Java8（6）：使用並行流

對於斐波那契數的計算，咱們都知道最容易理解的就是遞歸的方法：

public long recursiveFibonacci(int n) {
    if (n < 2) {
        return 1;
    }

    return recursiveFibonacci(n - 1) + recursiveFibonacci(n - 2);
}

固然這個遞歸也能夠轉化爲迭代：

public long iterativeFibonacci(int n) {
    long n1 = 1, n2 = 1;
    long fi = 2; // n1 + n2

    for (int i = 2; i <= n; i++) {
        fi = n1 + n2;
        n1 = n2;
        n2 = fi;
    }

    return fi;
}

可是，對於以上兩種方法，並不能並行化，由於後一項的值依賴於前一項，使得算法流程是串行的。因此引出了能夠並行的計算斐波那契數的公式：

=>

f0 和 f1 都是 1 —— 很明顯咱們能夠對 進行並行計算。

---

首先咱們定義一個 Matrix 類，用來表示一個 2*2 的矩陣：

public class Matrix {

    /**
     * 左上角的值
     */
    public final BigInteger a;
    /**
     * 右上角的值
     */
    public final BigInteger b;
    /**
     * 左下角的值
     */
    public final BigInteger c;
    /**
     * 右下角的值
     */
    public final BigInteger d;

    public Matrix(int a, int b, int c, int d) {
        this(BigInteger.valueOf(a), BigInteger.valueOf(b),
                BigInteger.valueOf(c), BigInteger.valueOf(d));
    }

    public Matrix(BigInteger a, BigInteger b, BigInteger c, BigInteger d) {
        this.a = a;
        this.b = b;
        this.c = c;
        this.d = d;
    }

    /**
     * multiply
     *
     * @param m multiplier
     * @return
     */
    public Matrix mul(Matrix m) {
        return new Matrix(
                a.multiply(m.a).add(b.multiply(m.c)), // a*a + b*c
                a.multiply(m.b).add(b.multiply(m.d)), // a*b + b*d
                c.multiply(m.a).add(d.multiply(m.c)), // c*a + d*c
                c.multiply(m.b).add(d.multiply(m.d)));// c*b + d*d
    }

    /**
     * power of exponent
     *
     * @param exponent
     * @return
     */
    public Matrix pow(int exponent) {
        Matrix matrix = this.copy();

        for (int i = 1; i < exponent; i++) {
            matrix = matrix.mul(this);
        }

        return matrix;
    }

    public Matrix copy() {
        return new Matrix(a, b, c, d);
    }

}

而後咱們來比較迭代和並行的效率：

咱們先設置並行使用的線程數爲 1，即單線程。

public static void main(String[] args) throws Exception {
    final int ITEM_NUM = 500000; // 計算斐波那契數列的第 ITEM_NUM 項

    System.out.println("開始迭代計算...");
    long begin = System.nanoTime();

    BigInteger fi1 = iterativeFibonacci(ITEM_NUM);

    long end = System.nanoTime();
    double time = (end - begin) / 1E9;
    System.out.printf("迭代計算用時: %.3f\n\n", time);

    /* ------------------------------ */
    System.out.println("開始並行計算...");
    begin = System.nanoTime();

    BigInteger fi2 = parallelFibonacci(ITEM_NUM, 1);

    end = System.nanoTime();
    time = (end - begin) / 1E9;
    System.out.printf("並行計算用時: %.3f\n\n", time);

    System.out.println("fi1 == fi2：" + (fi1.equals(fi2)));
}

static BigInteger iterativeFibonacci(int n) {
    BigInteger n1 = BigInteger.ONE;
    BigInteger n2 = BigInteger.ONE;
    BigInteger fi = BigInteger.valueOf(2); // n1 + n2

    for (int i = 2; i <= n; i++) {
        fi = n1.add(n2);
        n1 = n2;
        n2 = fi;
    }

    return fi;
}

static BigInteger parallelFibonacci(int itemNum, int threadNum) throws Exception {
    final Matrix matrix = new Matrix(1, 1, 1, 0);
    final Matrix primary = new Matrix(1, 0, 1, 0); // (f0, 0; f1, 0)
    final int workload = itemNum / threadNum;      // 每一個線程要計算的 相乘的項數
    // (num / threadNum) 可能存在除不盡的狀況，因此最後一個任務計算全部剩下的項數
    final int lastWorkload = itemNum - workload * (threadNum - 1);

    List<Callable<Matrix>> tasks = new ArrayList<>(threadNum);
    for (int i = 0; i < threadNum; i++) {
        if (i < threadNum - 1) {
            // 爲了簡潔，使用 Lambda 表達式替代要實現 Callable<Matrix> 的匿名內部類
            tasks.add(() -> matrix.pow(workload)); 
        } else {
            tasks.add(() -> matrix.pow(lastWorkload));
        }
    }

