技术

下一个平台Agent 激发LLM涌现——提示工程 LLM微调理论及实践 大佬沉思 LLM外挂知识库 LLMOps 多模态LLM Python一些比较有意思的库 LLM部分技术源码学习 LangChain源码学习 通用分布式计算引擎Ray Python并发 go依赖注入 go collection gc的基本原理 golang性能分析及优化 数据湖 高性能计算与存储 Linux2.1.13网络源代码学习 《大数据经典论文解读》 三驾马车学习 Spark 内存管理及调优 Yarn学习 从Spark部署模式开始讲源码分析 容器狂占内存资源怎么办? 多角度理解一致性 golang io使用及优化模式 Flink学习 c++学习 学习ebpf go设计哲学 ceph学习 学习mesh kvm虚拟化 学习MQ go编译器以及defer实现 学习go 为什么要有堆栈 汇编语言 计算机组成原理 运行时和库 Prometheus client mysql 事务 mysql 事务的隔离级别 mysql 索引 坏味道 学习分布式 学习网络 学习Linux go堆内存分配 golang 系统调用与阻塞处理 Goroutine 调度过程 重新认识cpu mosn有的没的 负载均衡泛谈 单元测试的新解读 《Redis核心技术与实现》笔记 《Prometheus监控实战》笔记 Prometheus 告警学习 calico源码分析 对容器云平台的理解 Prometheus 源码分析 并发的成本 基础设施优化 hashicorp raft源码学习 docker 架构 mosn细节 与微服务框架整合 Java动态代理 编程范式 并发通信模型 《网络是怎样连接的》笔记 go channel codereview gc分析 jvm 线程实现 go打包机制 go interface及反射 如何学习Kubernetes 《编译原理之美》笔记——后端部分 《编译原理之美》笔记——前端部分 Pilot MCP协议分析 go gc 内存管理玩法汇总 软件机制 istio流量管理 Pilot源码分析 golang io 学习Spring mosn源码浅析 MOSN简介 《datacenter as a computer》笔记 学习JVM Tomcat源码分析 Linux可观测性 学习存储 学计算 Gotty源码分析 kubernetes operator kaggle泰坦尼克问题实践 kubernetes扩缩容 神经网络模型优化 直觉上理解深度学习 如何学习机器学习 TIDB源码分析 什么是云原生 Alibaba Java诊断工具Arthas TIDB存储——TIKV 《Apache Kafka源码分析》——简介 netty中的线程池 guava cache 源码分析 Springboot 启动过程分析 Spring 创建Bean的年代变迁 Linux内存管理 自定义CNI IPAM 共识算法 spring redis 源码分析 kafka实践 spring kafka 源码分析 Linux进程调度 让kafka支持优先级队列 Codis源码分析 Redis源码分析 C语言学习 《趣谈Linux操作系统》笔记 docker和k8s安全访问机制 jvm crash分析 Prometheus 学习 Kubernetes监控 容器日志采集 Kubernetes 控制器模型 容器狂占资源怎么办? Kubernetes资源调度——scheduler 时序性数据库介绍及对比 influxdb入门 maven的基本概念 《Apache Kafka源码分析》——server Kubernetes类型系统 源码分析体会 《数据结构与算法之美》——算法新解 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 ansible学习 Kubernetes源码分析——从kubectl开始 jib源码分析之Step实现 jib源码分析之细节 线程排队 跨主机容器通信 jib源码分析及应用 为容器选择一个合适的entrypoint kubernetes yaml配置 《持续交付36讲》笔记 mybatis学习 程序猿应该知道的 无锁数据结构和算法 CNI——容器网络是如何打通的 为什么很多业务程序猿觉得数据结构和算法没用? 