在Java并发编程的演进历程中，JDK 7引入的Fork/Join框架是一个里程碑式的创新。它专为并行计算设计，基于分治思想，通过“工作窃取”算法实现高效的任务调度，能够充分利用多核CPU的计算能力。
分治编程模型：并行计算的基石
分治思想是计算机科学中最经典的算法设计范式之一，其核心逻辑可概括为“分而治之”：将一个复杂的问题分解为若干个规模较小的相同子问题，递归地解决这些子问题，最后将子问题的解合并得到原问题的解。
分治模型的三个核心步骤
- 分解（Fork）：将原问题递归地拆分为多个子问题，直到子问题的规模足够小，可以直接解决。
- 解决（Compute）：直接解决规模最小的子问题，通常是简单的顺序计算。
- 合并（Join）：将子问题的解递归地合并，最终得到原问题的解。
分治模型的适用条件
并非所有问题都适合用分治模型解决，需满足以下条件：
- 问题可分解：原问题能够被拆分为若干个规模较小的相同子问题。
- 子问题可独立解决：子问题之间相互独立，不存在依赖关系。
- 解可合并：子问题的解能够合并为原问题的解。
- 分解开销可控：分解和合并的开销不应超过并行计算带来的收益。
Fork/Join框架的核心原理
Fork/Join框架通过两个核心类实现分治模型：ForkJoinPool（任务池）和ForkJoinTask（任务）。其中，ForkJoinPool负责管理工作线程和任务调度，ForkJoinTask代表可并行执行的任务，提供了fork()和join()方法实现任务分解与结果合并。
核心组件一：ForkJoinPool
ForkJoinPool是Fork/Join框架的核心调度器，它与普通的ExecutorService不同，采用了“工作窃取”算法来优化任务调度。ForkJoinPool内部维护了一组工作线程，每个工作线程都有自己的双端队列（Deque），用于存储待执行的任务。
工作窃取算法（Work-Stealing）
工作窃取算法是Fork/Join框架高效的关键，其核心逻辑如下：
- 每个工作线程优先处理自己队列中的任务（默认采用LIFO顺序，即从队列头部取任务）。
- 当自己队列为空时，工作线程会从其他线程队列的尾部窃取任务执行。
- 任务被
fork()时，会被放入当前线程队列的头部；被窃取时，从其他线程队列的尾部取出。
这种设计的优势在于：
- 减少线程竞争：自己线程处理队列头部，窃取线程处理队列尾部，避免了同一位置的竞争。
- 提高CPU利用率：空闲线程不会阻塞，而是主动窃取任务执行，充分利用多核资源。
- 负载均衡：任务被动态分配，避免了部分线程忙碌、部分线程空闲的情况。
工作窃取算法的流程可通过以下流程图直观展示：
ForkJoinPool的核心构造参数
ForkJoinPool提供了多个构造函数，核心参数如下：
public ForkJoinPool(int parallelism,
ForkJoinWorkerThreadFactory factory,
Thread.UncaughtExceptionHandler handler,
boolean asyncMode)
- parallelism：并行度，即线程池中的工作线程数量，默认值为
Runtime.getRuntime().availableProcessors()（CPU核心数）。 - factory：线程工厂，用于创建工作线程，默认实现为
DefaultForkJoinWorkerThreadFactory。 - handler：未捕获异常处理器，用于处理任务执行过程中抛出的未捕获异常，默认值为
null。 - asyncMode：异步模式，默认值为
false。当为false时，工作线程采用LIFO顺序处理自己队列的任务；当为true时，采用FIFO顺序处理。
核心组件二：ForkJoinTask
ForkJoinTask是一个抽象类，代表可在ForkJoinPool中执行的任务。它提供了fork()和join()两个核心方法：
- fork() ：将任务提交到当前工作线程的队列中，异步执行。
- join() ：等待任务执行完成，并获取执行结果。
ForkJoinTask有两个常用的抽象子类，分别用于处理不同类型的任务：
- RecursiveAction：用于处理无返回值的任务。
- RecursiveTask ：用于处理有返回值的任务，泛型
V为返回值类型。
RecursiveTask的使用：有返回值的并行计算
RecursiveTask适用于需要返回计算结果的场景，比如数组求和、矩阵运算、统计分析等。下面通过一个数组求和的实例来演示其使用方法。
实例：数组并行求和
假设我们需要计算一个大型数组的元素和，通过分治思想将数组拆分为多个小数组，分别计算每个小数组的和，最后合并结果。
步骤一：定义RecursiveTask子类
package com.jam.demo;
import lombok.extern.slf4j.Slf4j;
import java.util.concurrent.RecursiveTask;
@Slf4j
public class ArraySumTask extends RecursiveTask<Long> {
private static final int THRESHOLD = 1000;
private final int[] array;
private final int start;
private final int end;
public ArraySumTask(int[] array, int start, int end) {
this.array = array;
this.start = start;
this.end = end;
