Your SlideShare is downloading. ×
0
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
От Java Threads к лямбдам, Андрей Родионов
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

От Java Threads к лямбдам, Андрей Родионов

609

Published on

Один из основных мотивов добавления в Java 8 лямбда-выражений — упростить написание многопоточных программ. На примере несложной вычислительной задачи я покажу эволюцию средств Java для …

Один из основных мотивов добавления в Java 8 лямбда-выражений — упростить написание многопоточных программ. На примере несложной вычислительной задачи я покажу эволюцию средств Java для многопоточности. Начнём с Java Threads, а закончим лямбда-выражениями и Stream API. Ну и в результате посмотрим, что и как вышло.

Published in: Technology
0 Comments
6 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
609
On Slideshare
0
From Embeds
0
Number of Embeds
3
Actions
Shares
0
Downloads
17
Comments
0
Likes
6
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. От Java Threads к лямбдам Андрей Родионов @AndriiRodionov http://jug.ua/
  • 2. The Green Project
  • 3. The Star7 PDA • SPARC based, handheld wireless PDA • with a 5" color LCD with touchscreen input • a new 16 bit color hardware double buffered NTSC framebuffer • 900MHz wireless networking • multi-media audio codec • a new power supply/battery interface • a version of Unix (SolarisOs) that runs in under a megabyte including drivers for PCMCIA • radio networking • flash RAM file system
  • 4. + Оак • a new small, safe, secure, distributed, robust, interpreted, garbage collected, multi-threaded, architecture neutral, high performance, dynamic programming language • a set of classes that implement a spatial user interface metaphor, a user interface methodology which uses animation, audio, spatial cues, gestures • All of this, in 1992!
  • 5. Зачем это все? • Если Oak предназначался для подобных устройств, когда еще было не особо много многопроцессорных машин (и тем более никто не мечтала о телефоне с 4 ядрами), то зачем он изначально содержал поддержку потоков???
  • 6. Напишем реализации одной и той же задачи с использованием • Sequential algorithm • Java Threads • java.util.concurrent (Thread pool) • Fork/Join • Java 8 Stream API (Lambda)
  • 7. А так же … • Сравним производительность каждого из подходов
  • 8. MicroBenchmarking?!
  • 9. Вы занимаетесь микробенчмаркингом? Тогда мы идем к Вам! (The Art Of) (Java) Benchmarking http://shipilev.net/
  • 10. http://openjdk.java.net/projects/code-tools/jmh/ JMH is a Java harness for building, running, and analysing nano/micro/milli/macro benchmarks written in Java and other languages targetting the JVM.
  • 11. В качестве задачи – численное интегрирование • Методом прямоугольников
  • 12. Sequential algorithm
  • 13. Sequential v.1 public class SequentialCalculate { public double calculate(double start, double end, double step) { double result = 0.0; double x = start; while (x < end) { result += step * (sin(x) * sin(x) + cos(x) * cos(x)); x += step; } return result; } }
  • 14. Sequential v.1 public class SequentialCalculate { public double calculate(double start, double end, double step) { double result = 0.0; double x = start; while (x < end) { result += step * (sin(x) * sin(x) + cos(x) * cos(x)); x += step; } return result; } }
  • 15. Sequential v.2: with Functional interface public interface Function<T, R> { R apply(T t); }
  • 16. Sequential v.2: with Functional interface public interface Function<T, R> { R apply(T t); } public class SequentialCalculate { private final Function<Double, Double> func; public SequentialCalculate(Function<Double, Double> func) { this.func = func; } public double calculate(double start, double end, double step) { double result = 0.0; double x = start; while (x < end) { result += step * func.apply(x); x += step; } return result; } }
  • 17. Sequential v.2 With Functional interface SequentialCalculate sc = new SequentialCalculate ( new Function<Double, Double>() { public Double apply(Double x) { return sin(x) * sin(x) + cos(x) * cos(x); } } );
  • 18. Performance • Intel Core i7-4770, 3.4GHz, 4 Physical cores + 4 Hyper threading = 8 CPUs • Sun UltraSPARC T1, 1.0GHz, 8 Physical cores * 4 Light Weight Processes = 32 CPUs 54,832 1,877 0 10 20 30 40 50 60 t, sec