串一串一致性协议 当我在说PaaS时,我在说什么 《数据结构与算法之美》——数据结构笔记 PouchContainer技术分享体会 harbor学习 用groovy 来动态化你的代码 精简代码的利器——lombok 学习 《深入剖析kubernetes》笔记 编程语言那些事儿 rxjava3——背压 rxjava2——线程切换 spring cloud 初识 《深入拆解java 虚拟机》笔记 《how tomcat works》笔记 hystrix 学习 rxjava1——概念 Redis 学习 TIDB 学习 如何分发计算 Storm 学习 AQS1——论文学习 Unsafe Spark Stream 学习 linux vfs轮廓 《自己动手写docker》笔记 java8 实践 中本聪比特币白皮书 细读 区块链泛谈 比特币 大杂烩 总纲——如何学习分布式系统 hbase 泛谈 forkjoin 泛谈 看不见摸不着的cdn是啥 《jdk8 in action》笔记 程序猿视角看网络 bgp初识 calico学习 AQS——粗略的代码分析 我们能用反射做什么 web 跨域问题 《clean code》笔记 《Elasticsearch权威指南》笔记 mockito简介及源码分析 2017软件开发小结—— 从做功能到做系统 《Apache Kafka源码分析》——clients dns隐藏的一个坑 《mysql技术内幕》笔记 log4j学习 为什么netty比较难懂? 递归、回溯、动态规划 apollo client源码分析及看待面向对象设计 学习并发 docker运行java项目的常见问题 OpenTSDB 入门 spring事务小结 分布式事务 javascript应用在哪里 《netty in action》读书笔记 netty对http2协议的解析 ssl证书是什么东西 http那些事 苹果APNs推送框架pushy apple 推送那些事儿 编写java框架的几大利器 java内存模型和jvm内存布局 java exception Linux IO学习 netty内存管理 测试环境docker化实践 netty在框架中的使用套路 Nginx简单使用 《Linux内核设计的艺术》小结 Go并发机制及语言层工具 Linux网络源代码学习——数据包的发送与接收 《docker源码分析》小结 docker namespace和cgroup zookeeper三重奏 数据库的一些知识 Spark 泛谈 链式处理的那些套路 netty回顾 Thrift基本原理与实践(二) Thrift基本原理与实践(一) 回调 异步执行抽象——Executor与Future Docker0.1.0源码分析 java gc Jedis源码分析 深度学习泛谈 Linux网络命令操作 JTA与TCC 换个角度看待设计模式 Scala初识 向Hadoop学习NIO的使用 以新的角度看数据结构 并发控制相关的硬件与内核支持 systemd 简介 quartz 源码分析 基于docker搭建测试环境(二) spring aop 实现原理简述 自己动手写spring(八) 支持AOP 自己动手写spring(七) 类结构设计调整 分析log日志 自己动手写spring(六) 支持FactoryBean 自己动手写spring(九) 总结 自己动手写spring(五) bean的生命周期管理 自己动手写spring(四) 整合xml与注解方式 自己动手写spring(三) 支持注解方式 自己动手写spring(二) 创建一个bean工厂 自己动手写spring(一) 使用digester varnish 简单使用 关于docker image的那点事儿 基于docker搭建测试环境 分布式配置系统 JVM执行 git maven/ant/gradle/make使用 再看tcp kv系统 java nio的多线程扩展 《Concurrency Models》笔记 回头看Spring IOC IntelliJ IDEA使用 Java泛型 vagrant 使用 Go常用的一些库 Python初学 Goroutine 调度模型 虚拟网络 《程序员的自我修养》小结 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件 Go基础 JVM类加载 硬币和扑克牌问题 LRU实现 virtualbox 使用 ThreadLocal小结 docker快速入门

