併發之痛 Thread，Goroutine，Actor 轉

聊這個話題之前，先梳理下兩個概念，幾乎所有講併發的文章都要先講這兩個概念：

• 併發（concurrency） 併發的關注點在於任務切分。舉例來說，你是一個創業公司的CEO，開始只有你一個人，你一人分飾多角，一會做產品規劃，一會寫代碼，一會見客戶，雖然你不能見客戶的同時寫代碼，但由於你切分了任務，分配了時間片，表現出來好像是多個任務一起在執行。

• 並行（parallelism） 並行的關注點在於同時執行。還是上面的例子，你發現你自己太忙了，時間分配不過來，於是請了工程師，產品經理，市場總監，各司一職，這時候多個任務可以同時執行了。

所以總結下，併發並不要求必須並行，可以用時間片切分的方式模擬，比如單核 CPU 上的多任務系統，併發的要求是任務能切分成獨立執行的片段。而並行關注的是同時執行，必須是多（核）CPU，要能並行的程序必須是支持併發的。本文大多數情況下不會嚴格區分這兩個概念，默認併發就是指並行機制下的併發。

爲什麼併發程序這麼難?

We believe that writing correct concurrent, **fault-tolerant **and scalable applications is too hard. Most of the time it’s because we are using the wrong tools and the wrong level of abstraction. —— Akka

Akka 官方文檔開篇這句話說的好，之所以寫正確的併發，容錯，可擴展的程序如此之難，是因爲我們用了錯誤的工具和錯誤的抽象。（當然該文檔本來的意思是 Akka 是正確的工具，但我們可以獨立的看待這句話）。

那我們從最開始梳理下程序的抽象。開始我們的程序是面向過程的，數據結構 + func。後來有了面向對象，對象組合了數結構和 func，我們想用模擬現實世界的方式，抽象出對象，有狀態和行爲。但無論是面向過程的 func 還是面向對象的 func，本質上都是代碼塊的組織單元，本身並沒有包含代碼塊的併發策略的定義。於是爲了解決併發的需求，引入了 Thread（線程）的概念。

線程（Thread）

1. 系統內核態，更輕量的進程

2. 由系統內核進行調度

3. 同一進程的多個線程可共享資源

線程的出現解決了兩個問題，一個是 GUI 出現後急切需要併發機制來保證用戶界面的響應。第二是互聯網發展後帶來的多用戶問題。最早的 CGI 程序很簡單，將通過腳本將原來單機版的程序包裝在一個進程裏，來一個用戶就啓動一個進程。但明顯這樣承載不了多少用戶，並且如果進程間需要共享資源還得通過進程間的通信機制，線程的出現緩解了這個問題。

線程的使用比較簡單，如果你覺得這塊代碼需要併發，就把它放在單獨的線程裏執行，由系統負責調度，具體什麼時候使用線程，要用多少個線程，由調用方決定，但定義方並不清楚調用方會如何使用自己的代碼，很多併發問題都是因爲誤用導致的，比如 Go 中的 map 以及 Java 的 HashMap 都不是併發安全的，誤用在多線程環境就會導致問題。另外也帶來複雜度：

1. 競態條件（race conditions） 如果每個任務都是獨立的，不需要共享任何資源，那線程也就非常簡單。但世界往往是複雜的，總有一些資源需要共享，比如前面的例子，開發人員和市場人員同時需要和 CEO 商量一個方案，這時候 CEO 就成了競態條件。

2. 依賴關係以及執行順序 如果線程之間的任務有依賴關係，需要等待以及通知機制來進行協調。比如前面的例子，如果產品和 CEO 討論的方案依賴於市場和 CEO 討論的方案，這時候就需要協調機制保證順序。

爲了解決上述問題，我們引入了許多複雜機制來保證：

• Mutex（Lock）（Go 裏的 sync 包, Java 的 concurrent 包）通過互斥量來保護數據，但有了鎖，明顯就降低了併發度。

• Semaphore 通過信號量來控制併發度或者作爲線程間信號（signal）通知。

• Volatile Java 專門引入了 volatile 關鍵詞來，來降低只讀情況下的鎖的使用。

• Compare-and-swap 通過硬件提供的 CAS 機制保證原子性（atomic），也是降低鎖的成本的機制。

如果說上面兩個問題只是增加了複雜度，我們通過深入學習，嚴謹的 Code Review，全面的併發測試（比如 Go 語言中單元測試的時候加上 -race 參數），一定程度上能解決（當然這個也是有爭議的，有論文認爲當前的大多數併發程序沒出問題只是併發度不夠，如果 CPU 核數繼續增加，程序運行的時間更長，很難保證不出問題）。但最讓人頭痛的還是下面這個問題：

