start = Instant.now();        Calculator calculator = new ExecutorServiceCalculator();        long result = calculator.sumUp(numbers);        Instant end = Instant.now();        System.out.println("耗时：" + Duration.between(start, end).toMillis() + "ms");        System.out.println("结果为：" + result); // 打印结果500500    }输出：耗时：30ms结果为：50000005000000

方案三：采用ForkJoinPool（Fork/Join）

public class ForkJoinCalculator implements Calculator {    private ForkJoinPool pool;    //执行任务RecursiveTask：有返回值  RecursiveAction：无返回值    private static class SumTask extends RecursiveTask<Long> {        private long[] numbers;        private int from;        private int to;        public SumTask(long[] numbers, int from, int to) {            this.numbers = numbers;            this.from = from;            this.to = to;        }        //此方法为ForkJoin的核心方法：对任务进行拆分  拆分的好坏决定了效率的高低        @Override        protected Long compute() {            // 当需要计算的数字个数小于6时，直接采用for loop方式计算结果            if (to - from < 6) {                long total = 0;                for (int i = from; i <= to; i++) {                    total += numbers[i];                }                return total;            } else { // 否则，把任务一分为二，递归拆分(注意此处有递归)到底拆分成多少分 需要根据具体情况而定                int middle = (from + to) / 2;                SumTask taskLeft = new SumTask(numbers, from, middle);                SumTask taskRight = new SumTask(numbers, middle + 1, to);                taskLeft.fork();                taskRight.fork();                return taskLeft.join() + taskRight.join();            }        }    }    public ForkJoinCalculator() {        // 也可以使用公用的线程池 ForkJoinPool.commonPool()：        // pool = ForkJoinPool.commonPool()        pool = new ForkJoinPool();    }    @Override    public long sumUp(long[] numbers) {        Long result = pool.invoke(new SumTask(numbers, 0, numbers.length - 1));        pool.shutdown();        return result;    }}输出：耗时：390ms结果为：50000005000000

方案四：采用并行流

    public static void main(String[] args) {        Instant start = Instant.now();        long result = LongStream.rangeClosed(0, 10000000L).parallel().reduce(0, Long::sum);        Instant end = Instant.now();        System.out.println("耗时：" + Duration.between(start, end).toMillis() + "ms");        System.out.println("结果为：" + result); // 打印结果500500    }输出：耗时：130ms结果为：50000005000000

并行流底层也是Fork/Join框架，只是任务拆分优化得很好。

耗时效率方面解释：Fork/Join 并行流等当计算的数字非常大的时候，优势才能体现出来。也就是说，如果你的计算比较小，或者不是CPU密集型的任务，不太建议使用并行处理。

小肥肥： 不明觉厉，看起来就是不适用，使用它的好处和弊端呢？

帅气的小饭饭： 好处就是对CPU的充分利用了，特别是在计算密集型的任务的时候，弊端就是需要对任务进行拆分，拆分的好坏也意味着任务的好坏，对开发人员来说，还是有点成本存在的。

小肥肥： 嗯，确实，我这边有份简历，有某初级游戏开发说用上了这个技术，你设计下相关面试题问问人家吧。

帅气的小饭饭： 好吧，那这边大概设计以下几道面试题吧

• 什么是ForkJoin？
• 说说看ForkJoin的内部原理？
• 大概聊聊工作窃取机制？
• 如何充分利用CPU，计算超大数组中所有整数的和？

这些面试题的答案基本上都在我们聊的话题中啦。

小肥肥： 挺好的，等着升资深开发吧你，周末还学习，对了，总结下，将刚刚的聊天记录总结下，然后后期做个分享。

帅气的小饭饭： 哦豁，可以啊，先加点钱啊，穷啊，我总结下吧

• ForkJoinPool特别适合于“分而治之”算法的实现；

• 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；

• ForkJoinTask有两个核心方法——fork()和join()，有三个重要子类——RecursiveAction、RecursiveTask和CountedCompleter；

• ForkjoinPool内部基于“工作窃取”算法实现；

• 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；

• 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；

• 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；