架构

大模型推理服务框架 模型服务化(未完成) 大模型RHLF 大模型训练 大模型推理 从Attention到Transformer k8s设备管理 LLM工具栈 ddd从理念到代码 如何应用LLM 小鼠如何驾驭大象(LLM)? 多类型负载协调员Koordinator controller-runtime细节分析 finops学习 kubevela多集群 kubevela中cue的应用 基于k8s的工作流 容器和CPU那些事儿 kubevela源码分析 数据集管理fluid 应用管理平台kubevela karmada支持crd 多集群管理 AutoML和AutoDL 特征平台 实时训练 分布式链路追踪 helm tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 机器学习中的python调用c 机器学习训练框架概述 embedding的原理及实践 tensornet源码分析 大模型训练和推理 X的生成——特征工程 tvm tensorflow原理——core层分析 模型演变 《深度学习推荐系统实战》笔记 keras 和 Estimator tensorflow分布式训练 分布式训练的一些问题 基于Volcano的弹性训练 图神经网络 pytorch弹性分布式训练 从混部到统一调度 从RNN到Attention pytorch分布式训练 CNN 《动手学深度学习》笔记 pytorch与线性回归 多活 volcano特性源码分析 推理服务 kubebuilder 学习 mpi 学习pytorch client-go学习 tensorflow学习 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台梳理 tf-operator源码分析 k8s批处理调度/Job调度 喜马拉雅容器化实践 Kubernetes 实践 学习rpc BFF openkruise学习 可观察性和监控系统 基于Kubernetes选主及应用 《许式伟的架构课》笔记 Admission Controller 与 Admission Webhook 发布平台系统设计 k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 深入controller openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go informer源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的? 《软件设计之美》笔记 mecha 架构学习 Kubernetes events学习及应用 CRI 资源调度泛谈 业务系统设计原则 grpc学习 元编程 以应用为中心 istio学习 下一代微服务Service Mesh 《实现领域驱动设计》笔记 概率论 serverless 泛谈 《架构整洁之道》笔记 处理复杂性 那些年追过的并发 服务器端编程 网络通信协议 架构大杂烩 如何学习架构 《反应式设计模式》笔记 项目的演化特点 反应式架构摸索 函数式编程的设计模式 服务化 ddd反模式——CRUD的败笔 研发效能平台 重新看面向对象设计 业务系统设计的一些体会 函数式编程 《左耳听风》笔记 业务程序猿眼中的微服务管理 DDD实践——CQRS 项目隔离——案例研究 《编程的本质》笔记 系统故障排查汇总及教训 平台支持类系统的几个点 代码腾挪的艺术 abtest 系统设计汇总 《从0开始学架构》笔记 初级权限系统设计 领域驱动理念 现有上传协议分析 移动网络下的文件上传要注意的几个问题 推送系统的几个基本问题 做配置中心要想好的几个基本问题 不同层面的异步 分层那些事儿 性能问题分析 用户认证问题 资源的分配与回收——池 消息/任务队列

标签

k8s设备管理 多类型负载协调员Koordinator controller-runtime细节分析 finops学习 kubevela多集群 kubevela中cue的应用 基于k8s的工作流 容器和CPU那些事儿 kubevela源码分析 数据集管理fluid 应用管理平台kubevela karmada支持crd 多集群管理 helm 从混部到统一调度 volcano特性源码分析 kubebuilder 学习 client-go学习 tf-operator源码分析 k8s批处理调度/Job调度 喜马拉雅容器化实践 Kubernetes 实践 openkruise学习 基于Kubernetes选主及应用 Admission Controller 与 Admission Webhook k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 深入controller openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go informer源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的? Kubernetes events学习及应用 CRI 资源调度泛谈 如何学习Kubernetes 以应用为中心 kubernetes operator kubernetes扩缩容 serverless 泛谈 什么是云原生 自定义CNI IPAM docker和k8s安全访问机制 Kubernetes监控 Kubernetes 控制器模型 Kubernetes资源调度——scheduler Kubernetes类型系统 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 Kubernetes源码分析——从kubectl开始 kubernetes yaml配置 CNI——容器网络是如何打通的 当我在说PaaS时,我在说什么 《深入剖析kubernetes》笔记 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件

forkjoin 泛谈

2018年04月08日

简介

应用 fork-join 框架 基本要点:硬件趋势驱动编程语言,一个时代的主流硬件平台形成了我们创建语言、库和框架的方法,语言、库和框架形成了我们编写程序的方式。

  语言 类库 硬件的并行性越来越高
  synchronized、volatile Thread 大部分是单核,线程更多用来异步
java1.5/1.6   java.util.concurrent 包 多核,适合粗粒度的程序,比如web服务器、数据库服务器的多个独立工作单元
java1.7   fork-join 多核、每核多逻辑核心,细粒度的并行逻辑,比如分段遍历集合

一个任务分解为可并行执行的多个任务,Divide and conquer

Result solve(Problem problem) { 
    if (problem.size < SEQUENTIAL_THRESHOLD)
        return solveSequentially(problem);
    else {
        Result left, right;
        INVOKE-IN-PARALLEL { 
            left = solve(extractLeftHalf(problem));
            right = solve(extractRightHalf(problem));
        }
        return combine(left, right);
    }
}

forkjoin 之前

Fork and Join: Java Can Excel at Painless Parallel Programming Too! 详细解释了引入 fork join的初衷,要点如下:

