協程的本質
單線程實現併發。
協程在配合異步非阻塞的設計時，面對io問題時能承受比較大的併發量。
面對非io問題如計算問題，還是沒有多線程優勢，因爲多線程能利用多核。
併發與並行
併發：concurrent
並行：paralle
併發：是指一個時間段中有幾個程序都處於已啓動運行到運行完畢之間，且這幾個程序都是在同一個處理機（CPU）上運行，但任一個時刻點上只有一個程序在處理機上運行。
並行：是指任何時間點，有多個程序運行在多個CPU上（最多和CPU數量一致）。
以下內容轉自：https://jolestar.com/parallel-programming-model-thread-goroutine-actor/
本文基於我在2月27日Gopher北京聚會演講整理而成，進行了一些補充以及調整。投稿給《高可用架構》公衆號首發。
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）
- 系統內核態，更輕量的進程
- 由系統內核進行調度
- 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：
- 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。
- 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CodeReview，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
Java1.5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：
-
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。
-
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。這裏只說明幾點：
- 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Java1.1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。
- 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。
- 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，大家也有機會啊。
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。
以下內容轉自：https://zhuanlan.zhihu.com/p/65154410
協程和異步回調方案實現高io併發
因爲傳統多線程，即使採用線程池情況下，切換線程也會大量耗費系統資源。一個cpu核心對應一個執行棧，理想情況下線程不切換，只需要設置和cpu核心數一樣的線程數是最高效率的。基於這個想法，有兩個方案，協程和異步回調方案。
一：協程方案
傳統多線程切換，由系統控制，採取搶佔式多任務策略，線程間切換不可由程序員控制。協程的出發點是由程序員控制線程切換，不由系統控制線程切換，減少線程切換次數，降低線程切換成本。
從技術角度上看，協程是一個可以中斷再執行的函數，和生成器完全是一樣的。協程優點在於，協程在配合異步非阻塞的設計時，面對io問題時能承受比較大的併發量，面對非io問題如計算問題，還是沒有多線程優勢，因爲多線程能利用多核。單進程情況下的協程由於只有一個執行棧是無法利用多核的。
協程方案的思路是寫代碼還是按順序寫，但是遇到io等需要原阻塞等待的系統調用時候，將當前執行棧暫停，保存上下文，讓出當前執行棧（執行線程，從語法上看就是yield出去，yield這個詞可以看成讓出當前線程的控制權），執行其它代碼，等io事件完成，然後再找個線程恢復之前的上下文，繼續執行。寫代碼時候，像同步單線程一樣寫，但是執行上由程序員控制線程切換，配合異步非阻塞的api，可以承受大量io情況下實現併發。
二：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libuv，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，自始至終都是那一個執行棧（執行線程）。但這種寫法的問題就是很容易遇到callback hell，這種異步非阻塞api配合回調函數的寫法有點反人類。程序員還是習慣同步的寫法。
總結來說：異步回調和協程實現高io併發的原理，就是當遇到代碼阻塞時候，就扔出當前的線程（執行棧），讓別的需要執行代碼執行。異步回調和協程必須要配合異步非阻塞的io調用api使用，才能實現io高併發。
異步回調和協程核心設計思想是差不多的。