系統裏到底需要多少線程？

這個問題我們先從硬件資源入手，考慮下線程的成本：

• 內存（線程的棧空間）

  每個線程都需要一個棧（Stack）空間來保存掛起（suspending）時的狀態。Java 的棧空間（64位VM）默認是 1024k，不算別的內存，只是棧空間，啓動 1024 個線程就要 1G 內存。雖然可以用 -Xss 參數控制，但由於線程是本質上也是進程，系統假定是要長期運行的，棧空間太小會導致稍複雜的遞歸調用（比如複雜點的正則表達式匹配）導致棧溢出。所以調整參數治標不治本。

• 調度成本（context-switch）

  我在個人電腦上做的一個非嚴格測試，模擬兩個線程互相喚醒輪流掛起，線程切換成本大約 6000 納秒/次。這個還沒考慮棧空間大小的影響。國外一篇論文專門分析線程切換的成本，基本上得出的結論是切換成本和棧空間使用大小直接相關。

• CPU使用率

  我們搞併發最主要的一個目標就是我們有了多核，想提高CPU利用率，最大限度的壓榨硬件資源，從這個角度考慮，我們應該用多少線程呢？

這個我們可以通過一個公式計算出來，100 / (15 + 5) * 4 = 20，用 20 個線程最合適。但一方面網絡的時間不是固定的，另外一方面，如果考慮到其他瓶頸資源呢？比如鎖，比如數據庫連接池，就會更復雜。

作爲一個 1 歲多孩子的父親，認爲這個問題的難度好比你要寫個給孩子餵飯的程序，需要考慮『給孩子喂多少飯合適？』，這個問題有以下回答以及策略：

• 孩子不吃了就好了（但孩子貪玩，不吃了可能是想去玩了）

• 孩子吃飽了就好了（廢話，你怎麼知道孩子吃飽了？孩子又不會說話）

• 逐漸增量，長期觀察，然後計算一個平均值（這可能是我們調整線程常用的策略，但增量增加到多少合適呢？）

• 孩子吃吐了就別餵了（如果用逐漸增量的模式，通過外部觀察，可能會到達這個邊界條件。系統性能如果因爲線程的增加倒退了，就別增加線程了）

• 沒控制好邊界，把孩子給給撐壞了 （這熊爸爸也太恐怖了。但調整線程的時候往往不小心可能就把系統搞掛了）

通過這個例子我們可以看出，從外部系統來觀察，或者以經驗的方式進行計算，都是非常困難的。於是結論是：

讓孩子會說話，吃飽了自己說，自己學會吃飯，自管理是最佳方案。

然並卵，計算機不會自己說話，如何自管理？

但我們從以上的討論可以得出一個結論：

• 線程的成本較高（內存，調度）不可能大規模創建

• 應該由語言或者框架動態解決這個問題

線程池方案

Java 1.5 後，Doug Lea 的 Executor 系列被包含在默認的 JDK 內，是典型的線程池方案。

線程池一定程度上控制了線程的數量，實現了線程複用，降低了線程的使用成本。但還是沒有解決數量的問題，線程池初始化的時候還是要設置一個最小和最大線程數，以及任務隊列的長度，自管理只是在設定範圍內的動態調整。另外不同的任務可能有不同的併發需求，爲了避免互相影響可能需要多個線程池，最後導致的結果就是 Java 的系統裏充斥了大量的線程池。

新的思路

從前面的分析我們可以看出，如果線程是一直處於運行狀態，我們只需設置和 CPU 核數相等的線程數即可，這樣就可以最大化的利用 CPU，並且降低切換成本以及內存使用。但如何做到這一點呢？

陳力就列，不能者止

這句話是說，能幹活的代碼片段就放在線程裏，如果幹不了活（需要等待，被阻塞等），就摘下來。通俗的說就是不要佔着茅坑不拉屎，如果拉不出來，需要醞釀下，先把茅坑讓出來，因爲茅坑是稀缺資源。