  1. java1.5 之前,只有一个Thread和Runnable

    • manipulating low-level primitives to implement complex operations opens the door to mistakes
    • you have to deal with thread synchronization and the pitfalls of shared data
  2. java1.5/1.6进步了,Rich Primitives with the java.util.concurrent Packages

    • Executors are a big step forward compared to plain old threads because executors ease the management of concurrent tasks.
    • Thread-safe queues
    • Rich synchronization patterns( such as semaphores or synchronization barriers)
    • Efficient, concurrent data collections
    • Atomic variables
    • A wide range of locks,, for example, support for re-entrance, read/write locking, timeouts, or poll-based locking attempts.

fork/join 为何如此有意义

  • concurrency(并发) 和 parallelism(并行). 现在的多核cpu,并发是不够的,要并行。后面会详述。
  • The problem with the executors for implementing divide and conquer algorithms is not related to creating subtasks, because a Callable is free to submit a new subtask to its executor and wait for its result in a synchronous or asynchronous fashion. The issue is that of parallelism: When a Callable waits for the result of another Callable, it is put in a waiting state, thus wasting an opportunity to handle another Callable queued for execution.
  • The core addition is a new ForkJoinPool executor that is dedicated to running instances implementing ForkJoinTask. ForkJoinTask objects support the creation of subtasks plus waiting for the subtasks to complete. With those clear semantics, the executor is able to dispatch tasks among its internal threads pool by “stealing” jobs when a task is waiting for another task to complete and there are pending tasks to be run. 任务内创建子任务; ForkJoinTask的阻塞不会导致 线程的阻塞。
  • forkjoin 和子任务(依赖任务)交互,是callballResult = subForkJoinTask.join(),join 不会导致当前task“阻塞”,但不会让线程阻塞。已经有点goroutine 的意思了,虽然对io 之类的操作还是会让 线程阻塞。

比如计算1到n的和,有两种方式

  1. 将1~n划分为m份儿,分别执行。这个Executor 和forkjoin 都可以做到
  2. 以树的方式层层划分任务

    叶子和非叶子节点都占用一个线程,但非叶子节点要等待 叶子节点执行完毕,Executor 的方式就会导致很多线程阻塞。也就是说,Executor 更适合并发处理 不相关的子任务,forkjoin 在此基础上更进一步。

Fork/Join框架 聊聊并发(八)——Fork/Join框架介绍

Fork/Join使用两个类:ForkJoinTask和ForkJoinPool 来完成fork(分割子任务)和join(合并子任务):

ForkJoinTask:Abstract base class for tasks that run within a ForkJoinPool.A ForkJoinTask is a thread-like entity that is much lighter weight than a normal thread. Huge numbers of tasks and subtasks may be hosted by a small number of actual threads in a ForkJoinPool, at the price of some usage limitations.

具体细节

Java 并发编程笔记:如何使用 ForkJoinPool 以及原理 基本要点

  1. fork,把任务推入当前工作线程的工作队列里
  2. join,查看任务的完成状态,如果任务尚未完成,但处于自己的工作队列内,则完成它。如果任务已经被其他的工作线程偷走,则窃取这个小偷的工作队列内的任务(以 FIFO 方式),执行,以期帮助它早日完成欲 join 的任务。反正就是不会像Thread.join那样干等

fork-join和ExecutorService,执行细粒度并行任务的差别,可以细细体会一下。比如计算一个1到n的和

  1. ExecutorService main 方法将所有的任务划分好,每个线程的任务是清晰的,然后执行
  2. fork-join main 会将任务分为left(1~n/2)和right(n/2+1~n),然后执行。子任务看情况执行或继续分解子任务。

java8 in action,从代码上看,ForkJoin 定义了抽象方法protected abstract R compute();, the method defines both the logic of splitting the task at hand into subtasks and algorithm to produce the result of a single subtask when it’s no longer possible or convenient to further divide it. ForkJoinTask 在compute 方法中划分子任务,这和Runnable 的 run 方法也是极不一样的。