}
@Override
protected Long compute() {
if (end - start <= THRESHOLD) {
return computeDirectly();
}
int mid = (start + end) / 2;
ArraySumTask leftTask = new ArraySumTask(array, start, mid);
ArraySumTask rightTask = new ArraySumTask(array, mid, end);
leftTask.fork();
rightTask.fork();
return leftTask.join() + rightTask.join();
}
private long computeDirectly() {
long sum = 0;
for (int i = start; i < end; i++) {
sum += array[i];
}
return sum;
}
}
步骤二：测试并行求和
package com.jam.demo;
import lombok.extern.slf4j.Slf4j;
import java.util.concurrent.ForkJoinPool;
@Slf4j
public class ArraySumDemo {
public static void main(String[] args) {
int[] array = new int[100000];
for (int i = 0; i < array.length; i++) {
array[i] = i + 1;
}
ForkJoinPool pool = new ForkJoinPool();
ArraySumTask task = new ArraySumTask(array, 0, array.length);
Long result = pool.invoke(task);
log.info("数组求和结果: {}", result);
}
}
代码解析
- 阈值（THRESHOLD）：定义了子问题的最小规模，当数组长度小于等于阈值时，直接顺序计算；否则继续分解。阈值的选择非常关键，太小会导致任务分解开销过大，太大会导致并行度不足。
- compute()方法：
RecursiveTask的核心方法，实现任务分解与结果合并。如果任务规模足够小，直接计算；否则拆分为两个子任务，分别fork()异步执行，再通过join()等待结果并合并。 - ForkJoinPool的invoke()方法：提交任务并等待执行完成，返回任务结果。
RecursiveAction的使用：无返回值的并行计算
RecursiveAction适用于不需要返回值的场景，比如数组排序、图像处理、文件批量处理等。下面通过一个数组排序的实例来演示其使用方法。
实例：数组并行排序
我们采用归并排序算法，通过分治思想将数组拆分为多个小数组，分别排序，最后合并有序数组。
步骤一：定义RecursiveAction子类
package com.jam.demo;
import lombok.extern.slf4j.Slf4j;
import java.util.concurrent.RecursiveAction;
@Slf4j
public class ArraySortAction extends RecursiveAction {
private static final int THRESHOLD = 1000;
private final int[] array;
private final int start;
private final int end;
public ArraySortAction(int[] array, int start, int end) {
this.array = array;
this.start = start;
this.end = end;
}
@Override
protected void compute() {
if (end - start <= THRESHOLD) {
insertionSort(array, start, end);
return;
}
int mid = (start + end) / 2;
ArraySortAction leftAction = new ArraySortAction(array, start, mid);
ArraySortAction rightAction = new ArraySortAction(array, mid, end);
leftAction.fork();
rightAction.fork();
leftAction.join();
rightAction.join();
merge(array, start, mid, end);
}
private void insertionSort(int[] array, int start, int end) {
for (int i = start + 1; i < end; i++) {
int key = array[i];
int j = i - 1;
while (j >= start && array[j] > key) {
array[j + 1] = array[j];
j--;
}
array[j + 1] = key;
}
}
private void merge(int[] array, int start, int mid, int end) {
int[] left = new int[mid - start];
