前言
性能优化系列第一篇主要给大家科普了一些性能相关的数字，为大家建立性能的初步概念。第二篇给大家介绍了支撑淘宝双十一这种达到百万QPS项目所需的相关核心技术。
本文带来的是性能优化中的第一利器：并发与并行。
除了核心原理介绍外，我将结合我自身的过去的实战经验，给出一些自己在使用上的建议，希望对大家有帮助。
不多废话，直接开怼。
并发和并行最关键的区别是：并行是同时执行，而并发不是同时。
这边使用Joe Armstrong 排队使用咖啡机的例子来看并行和并发的区别，如下图所示：
上半部分为并发：两个队伍交替使用咖啡机
下半部分为并行：两个队伍同时使用咖啡机
从和我们更相关的CPU的角度来看两者的区别。
并发是这样的：同一时刻只有一个任务执行。
并行是这样的：同一时刻有多个任务执行。
并发和并行结合起来是这样的：
2、并发一定能提升性能吗？
并行能提升性能大家不会有太多的疑问，但是并发是否一定能提升性能，估计还是有不少同学会有疑问。
答案是否定的，并发不一定能提升性能，但是在绝大多数场景都能提升性能。
什么场景下并发不能提升性能？
我们举个简单的例子：假设我们的服务器配置为单核CPU，要执行10个任务，10个任务都是CPU计算密集型任务，此时单线程执行效率理论上要比开10个线程执行要快。
在执行的整个过程中，基本都是CPU在运行，但是开十个线程会涉及到线程上下文切换，需要花费一些时间，导致反而更慢。
再举个更形象的例子：囧辉上语文开小差，被老师罚抄10篇课文，此时囧辉脑子里想到了两种方法。
方法1：先抄完第一篇，再抄第二篇，再抄第三篇，直到抄完第十篇。
方法2：先抄第一篇的第一段，再抄第二篇的第一段，...，再抄第十篇的第一段，再抄第一篇的第二段，直到抄完全部。
方法1为串行执行，方法2为并发执行，相信大家都能很容易看出方法二反而会更慢，因为我们在从切换不同文章时，需要先放好原来的文章，然后找新文章抄到哪个位置了，这个过程需要花费一些时间，这个过程就类似于线程上下文切换。
那什么场景下并发会提升性能了？
再举个例子：囧辉要烧10壶水，一壶水烧开的时间为1分钟。
串行执行：囧辉先烧第一壶，第一壶烧开了后接着烧第二壶，直到烧完第十壶，这个方法烧完十壶水大概需要10分钟。
并发执行：囧辉先烧第一壶，没等第一壶烧开，接着烧第二壶，就这样，囧辉一下子将十壶水都放到灶台上同时烧，这个方法烧完十壶水大概需要1分钟。
在这个场景里，并发执行就体现了很大的优化，性能提升了接近10倍。
在我们实际项目中，大部分应用场景都是第二类，因此并发大多时候能提升性能，而哪些动作是“烧开水”了，这个其实在性能优化第一篇里提到了，最常见的“烧开水”操作就是I/O操作，最常见的如：调用其他服务的RPC接口查询数据、查询MySQL数据库获取
数据等等。
3、实现方式
并发/并行的实现方式通常有两种，如下。
1）开线程直接怼，每循环一次都会新建一个线程来执行，例如下面代码，
public static void test() throws InterruptedException { CountDownLatch countDownLatch = new CountDownLatch(10); for (int i = 0; i < 10; i++) { new Thread(() -> { // 烧水 boilingWater(); countDownLatch.countDown(); }).start(); } // 等待处理结束 countDownLatch.await(); }
2）使用线程池，例如下面代码。
public static void test() { List<Future> futureList = new ArrayList<>(); for (int i = 0; i < 10; i++) { futureList.add(THREAD_POOL_EXECUTOR.submit(() -> { // 烧开水 boilingWater(); })); } for (Future future : futureList) { try { // 等待处理结束 future.get(); } catch (Exception e) { e.printStackTrace(); } } }
1是反例，实际项目中不要使用，就算只开1个线程，也要用线程池，因为每次创建和回收线程都是需要开销的。
下面用一个简单的demo来模拟“烧开水”的例子
public class BoilingWaterTest { /** * CPU的核数 */ private static final int NCPUS = Runtime.getRuntime().availableProcessors(); /** * 创建线程池 */ private static final ThreadPoolExecutor THREAD_POOL_EXECUTOR = new ThreadPoolExecutor( NCPUS, NCPUS * 2, 30, TimeUnit.MINUTES, new LinkedBlockingDeque<>(1000), Executors.defaultThreadFactory(), new ThreadPoolExecutor.AbortPolicy()); public static void main(String[] args) throws Exception { serial(); concurrent(); } public static void serial() { // 串行执行 long start = System.currentTimeMillis(); for (int i = 0; i < 10; i++) { boilingWater(); } System.out.println("serial cost:" + (System.currentTimeMillis() - start)); } public static void concurrent() throws InterruptedException { // 并发执行 CountDownLatch countDownLatch = new CountDownLatch(10); long start = System.currentTimeMillis(); for (int i = 0; i < 10; i++) { THREAD_POOL_EXECUTOR.execute(() -> { boilingWater(); countDownLatch.countDown(); }); } // 等待任务全部执行完毕 countDownLatch.await(); System.out.println("concurrent cost:" + (System.currentTimeMillis() - start)); } public static void boilingWater() { try { // 烧开一壶水需要1秒 Thread.sleep(1000); } catch (InterruptedException e) { e.printStackTrace(); } } }