要做到這點一般有兩種方案：

1. 異步回調方案 典型如 NodeJS，遇到阻塞的情況，比如網絡調用，則註冊一個回調方法（其實還包括了一些上下文數據對象）給 IO 調度器（Linux 下是 Libev，調度器在另外的線程裏），當前線程就被釋放了，去幹別的事情了。等數據準備好，調度器會將結果傳遞給回調方法然後執行，執行其實不在原來發起請求的線程裏了，但對用戶來說無感知。但這種方式的問題就是很容易遇到 callback hell，因爲所有的阻塞操作都必須異步，否則系統就卡死了。還有就是異步的方式有點違反人類思維習慣，人類還是習慣同步的方式。

2. GreenThread/Coroutine/Fiber 方案 這種方案其實和上面的方案本質上區別不大，關鍵在於回調上下文的保存以及執行機制。爲了解決回調方法帶來的難題，這種方案的思路是寫代碼的時候還是按順序寫，但遇到 IO 等阻塞調用時，將當前的代碼片段暫停，保存上下文，讓出當前線程。等 IO 事件回來，然後再找個線程讓當前代碼片段恢復上下文繼續執行，寫代碼的時候感覺好像是同步的，彷彿在同一個線程完成的，但實際上系統可能切換了線程，但對程序無感。

GreenThread

• 用戶空間 首先是在用戶空間，避免內核態和用戶態的切換導致的成本。

• 由語言或者框架層調度

• 更小的棧空間允許創建大量實例（百萬級別）

幾個概念

• Continuation 這個概念不熟悉 FP 編程的人可能不太熟悉，不過這裏可以簡單的顧名思義，可以理解爲讓我們的程序可以暫停，然後下次調用繼續（contine）從上次暫停的地方開始的一種機制。相當於程序調用多了一種入口。

• Coroutine 是 Continuation 的一種實現，一般表現爲語言層面的組件或者類庫。主要提供 yield，resume 機制。

• Fiber 和 Coroutine 其實是一體兩面的，主要是從系統層面描述，可以理解成 Coroutine 運行之後的東西就是 Fiber。

Goroutine

Goroutine 其實就是前面 GreenThread 系列解決方案的一種演進和實現。

• 首先，它內置了 Coroutine 機制。因爲要用戶態的調度，必須有可以讓代碼片段可以暫停/繼續的機制。

• 其次，它內置了一個調度器，實現了 Coroutine 的多線程並行調度，同時通過對網絡等庫的封裝，對用戶屏蔽了調度細節。

• 最後，提供了 Channel 機制，用於 Goroutine 之間通信，實現 CSP 併發模型（Communicating Sequential Processes）。因爲 Go 的 Channel 是通過語法關鍵詞提供的，對用戶屏蔽了許多細節。其實 Go 的 Channel 和 Java 中的 SynchronousQueue 是一樣的機制，如果有 buffer 其實就是 ArrayBlockQueue。

Goroutine 調度器

這個圖一般講 Goroutine 調度器的地方都會引用，想要仔細瞭解的可以看看原博客（小編：點擊閱讀原文獲取）。這裏只說明幾點：

1. M 代表系統線程，P 代表處理器（核），G 代表 Goroutine。Go 實現了 M : N 的調度，也就是說線程和 Goroutine 之間是多對多的關係。這點在許多GreenThread / Coroutine 的調度器並沒有實現。比如 Java 1.1 版本之前的線程其實是 GreenThread（這個詞就來源於 Java），但由於沒實現多對多的調度，也就是沒有真正實現並行，發揮不了多核的優勢，所以後來改成基於系統內核的 Thread 實現了。

2. 某個系統線程如果被阻塞，排列在該線程上的 Goroutine 會被遷移。當然還有其他機制，比如 M 空閒了，如果全局隊列沒有任務，可能會從其他 M 偷任務執行，相當於一種 rebalance 機制。這裏不再細說，有需要看專門的分析文章。

3. 具體的實現策略和我們前面分析的機制類似。系統啓動時，會啓動一個獨立的後臺線程（不在 Goroutine 的調度線程池裏），啓動 netpoll 的輪詢。當有 Goroutine 發起網絡請求時，網絡庫會將 fd（文件描述符）和 pollDesc（用於描述 netpoll 的結構體，包含因爲讀 / 寫這個 fd 而阻塞的 Goroutine）關聯起來，然後調用 runtime.gopark 方法，掛起當前的 Goroutine。當後臺的 netpoll 輪詢獲取到 epoll（Linux 環境下）的 event，會將 event 中的 pollDesc 取出來，找到關聯的阻塞 Goroutine，並進行恢復。