int[] right = new int[end - mid];
System.arraycopy(array, start, left, 0, left.length);
System.arraycopy(array, mid, right, 0, right.length);
int i = 0, j = 0, k = start;
while (i < left.length && j < right.length) {
if (left[i] <= right[j]) {
array[k++] = left[i++];
} else {
array[k++] = right[j++];
}
}
while (i < left.length) {
array[k++] = left[i++];
}
while (j < right.length) {
array[k++] = right[j++];
}
}
}
步骤二：测试并行排序
package com.jam.demo;
import lombok.extern.slf4j.Slf4j;
import java.util.Arrays;
import java.util.concurrent.ForkJoinPool;
@Slf4j
public class ArraySortDemo {
public static void main(String[] args) {
int[] array = new int[100000];
for (int i = 0; i < array.length; i++) {
array[i] = array.length - i;
}
ForkJoinPool pool = new ForkJoinPool();
ArraySortAction action = new ArraySortAction(array, 0, array.length);
pool.invoke(action);
log.info("数组排序后前10个元素: {}", Arrays.toString(Arrays.copyOf(array, 10)));
}
}
代码解析
- compute()方法：与
RecursiveTask类似，实现任务分解。如果任务规模足够小，使用插入排序；否则拆分为两个子任务，分别fork()异步执行，再通过join()等待完成，最后合并有序数组。 - 插入排序：对于小规模数组，插入排序的效率更高，因此在阈值内使用插入排序。
- 归并操作：将两个有序数组合并为一个有序数组，是归并排序的核心步骤。
ForkJoinPool的参数调优策略
ForkJoinPool的性能很大程度上取决于参数配置，下面详细解析每个参数的调优策略。
并行度（parallelism）调优
并行度是ForkJoinPool最重要的参数，它决定了线程池中的工作线程数量。默认值为CPU核心数，这是因为Fork/Join框架主要用于CPU密集型任务，过多的线程会导致频繁的上下文切换，反而降低性能。
调优建议：
- CPU密集型任务：并行度设置为CPU核心数或CPU核心数-1，避免线程竞争。
- 包含少量IO操作的任务：如果任务中包含少量IO操作（比如短暂的网络请求、文件读写），可以适当增加并行度，比如设置为CPU核心数的2倍，但不宜过大。
- 纯IO密集型任务：不建议使用Fork/Join框架，因为IO等待会阻塞工作线程，降低并行效率，此时应选择
ExecutorService或其他适合IO密集型任务的框架。
异步模式（asyncMode）调优
异步模式决定了工作线程处理自己队列任务的顺序：
- false（默认）：LIFO顺序，即工作线程优先处理最近
fork()的任务（队列头部）。这种模式适合任务之间有依赖关系的场景，比如递归分解的任务，子任务需要先执行完成，父任务才能合并结果。 - true：FIFO顺序，即工作线程按照任务提交的顺序处理（队列尾部）。这种模式适合任务之间相互独立、不需要立即合并结果的场景，比如事件处理、异步消息消费等。
调优建议：根据任务的依赖关系和处理顺序选择合适的异步模式，大多数场景下使用默认值即可。
线程工厂（factory）调优
线程工厂用于创建工作线程，默认实现为DefaultForkJoinWorkerThreadFactory，它会创建名为ForkJoinPool-1-worker-1的线程。
调优建议：
- 自定义线程名称：通过自定义线程工厂设置有意义的线程名称，便于问题排查和监控。
- 设置线程优先级：根据任务的重要性设置线程优先级，但不建议设置过高或过低的优先级，避免线程饥饿。
自定义线程工厂的示例：
package com.jam.demo;
import java.util.concurrent.ForkJoinPool;
import java.util.concurrent.ForkJoinWorkerThread;
import java.util.concurrent.atomic.AtomicInteger;
public class CustomForkJoinWorkerThreadFactory implements ForkJoinPool.ForkJoinWorkerThreadFactory {
private final String namePrefix;
private final AtomicInteger threadNumber = new AtomicInteger(1);
public CustomForkJoinWorkerThreadFactory(String namePrefix) {
this.namePrefix = namePrefix;