    ExecutorService threadPool = Executors.newFixedThreadPool(threadNum);
    List<Future<Matrix>> futures = threadPool.invokeAll(tasks); // 執行全部任務，invokeAll 會阻塞直到全部任務執行完畢

    Matrix result = primary.copy();
    for (Future<Matrix> future : futures) { // (matrix ^ n) * (f0, 0; f1, 0)
        result = result.mul(future.get());
    }

    threadPool.shutdown();

    return result.c;
}

能夠看到單線程狀況下，使用矩陣運算的效率大概只有迭代計算的 1/3 左右 —— 既然如此，那咱們耍流氓的把並行的線程數改成 10 線程吧：

BigInteger fi2 = parallelFibonacci(ITEM_NUM, 10); // 10 線程並行計算

能夠看到，此時並行計算的用時碾壓了迭代計算 —— 迭代計算委屈的哭了，並行計算這流氓耍的至關漂亮。

---

好像有點不對勁，我這篇文章的標題彷佛是 使用並行流 —— 並行流呢？

其實前面都是鋪墊 :) 在 parallelFibonacci 方法中，咱們使用了線程池來並行的執行任務，咱們來嘗試將 parallelFibonacci 改成流式（即基於 Stream）風格的代碼：

static BigInteger streamFibonacci(int itemNum, int threadNum) {
    final Matrix matrix = new Matrix(1, 1, 1, 0);
    final Matrix primary = new Matrix(1, 0, 1, 0);
    final int workload = itemNum / threadNum;
    final int lastWorkload = itemNum - workload * (threadNum - 1);
    
    // 流式 API
    return IntStream.range(0, threadNum)    // 產生 [0, threadNum) 區間，用於將任務切分
            .parallel()                     // 使流並行化
            .map(i -> i < threadNum - 1 ? workload : lastWorkload)
            .mapToObj(w -> matrix.pow(w))   // map    ->  mN = matrix ^ workload
            .reduce((m1, m2) -> m1.mul(m2)) // reduce ->  m = m1 * m2 * ... * mN
            .map(m -> m.mul(primary))       // map    ->  m = m * primary
            .get().c;                       // get    ->  m.c
}

依舊在 10 線程的環境下運行下看看：

public static void main(String[] args) throws Exception {
    ...

    /* ------------------------------ */
    System.out.println("開始流式並行計算...");
    begin = System.nanoTime();

    BigInteger fi3 = streamFibonacci(ITEM_NUM, 10);

    end = System.nanoTime();
    time = (end - begin) / 1E9;
    System.out.printf("流式並行計算用時: %.3f\n\n", time);
    
    System.out.println("fi1 == fi2：" + (fi1.equals(fi2)));
    System.out.println("fi1 == fi3：" + (fi1.equals(fi3)));
}

是的，使用並行流就是這麼的簡單，只要你會使用 Stream API —— 給它加上 .parallel() —— 它就並行化了。寫了這麼多年的 Java 代碼，從 Java6 到 Java7 再到 Java8，這一刻，我真的感動了（容我擦擦眼淚）。

並且咱們能夠看到，在線程數相同的狀況下，使用 streamFibonacci（並行流）時，用時要比parallelFibonacci 方法更短。爲了驗證，我誇張一點，將線程數提升到 32：

BigInteger fi2 = parallelFibonacci(ITEM_NUM, 32);

...

BigInteger fi3 = streamFibonacci(ITEM_NUM, 32);

能夠看到，此時 parallelFibonacci 的運行時間反而比 10 線程的時候更長了，而 streamFibonacci 使用的時間卻更短了 —— 流式 API 厲害了！

但這是什麼緣由呢？這個問題留給有興趣的讀者思考和探究吧。

---

值得注意的是，並行流的底層實現是基於 ForkJoinPool 的，而且使用的是一個共享的 ForkJoinPool —— ForkJoinPool.commonPool()。爲了充分利用處理器資源和提高程序性能，咱們應該儘可能使用並行流來執行 CPU 密集的任務，而不是 IO 密集的任務 —— 由於共享池中的線程數量是有限的，若是共享池中某些線程執行 IO 密集的任務，那麼這些線程將長時間處於等待 IO 操做完成的狀態，一旦共享池中的線程耗盡，那麼程序中其餘想繼續使用並行流的地方就須要等待，直到有空閒的線程可用，這會在很大程度上影響到程序的性能。因此使用並行流以前，咱們要注意到這個細節。