Goroutine 是銀彈麼？

Goroutine 很大程度上降低了併發的開發成本，是不是我們所有需要併發的地方直接 go func 就搞定了呢？

Go 通過 Goroutine 的調度解決了 CPU 利用率的問題。但遇到其他的瓶頸資源如何處理？比如帶鎖的共享資源，比如數據庫連接等。互聯網在線應用場景下，如果每個請求都扔到一個 Goroutine 裏，當資源出現瓶頸的時候，會導致大量的 Goroutine 阻塞，最後用戶請求超時。這時候就需要用 Goroutine 池來進行控流，同時問題又來了：池子裏設置多少個 Goroutine 合適？

所以這個問題還是沒有從更本上解決。

Actor 模型

Actor 對沒接觸過這個概念的人可能不太好理解，Actor 的概念其實和 OO 裏的對象類似，是一種抽象。面對對象編程對現實的抽象是對象 = 屬性 + 行爲（method），但當使用方調用對象行爲（method）的時候，其實佔用的是調用方的 CPU 時間片，是否併發也是由調用方決定的。這個抽象其實和現實世界是有差異的。現實世界更像 Actor 的抽象，互相都是通過異步消息通信的。比如你對一個美女 say hi，美女是否迴應，如何迴應是由美女自己決定的，運行在美女自己的大腦裏，並不會佔用發送者的大腦。

所以 Actor 有以下特徵：

• Processing – actor 可以做計算的，不需要佔用調用方的 CPU 時間片，併發策略也是由自己決定。

• Storage – actor 可以保存狀態

• Communication – actor 之間可以通過發送消息通訊

Actor 遵循以下規則：

• 發送消息給其他的 Actor

• 創建其他的 Actor

• 接受並處理消息，修改自己的狀態

Actor 的目標：

• Actor 可獨立更新，實現熱升級。因爲 Actor 互相之間沒有直接的耦合，是相對獨立的實體，可能實現熱升級。

• 無縫彌合本地和遠程調用 因爲 Actor 使用基於消息的通訊機制，無論是和本地的 Actor，還是遠程 Actor 交互，都是通過消息，這樣就彌合了本地和遠程的差異。

• 容錯 Actor 之間的通信是異步的，發送方只管發送，不關心超時以及錯誤，這些都由框架層和獨立的錯誤處理機制接管。

• 易擴展，天然分佈式 因爲 Actor 的通信機制彌合了本地和遠程調用，本地Actor 處理不過來的時候，可以在遠程節點上啓動 Actor 然後轉發消息過去。

Actor 的實現：

• Erlang/OTP Actor 模型的標杆，其他的實現基本上都一定程度參照了 Erlang 的模式。實現了熱升級以及分佈式。

• Akka（Scala,Java）基於線程和異步回調模式實現。由於 Java 中沒有 Fiber，所以是基於線程的。爲了避免線程被阻塞，Akka 中所有的阻塞操作都需要異步化。要麼是 Akka 提供的異步框架，要麼通過 Future-callback 機制，轉換成回調模式。實現了分佈式，但還不支持熱升級。

• Quasar (Java) 爲了解決 Akka 的阻塞回調問題，Quasar 通過字節碼增強的方式，在 Java 中實現了 Coroutine/Fiber。同時通過 ClassLoader 的機制實現了熱升級。缺點是系統啓動的時候要通過 javaagent 機制進行字節碼增強。

Golang CSP VS Actor

二者的格言都是：

Don’t communicate by sharing memory, share memory by communicating

通過消息通信的機制來避免競態條件，但具體的抽象和實現上有些差異。

• CSP 模型裏消息和 Channel 是主體，處理器是匿名的。

  也就是說發送方需要關心自己的消息類型以及應該寫到哪個 Channel，但不需要關心誰消費了它，以及有多少個消費者。Channel 一般都是類型綁定的，一個 Channel 只寫同一種類型的消息，所以 CSP 需要支持 alt/select 機制，同時監聽多個 Channel。Channel 是同步的模式（Golang 的 Channel 支持 buffer，支持一定數量的異步），背後的邏輯是發送方非常關心消息是否被處理，CSP 要保證每個消息都被正常處理了，沒被處理就阻塞着。

• Actor 模型裏 Actor 是主體，Mailbox（類似於 CSP 的 Channel）是透明的。

  也就是說它假定發送方會關心消息發給誰消費了，但不關心消息類型以及通道。所以 Mailbox 是異步模式，發送者不能假定發送的消息一定被收到和處理。Actor 模型必須支持強大的模式匹配機制，因爲無論什麼類型的消息都會通過同一個通道發送過來，需要通過模式匹配機制做分發。它背後的邏輯是現實世界本來就是異步的，不確定（non-deterministic）的，所以程序也要適應面對不確定的機制編程。自從有了並行之後，原來的確定編程思維模式已經受到了挑戰，而 Actor 直接在模式中蘊含了這點。

