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_000,300_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
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 。