执行该方法输出如下，符合我们的预期。
serial cost:10091 concurrent cost:1048
此时并发执行的流程就如下图，从一个task拆出多个task，然后由每个CPU负责处理1个，因此处理时间接近于1个任务的处理时间。
4、线程池的参数设置
1）线程数
之前的线程池面试文章里有介绍过线程数的设置，这边直接复制过来：
要想合理的配置线程池大小，首先我们需要区分任务是计算密集型还是I/O密集型。
对于计算密集型，设置线程数 = CPU数 + 1，通常能实现最优的利用率。
对于I/O密集型，网上常见的说法是设置线程数 = CPU数 * 2 ，这个做法是可以的，但个人觉得不是最优的。
在我们日常的开发中，我们的任务几乎是离不开I/O的，常见的网络I/O（RPC调用）、磁盘I/O（数据库操作），并且I/O的等待时间通常会占整个任务处理时间的很大一部分，在这种情况下，开启更多的线程可以让 CPU 得到更充分的使用，一个较合理的计算公式如下：
线程数= CPU数 * CPU利用率 * (任务等待时间/ 任务计算时间 + 1)
例如我们有个定时任务，部署在4核的服务器上，该任务有100ms在计算，900ms在I/O等待，则线程数约为：4 * 1 * (1 + 900 / 100) = 40个。
当然，具体我们还要结合实际的使用场景来考虑。如果要求比较精确，可以通过压测来获取一个合理的值。
上述是比较理想的线程数计算方式，在实际项目使用中，如果无法很准确的计算，那么可以先用我上面的线程池配置，也就是：
corePoolSize = CPU核数
maximumPoolSize = CPU核数 * 2
这个参数设置可能不是最理想的，但在大多数情况下都是一个还不错的选择，比较合适。
2）keepAliveTime、TimeUnit
这两个参数一起决定了非核心线程空闲后的存活时间。
这两个参数说实话并不是非常重要，实际使用过程中不要设置太离谱的值一般问题不大，我个人一般使用5分钟或30分钟。
3）workQueue
工作队列，当核心线程处理不过来时，任务会堆积在队列里。
常见的队列有ArrayBlockingQueue 和 LinkedBlockingQueue，两者的主要区别在于 ArrayBlockingQueue 占用空间会更小，而 LinkedBlockingQueue 在生产者和消费者使用了不同的锁性能会好一点。
通常情况下，两者的区别微乎其微，除非你要处理的任务量非常非常大，此时你需要仔细考虑使用哪个更合适，否则通常情况下两个随便选都可以。
常见的坑：使用LinkedBlockingQueue 时没设置队列大小，也就是使用了无界队列（Integer.MAX_VALUE），任务处理不过来，不断积压在队列里，最终造成内存溢出。
线程池使用不当导致内存溢出的case我已经见过很多次了，这个经验大家一定要铭记在心：使用LinkedBlockingQueue 一定要设置队列大小。
另外，这边给大家介绍下另一个我常用的工作队列：SynchronousQueue。
SynchronousQueue 不是一个真正的队列，而是一种在线程之间移交的机制。要将一个元素放入SynchronousQueue 中，必须有另一个线程正在等待接受这个元素。如果没有线程等待，并且线程池的当前大小小于 maximumPoolSize，那么线程池将创建一个线程，否则根据拒绝策略，这个任务将被拒绝。使用直接移交将更高效，因为任务会直接移交给执行它的线程，而不是被放在队列中，然后由工作线程从队列中提取任务。只有当线程池是无界的或者可以拒绝任务时，该队列才有实际价值，
Executors.newCachedThreadPool使用了该队列。
上述内容里提到了：当线程池是无界的或者可以拒绝任务时，该队列才有实际价值。
使用无界的线程池说实话挺危险的，我强烈建议不要使用，特别是经验不太丰富的新人。因此我们在使用 SynchronousQueue 的时候可以理解为一定会出现任务被拒绝的情况，因此要选择好合适的拒绝策略。
SynchronousQueue 我一般会搭配 CallerRunsPolicy 使用，个人觉得这2个是个绝佳组合，这个组合起到的效果是：当线程池处理不过来时，直接交由调用者线程（往线程池里添加任务的主线程）来执行，此时任务不会被积压在队列里，同时调用者线程无法继续提交任务。
简单来说：任务处理非常高效，没有任务积压的概念不会有内存溢出的风险，同时在线程池处理不过来时具有控制任务提交速度的效果。
4）ThreadFactory
线程工厂，这个没啥好说的，通常使用默认的就行。
常见的改动场景是：给线程设置个自定义的名字，方便区分。
这种场景下，可以使用一些工具类提供的现有方法，也可以将 DefaultThreadFactory 拷贝出来自己修改一下。
5）RejectedExecutionHandler
拒绝策略，线程池处理不过来时的策略。默认有4种策略，其中3种我个人比较常用到。
AbortPolicy：默认的策略，直接抛出异常，没有特殊需求直接使用该策略即可。
CallerRunsPolicy：调用者线程执行策略，该策略上面提到了，我一般是配合SynchronousQueue 使用，起到一个控制任务提交速度的效果。
DiscardPolicy：抛弃策略，直接丢掉要提交的任务，这个策略一般在线程池执行的是不太重要的任务时使用。
5、并发并行适用于哪种场景
典型的适合使用并发并行的场景通常有以下特点：
1）存在I/O操作，并且I/O操作有多次，最典型的就是RPC调用和查询数据库
2）I/O操作比较耗时，越耗时越有优化价值
3）多次I/O操作之间没有依赖关系，可以同时调用
总结
并发和并行是性能优化中非常常用的手段，使用起来非常简单，并且带来的性能提升通常非常明显，很容易就有几倍几倍的提升，快在自己的项目中用起来吧。
最后
我是囧辉，一个坚持分享原创技术干货的程序员，如果觉得本文对你有帮助，欢迎一键三连。
推荐阅读