}
@Override
public ForkJoinWorkerThread newThread(ForkJoinPool pool) {
ForkJoinWorkerThread thread = ForkJoinPool.defaultForkJoinWorkerThreadFactory.newThread(pool);
thread.setName(namePrefix + "-" + threadNumber.getAndIncrement());
thread.setPriority(Thread.NORM_PRIORITY);
return thread;
}
}
未捕获异常处理器（handler）调优
未捕获异常处理器用于处理任务执行过程中抛出的未捕获异常，默认值为null，此时异常会被包装在ExecutionException中，调用join()时会抛出。
调优建议：通过自定义未捕获异常处理器记录异常日志，便于问题排查。
自定义未捕获异常处理器的示例：
package com.jam.demo;
import lombok.extern.slf4j.Slf4j;
@Slf4j
public class CustomUncaughtExceptionHandler implements Thread.UncaughtExceptionHandler {
@Override
public void uncaughtException(Thread t, Throwable e) {
log.error("线程 {} 抛出未捕获异常", t.getName(), e);
}
}
Fork/Join框架的适用场景分析
Fork/Join框架并非万能，它有明确的适用场景和不适用场景，下面详细分析。
适用场景
- CPU密集型任务：比如数组求和、排序、矩阵运算、图像处理、密码破解等，这些任务主要消耗CPU资源，Fork/Join框架能够充分利用多核CPU的计算能力。
- 可分解为子问题的任务：任务能够被递归地拆分为多个规模较小的相同子问题，且子问题之间相互独立。
- 子问题解可合并的任务：子问题的解能够合并为原问题的解，且合并的开销不应超过并行计算带来的收益。
不适用场景
- IO密集型任务：比如文件读写、网络请求、数据库操作等，这些任务主要消耗IO资源，CPU利用率较低，IO等待会阻塞工作线程，降低并行效率。
- 任务间有强依赖的任务：比如子任务需要等待其他子任务的结果才能执行，这种情况下会导致工作线程阻塞，无法充分利用CPU资源。
- 任务分解或合并开销过大的任务：如果任务分解或合并的开销超过了并行计算带来的收益，那么使用Fork/Join框架反而会降低性能。
与其他并发工具的对比
| 并发工具 | 适用场景 | 优势 | 劣势 |
| Fork/Join框架 | CPU密集型、可分解的分治任务 | 工作窃取算法，负载均衡，充分利用多核CPU | 不适合IO密集型任务，任务分解和合并有开销 |
| ExecutorService | 独立的异步任务，IO密集型任务 | 灵活的任务调度，支持多种线程池配置 | 不适合分治任务，负载均衡能力较弱 |
| Stream API parallel() | 简单的集合并行操作 | 简洁易用，无需手动分解任务 | 灵活性较低，不适合复杂的分治任务 |
使用Fork/Join框架的注意事项
任务粒度控制
任务粒度是指子问题的规模，它是影响Fork/Join框架性能的关键因素。任务粒度过小会导致任务创建和管理的开销过大，任务粒度过大会导致并行度不足，无法充分利用多核CPU。
一般来说，任务粒度的选择需要根据具体的任务类型和硬件环境进行测试和调整，通常可以将阈值设置为1000-10000之间，或者通过公式阈值 = 总任务量 / (并行度 * 10)来估算。
避免阻塞操作
在ForkJoinTask的compute()方法中应避免进行阻塞操作，比如IO操作、Thread.sleep()、synchronized锁等，这些操作会阻塞工作线程，降低并行效率。
如果必须进行阻塞操作，可以使用ManagedBlocker接口来管理阻塞操作，它允许工作线程在阻塞时临时增加一个新的工作线程，以保持并行度。
异常处理
ForkJoinTask的compute()方法抛出的异常会被包装在ExecutionException中，调用join()时会抛出，因此需要在调用join()时进行异常处理。
此外，也可以通过isCompletedAbnormally()方法判断任务是否异常完成，通过getException()方法获取异常。
监控ForkJoinPool的状态
ForkJoinPool提供了多个方法用于监控线程池的状态，便于问题排查和性能调优：
getPoolSize()：返回线程池中的工作线程数量。getActiveThreadCount()：返回正在执行任务的工作线程数量。getQueuedTaskCount()：返回队列中等待执行的任务数量。getStealCount()：返回工作线程窃取的任务数量。
总结
Fork/Join框架是Java并发编程中处理并行计算的利器，它基于分治思想，通过工作窃取算法实现高效的任务调度，能够充分利用多核CPU的计算能力。本文从分治编程模型出发，全面解析了Fork/Join框架的核心原理、核心组件、使用方法、参数调优策略及适用场景，配合代码实例帮助读者深入理解并正确应用。
在实际开发中，我们需要根据任务的类型和特点选择合适的并发工具，对于CPU密集型、可分解的分治任务，Fork/Join框架是一个很好的选择。同时，我们需要注意任务粒度控制、避免阻塞操作、异常处理和监控，以充分发挥Fork/Join框架的性能优势。
