5-基础构建模块

简介: 5-基础构建模块

1 同步容器类

同步容器类包括Vector和HashTable,二者是早期JDK一部分,此外还包括在JDK 1.2中添加的一些功能相似的类,这些的同步封装器类是由Collections.synchronizedXxx等工厂方法创建的。这些类实现线程安全的方式是:将他们的状态封装起来,并对每个共有方法进行同步,使得每次只有一个线程能访问容器的状态。

1.1 同步容器类的问题

同步容器类都是线程安全的,但在某些情况可能需额外客户端加锁来保护复合操作。

容器上常见的复合操作包括:


  • 迭代(反复访问元素,直到遍历完容器中所有元素)
  • 跳转(根据指定顺序找到当前元素的下一个元素)以及条件运算

在同步容器类中,这些复合操作在没有客户端加锁的情况下,仍是线程安全的,

但当其他线程并发的修改容器时,他们可能会表现出意料之外的行为。

2 并发容器

Java5提供了多种并发容器来改进同步容器的性能。

同步容器将所有对容器状态的访问都串行化,以实现他们的线程安全性。

这种方法的代价是严重降低并发性,当多个线程竞争容器的锁时,吞吐量将严重降低。

并发容器是针对多个线程并发访问设计的。在Java 5中增加了


  • ConcurrentHashMap,用来替代同步且基于散列的Map,增加了对一些常见符合操作的支持,例如“若没有则添加”、替换以及有条件删除等。
  • CopyOnWriteArrayList,用于在遍历操作为主要操作的情况下代替同步的List。


通过并发容器来代替同步容器,可以极大地提供伸缩性并降低风险。


2.1 CocurrentHashMap

同步容器在执行每个操作期间都持有一个锁。在一些操作中,例如HashMashMap.get或List.contains,可能包含大量的工作:当遍历散列桶或链表来查找某个特定的对象时,必须在许多元素上调用equals。在基于散列的容器中,如果hashCode不能很均匀的分布散列值,那么容器中的元素就不会均匀的分布在整个容器中。某些情况下,某个糟糕的散列函数还会把一个散列表变成线性链表。当遍历很长的链表并且在某些或者全部元素上调用equals方法时,会花费很长时间,而其他线程在这段时间内都不能访问容器。


ConcurrentHashMap使用一种粒度更细的称为分段锁的机制来实现更大程度的共享.

在这种机制中,任意数量的读取线程可以并发的访问Map,执行读操作的线程和执行写操作的线程可以并发的访问Map,并且一定数量的写线程可以并发的修改Map.


ConcurrentHashMap与其他并发容器一起增强了同步容器:迭代器不会抛出ConcurrentModificationException,因此迭代过程无需加锁.

其迭代器具有”弱一致性”,而并非”及时失败”.可以容忍并发的修改,当创建迭代器时会遍历已有的元素,并可以(但不保证)在迭代器被构造后将修改操作反映给容器.


只有当需要加锁Map以进行独占访问时,才应该放弃使用ConcurrentHashMap.

2.2 额外的原子Map操作

由于ConcurrentHashMap不能被加锁来执行独占访问,因此 无法使用客户端加锁来创建新的原子操作.

一些常见的复合操作,eg.”若没有则添加”,”若相等则移除”等,都已经实现为原子操作并且在ConcurrentMap接口中声明,如下面代码所示.

public interface ConcurrentMap<K, V> extends Map<K, V> {
     //仅当K没有相应的映射值时才插入
     V putIfAbsent(K key, V value);
     //仅当K被映射到V时才移除
     boolean remove(Object key, Object value);
     //仅当K被映射到oldValue时才替换为newValue
     boolean replace(K key, V oldValue, V newValue);
     //仅当K被映射到某个值时才被替换为newValue
      V replace(K key, V value);
}
目录
相关文章
|
10天前
|
数据采集 人工智能 安全
|
5天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
316 164
|
4天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
323 155
|
5天前
|
编解码 人工智能 自然语言处理
⚽阿里云百炼通义万相 2.6 视频生成玩法手册
通义万相Wan 2.6是全球首个支持角色扮演的AI视频生成模型,可基于参考视频形象与音色生成多角色合拍、多镜头叙事的15秒长视频,实现声画同步、智能分镜,适用于影视创作、营销展示等场景。
370 4
|
13天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
911 7