多线程服务器适用场合

前提

  • 进程"指的是fork(2)系统调用的产物

  • 线程"指的是pthread_create()的产物,因此是宝贵的那种原生线程。而且Pthreads是NPTL的,每个线程由clone(2)产生,对应一个内核的task_struct。

Pthreads是一组线程操作的标准,NPTL是 Native POSIX Thread Library 的缩写,是Linux上实现Pthreads标准的一个库。NPTL是Pthreads在Linux平台上的具体实现。NPTL提供了线程创建、同步、互斥、条件变量等功能。

必须使用单线程的场合

  1. 程序可能会 fork(2);

  2. 限制程序的CPU占用率。 8核服务器,单线程只在一个核上跑,cpu使用率也只有 12.5%

一个程序fork(2)之后一般有两种行为:

  1. 立刻执行exec(),变身为另一个程序。例如shell和inetd;又比如 lighttpd fork()出子进程,然后运行fastcgi程序。或者集群中运行在计算节点上的负责启动job的守护进程。
  2. 不调用exec(),继续运行当前程序。要么通过共享的文件描述符与父进程通信,协同完成任务;要么接过父进程传来的文件描述符,独立完成工作。

event loop 的缺点

添加图片注释,不超过 140 字(可选)

多线程没有绝对的性能优势

  • IO Bound 和CPU Bound ,任何一方早早先达到瓶颈,多线程都没有啥优势!

  • IO bound和CPU bound是指在计算机系统中,任务执行的瓶颈主要是由I/O操作或者CPU运算所决定。

IO bound(输入输出受限)是指任务的执行时间主要被I/O操作所消耗。CPU的利用率相对较低,大部分时间会处于等待I/O完成的状态。
CPU bound(计算受限)是指任务的执行时间主要被CPU计算所消耗。计算密集型任务,CPU的利用率相对较高,大部分时间会用于执行计算操作。

  • 如果任务是IO bound,则可能需要优化I/O子系统来提高整体性能;

  • 如果任务是CPU bound,则可能需要考虑使用多线程、并行处理等方式来充分利用 CPU 资源。

适用多线程程序的场景

目的

提高响应速度,让IO和"计算"相互重叠,降低latency延迟。虽然多线程不能提高绝对性能,但能提高平均响应性能。

一个程序要做成多线程的,大致要满足:

  • 有多个CPU可用。

  • 线程间有共享数据,即内存中的全局状态。

  • 共享的数据是可以修改的,而不是静态的常量表。如果数据不能修改,那么可以在进程间用 shared memory

  • 提供非均质的服务。即事件的响应有优先级差异,可以用专门的线程来处理优先级高的事件。防止优先级反转。

  • latency (延迟 )和throughput (吞吐量) 同样重要,不是逻辑简单的IO bound或CPU bound程序。换言之,程序要有相当的计算量。

  • 利用异步操作。比如logging。无论往磁盘写log file,还是往log server发送消息都不应该阻塞关键路径。

  • 能 scale up。一个好的多线程程序应该能享受增加CPU数目带来的好处。

  • 具有可预测的性能。随着负载增加,性能缓慢下降,超过某个临界点之后会急速下降。线程数目一般不随负载变化。

  • 多线程能有效地划分责任与功能,让每个线程的逻辑比较简单,任务单一,便于编码。而不是把所有逻辑都塞到一个event loop里,不同类别的事件之间相互影响。

相关推荐
码流怪侠28 分钟前
开源大语言模型应用 Dify 让你轻松部署 AI 应用
github·aigc
低代码布道师3 小时前
将你的本地项目发布到 GitHub (新手指南)
github
梓羽玩Python5 小时前
月之暗面最新开源模型!Kimi-Audio:革新多模态音频处理,统一音频理解、生成与对话!
人工智能·python·github
HelloGitHub6 小时前
《HelloGitHub》第 109 期
开源·github
程序员差不多先生6 小时前
字节跳动在GitHub上有哪些开源项目
github
极小狐8 小时前
极狐GitLab 的压缩和合并是什么?
运维·git·ssh·gitlab·github
极小狐15 小时前
极狐GitLab 合并请求依赖如何解决?
运维·git·ssh·gitlab·github
八股文领域大手子19 小时前
如何给GitHub项目提PR(踩坑记录
大数据·elasticsearch·github
泯泷19 小时前
探索DeepWiki:开发者的代码知识库利器
github·openai·ai编程
福尔摩东20 小时前
从零到精通:2025年最全大模型学习资源
人工智能·github