从ForkJoinPool的使用也可以看出 ForkJoinTask 的不同,其默认的线程数跟cpu 核心数相同,其象征意味就很浓厚。同时,jdk8 in action指出 新建多个 ForkJoinPool 实例是没有意义的。由此可以看到,ForkJoinTask 不是用来处理网络连接等请求的,也不为了并发,Executor 哪怕有100个线程,1个任务也只占了一个线程,一个cpu。 ForkJoinPool 哪怕只有一个ForkJoinTask,也可以让所有的cpu 都忙碌起来,it is parallelism。

换个角度看 forkjoin

引用Oracle官方定义的原文:

The fork/join framework is an implementation of the ExecutorService interface that helps you take advantage of multiple processors. It is designed for work that can be broken into smaller pieces recursively. The goal is to use all the available processing power to enhance the performance of your application. As with any ExecutorService implementation, the fork/join framework distributes tasks to worker threads in a thread pool. The fork/join framework is distinct because it uses a work-stealing algorithm. Worker threads that run out of things to do can steal tasks from other threads that are still busy. The center of the fork/join framework is the ForkJoinPool class, an extension of the AbstractExecutorService class. ForkJoinPool implements the core work-stealing algorithm and can execute ForkJoinTask processes.

拆解下

  1. ExecutorService 的一种实现
  2. It is designed for work that can be broken into smaller pieces recursively。 ExecutorService 运行的 任务本身可以递归分解
  3. 目标是,充分利用cpu
  4. work-stealing

让我们把本小节的主角给 ExecutorService,ExecutorService 主要有以下几种实现

  1. newCachedThreadPool
  2. newFixedThreadPool
  3. newScheduledThreadPool
  4. newSingleThreadExecutor
  5. newWorkStealingPool() 实际返回 ForkJoinPool,jdk1.8 新增这个方法

从这个角度看,forkjoin 只能算是 ExecutorService 新增了一种线程及任务管理策略的实现,这个策略在一些具体的场景下比较有用罢了。对于netty 等事件驱动场景来说,单线程模型意义也很重大呢。

work-stealing

所谓的 充分利用cpu, work-stealing更多是 其它线程较为清闲时的一个优化策略。

可以看到,若是使用寻常的ExecutorService 实现

  • 一个复杂任务 由一个线程运行完成,该线程或许很忙,但本身没啥线程安全问题(跟其它线程交互的数据除外)。
  • 缺点就是,其它线程即使很闲,也得在旁边干看着。

forkjoin 支持 递归拆解任务

  • 一个任务的多个子任务会被不同线程执行,任务拆解产生的共享数据 可能带来线程安全问题。 这也是java8 在 提供 parallel stream(底层实现是forkjoin) 时特别强调 不要 运行 有状态逻辑的 原因。
  • 优点是,因为任务粒度可以变细拆解,其它线程闲下来也可以搭把手。场面话就是 redistribute and balance the tasks among the worker threads in the pool.

为什么是一个线程一个队列

forkjoinpool 像 ThreadPoolExecutor 一样,所有线程共用一个队列,不就是天然的 work-stealing 算法了么?

ForkJoinTask.fork() 确保 task 和subtask 在一个队列中,而一个线程对应一个队列,也就是 Executor executor = Executors.newWorkStealingPool(); executor.execute(runnable) 仍然是尽 最大可能保证 一个task 交由一个线程执行,这个跟其它Executor 实现是一样的。此时,所有线程还共享一个队列,则不能保证该效果。 这样做的一个好处是,减少并发的可能性。

PS: 一个线程一个队列 就跟goroutine 调度很像了。golang从设计上就支持协程,goroutine是默认的并行单元,单独开辟线程反而要特别的代码。不像java有历史负担,fork-join着眼点更多在于,基于现有的基本面,如何提高并发性 ==> 需要先分解任务等。fork-join只是提高在特定场景(可以进行子任务分解与合并)下的并行性。所以,goroutine和fork-join根本就不是一回事。前者是匹敌进程、线程的并发模型,后者是特定问题的并发框架

小结

脉络就是:任务拆解 ==> work-stealing ==> 充分利用多线程。