共享内存 & Actor并发模型到底哪个快?
九江浔兴贸易有限公司
九江浔兴贸易有限公司

一体化设备

共享内存 & Actor并发模型到底哪个快?

发布日期:2022-08-07 10:07    点击次数:150

本文转载自微信公众号「精益码农」,作者有态度的马甲。转载本文请联系精益码农公众号。

先说结论

1.首先两者对于并发的风格模型不一样。

共享内存利用多核CPU的优势,使用强一致的锁机制控制并发, 各种锁交织,稍不注意可能出现死锁,更适合熟手。

Actor模型易于控制和管理,以消息触发、流水线挨个处理,天然分布式,思路清晰。

2.真要说性能,求100_000 以内的素数的个数]场景 & 电脑8c 16g的配置

2.1 理论上如果以默认的Actor并发模型来做这个事情,共享内存模型是优于Actor模型的; 2.2 上文中我对于Actor做了多线程优化,Actor模型性能慢慢追上来了。

下面请听我唠嗑。

默认Actor模型

计算[100_000内素数的个数], 分为两步:

(1) 迭代判断当前数字是不是素数

(2) 如果是素数,执行sum++

完成以上两步,共享内存模型均能充分利用CPU多核心。

Actor模型:与TPL中的原语不同,TPL Datflow中的所有块默认是单线程的,这就意味着完成以上两步的TransfromBlock和ActionBlock都是以一个线程挨个处理消息数据 (这也是Dataflow的设计初衷,形成清晰单纯的流水线)。

猜测此时:共享内存相比默认的Actor模型更具优势。

使用NUnit做单元测试,数据量从小到大: 10_000,50_000,100_000,200_000, 喝咖啡有什么好处300_000,500_000

using NUnit.Framework; using System; using System.Threading.Tasks; using System.Collections.Generic; using System.Threading; using System.Threading.Tasks.Dataflow;  namespace TestProject2 {     public class Tests     {         [TestCase(10_000)]         [TestCase(50_000)]         [TestCase(100_000)]         [TestCase(200_000)]         [TestCase(300_000)]         [TestCase(500_000)]         public void ShareMemory(int num)         {             var sum = 0;             Parallel.For(1, num + 1, (x, state) =>             {                 var f = true;                 if (x == 1)                     f = false;                 for (int i = 2; i <= x / 2; i++)                 {                     if (x % i == 0)  // 被[2,x/2]任一数字整除,就不是质数                         f = false;                 }                 if (f == true)                 {                     Interlocked.Increment(ref sum);// 共享了sum对象,“++”就是调用sum对象的成员方法                 }             });             Console.WriteLine($"1-{num}内质数的个数是{sum}");         }          [TestCase(10_000)]         [TestCase(50_000)]         [TestCase(100_000)]         [TestCase(200_000)]         [TestCase(300_000)]         [TestCase(500_000)]         public async Task Actor(int num)         {             var linkOptions = new DataflowLinkOptions { PropagateCompletion = true };             var bufferBlock = new BufferBlock<int>();             var transfromBlock = new TransformBlock<int, bool>(x =>             {                 var f = true;                 if (x == 1)                     f = false;                 for (int i = 2; i <= x / 2; i++)                 {                     if (x % i == 0)  // 被[2,x/2]任一数字整除,就不是质数                         f = false;                 }                 return f;             }, new ExecutionDataflowBlockOptions { EnsureOrdered = false });              var sum = 0;             var actionBlock = new ActionBlock<bool>(x =>             {                 if (x == true)                     sum++;             }, new ExecutionDataflowBlockOptions {  EnsureOrdered = false });             transfromBlock.LinkTo(actionBlock, linkOptions);             // 准备从pipeline头部开始投递             try             {                 var list = new List<int> { };                 for (int i = 1; i <= num; i++)                 {                     var b = await transfromBlock.SendAsync(i);                     if (b == false)                     {                         list.Add(i);                     }                 }                 if (list.Count > 0)                 {                     Console.WriteLine($"md,num post failure,num:{list.Count},post again");                     // 再投一次                     foreach (var item in list)                     {                         transfromBlock.Post(item);                     }                 }                 transfromBlock.Complete();  // 通知头部,不再投递了; 会将信息传递到下游。                 actionBlock.Completion.Wait();  // 等待尾部执行完                 Console.WriteLine($"1-{num} Prime number include {sum}");             }             catch (Exception ex)             {                 Console.WriteLine($"1-{num} cause exception.",ex);             }            }     } } 

测试结果如下:

测试结果印证我说的结论2.1

优化后的Actor模型

那后面我对Actor做了什么优化呢? 能产生下图的2.2结论。

请重新回看《三分钟掌握共享内存 & Actor并发模型》 TransfromBlock 块的细节:

var transfromBlock = new TransformBlock<int, bool>(x =>     {           var f = true;           if (x == 1)              f = false;           for (int i = 2; i <= x / 2; i++)           {                 if (x % i == 0)  // 被[2,x/2]任一数字整除,就不是质数                    f = false;            }            return f;      }, new ExecutionDataflowBlockOptions { MaxDegreeOfParallelism=50, EnsureOrdered = false }); // 这里开启多线程并发 

上面说到默认的Actor是以单线程处理输入的消息,此次我们对这个TransfromBlock 块设置了MaxDegreeOfParallelism 参数,

这个参数能在Actor中开启多线程并发执行,但是这里面就不能有共享变量(否则你又得加锁),恰好我们完成 (1) 迭代判断当前数字是不是素数这一步并不依赖共享对象,所以这(1)步开启多线程以后性能与共享内存模型基本没差别。

那为什么总体性能慢慢超过共享内存?

这是因为执行第二步(2) 如果是素数,执行sum++, 共享内存要加/解锁,线程切换; 而Actor单线程挨个处理, 总体上Actor就略胜共享内存模型了。

这里再次强调,Actor模型执行第二步(2) 如果是素数,执行sum++,不可开启MaxDegreeOfParallelism,因为依赖了共享变量sum

结束语

That's All, 感谢.NET圈纪检委@懒得勤快促使我重温了单元测试的写法 & 深度分析Actor模型风格。 

请大家仔细对比结论和上图,脱离场景和硬件环境谈性能就是耍流氓,理解不同并发模型的风格和能力是关键, 针对场景和未来的拓展性、可维护性、可操作性做技术选型 。