從這樣看來，CSP 的模式比較適合 Boss-Worker 模式的任務分發機制，它的侵入性沒那麼強，可以在現有的系統中通過 CSP 解決某個具體的問題。它並不試圖解決通信的超時容錯問題，這個還是需要發起方進行處理。同時由於 Channel 是顯式的，雖然可以通過 netchan（原來 Go 提供的 netchan 機制由於過於複雜，被廢棄，在討論新的 netchan）實現遠程 Channel，但很難做到對使用方透明。而 Actor 則是一種全新的抽象，使用 Actor 要面臨整個應用架構機制和思維方式的變更。它試圖要解決的問題要更廣一些，比如容錯，比如分佈式。但Actor的問題在於以當前的調度效率，哪怕是用 Goroutine 這樣的機制，也很難達到直接方法調用的效率。當前要像 OO 的『一切皆對象』一樣實現一個『一切皆 Actor』的語言，效率上肯定有問題。所以折中的方式是在 OO 的基礎上，將系統的某個層面的組件抽象爲 Actor。

再扯一下 Rust

Rust 解決併發問題的思路是首先承認現實世界的資源總是有限的，想徹底避免資源共享是很難的，不試圖完全避免資源共享，它認爲併發的問題不在於資源共享，而在於錯誤的使用資源共享。比如我們前面提到的，大多數語言定義類型的時候，並不能限制調用方如何使用，只能通過文檔或者標記的方式（比如 Java 中的 @ThreadSafe, @NotThreadSafe annotation）說明是否併發安全，但也只能僅僅做到提示的作用，不能阻止調用方誤用。雖然 Go 提供了 -race 機制，可以通過運行單元測試的時候帶上這個參數來檢測競態條件，但如果你的單元測試併發度不夠，覆蓋面不到也檢測不出來。所以 Rust 的解決方案就是：

• 定義類型的時候要明確指定該類型是否是併發安全的

• 引入了變量的所有權（Ownership）概念 非併發安全的數據結構在多個線程間轉移，也不一定就會導致問題，導致問題的是多個線程同時操作，也就是說是因爲這個變量的所有權不明確導致的。有了所有權的概念後，變量只能由擁有所有權的作用域代碼操作，而變量傳遞會導致所有權變更，從語言層面限制了競態條件出現的情況。

有了這機制，Rust 可以在編譯期而不是運行期對競態條件做檢查和限制。雖然開發的時候增加了心智成本，但降低了調用方以及排查併發問題的心智成本，也是一種有特色的解決方案。

結論

革命尚未成功 同志任需努力

本文帶大家一起回顧了併發的問題，和各種解決方案。雖然各家有各家的優勢以及使用場景，但併發帶來的問題還遠遠沒到解決的程度。所以還需努力，大家也有機會。

最後拋個磚，構想：在 Goroutine 上實現 Actor？

• 分佈式 解決了單機效率問題，是不是可以嘗試解決下分佈式效率問題？

• 和容器集羣融合 當前的自動伸縮方案基本上都是通過監控服務器或者 LoadBalancer，設置一個閥值來實現的。類似於我前面提到的餵飯的例子，是基於經驗的方案，但如果系統內和外部集羣結合，這個事情就可以做的更細緻和智能。

• 自管理 前面的兩點最終的目標都是實現一個可以自管理的系統。做過系統運維的同學都知道，我們照顧系統就像照顧孩子一樣，時刻要監控系統的各種狀態，接受系統的各種報警，然後排查問題，進行緊急處理。孩子有長大的一天，那能不能讓系統也自己成長，做到自管理呢？雖然這個目標現在看來還比較遠，但我覺得是可以期待的。

引用以及擴展閱讀

---

1. 本文的演講視頻
2. 本文的演講pdf
3. CSP model paper
4. Actor model paper
5. Quantifying The Cost of Context Switch
6. JCSP 在Java中實現CSP模型的庫
7. Overview of Modern Concurrency and Parallelism Concepts
8. Golang netchan 的討論
9. quasar vs akka
10. golang 官方博客的 concurrency is not parallelism
11. go scheduler, 文中的調度器圖片來源
12. handling-1-million-requests-per-minute-with-golang 一個用Goroutine的控流實踐

（頭圖作者: Sameer Ajmani）