  • 19. Java Threads
  • 20. Как будем параллелить? Thread 1 Thread 2 Thread N 
  • 21. class CalcThread extends Thread { private final double start; private final double end; private final double step; private double partialResult; public CalcThread(double start, double end, double step) { this.start = start; this.end = end; this.step = step; } public void run() { double x = start; while (x < end) { partialResult += step * func.apply(x); x += step; } } }
  • 22. public double calculate(double start, double end, double step, int chunks) { CalcThread[] calcThreads = new CalcThread[chunks]; double interval = (end - start) / chunks; double st = start; for (int i = 0; i < chunks; i++) { calcThreads[i] = new CalcThread(st, st + interval, step); calcThreads[i].start(); st += interval; } double result = 0.0; for (CalcThread cs : calcThreads) { cs.join(); result += cs.partialResult; } return result; }
  • 23. Spliterator Collector public double calculate(double start, double end, double step, int chunks) { CalcThread[] calcThreads = new CalcThread[chunks]; double interval = (end - start) / chunks; double st = start; for (int i = 0; i < chunks; i++) { calcThreads[i] = new CalcThread(st, st + interval, step); calcThreads[i].start(); st += interval; } double result = 0.0; for (CalcThread cs : calcThreads) { cs.join(); result += cs.partialResult; } return result; }
  • 24. 0 0,5 1 1,5 2 1 2 4 8 16 32 t(sec) Threads Execution time Simple Threads
  • 25. 0 1 2 3 4 5 6 2 4 8 16 32 Speedup Threads Speedup Simple Threads
  • 26. Ограничения классического подхода • "поток-на-задачу" хорошо работает с небольшим количеством долгосрочных задач • слияние низкоуровневого кода, отвечающего за многопоточное исполнение, и высокоуровневого кода, отвечающего за основную функциональность приложения приводит к т.н. «спагетти-коду» • трудности связанные с управлением потоками • поток занимает относительно много места в памяти ~ 1 Mb • для выполнения новой задачи потребуется запустить новый поток – это одна из самых требовательных к ресурсам операций
  • 27. java.util.concurrent
  • 28. Thread pool • Пул потоков - это очередь в сочетании с фиксированной группой рабочих потоков, в которой используются wait() и notify(), чтобы сигнализировать ожидающим потокам, что прибыла новая работа.
  • 29. class CalcThread implements Callable<Double> { private final double start; private final double end; private final double step; public CalcThread(double start, double end, double step){ this.start = start; this.end = end; this.step = step; } public Double call() { double partialResult = 0.0; double x = start; while (x < end) { partialResult += step * func.apply(x); x += step; } return partialResult; } }
  • 30. public double calculate(double start, double end, double step, int chunks) { ExecutorService executorService = Executors.newFixedThreadPool(chunks); Future<Double>[] futures = new Future[chunks]; double interval = (end - start) / chunks; double st = start; for (int i = 0; i < chunks; i++) { futures[i] = executorService.submit( new CalcThread(st, st + interval, step)); st += interval; } executorService.shutdown(); double result = 0.0; for (Future<Double> partRes : futures) { result += partRes.get(); } return result; }
  • 31. public double calculate(double start, double end, double step, int chunks) { ExecutorService executorService = Executors.newFixedThreadPool(chunks); Future<Double>[] futures = new Future[chunks]; double interval = (end - start) / chunks; double st = start; for (int i = 0; i < chunks; i++) { futures[i] = executorService.submit( new CalcThread(st, st + interval, step)); st += interval; } executorService.shutdown(); double result = 0.0; for (Future<Double> partRes : futures) { result += partRes.get(); } return result; } Spliterator Collector
  • 32. 0 0,5 1 1,5 2 1 2 4 8 16 32 t(sec) Threads Execution time Simple Threads Thread Pool
  • 33. 0 1 2 3 4 5 6 2 4 8 16 32 Speedup Threads Speedup Simple Threads Thread Pool
  • 34. «Бытие определяет сознание» Доминирующие в текущий момент аппаратные платформы формируют подход к созданию языков, библиотек и систем • С самого момента зарождения языка в Java была поддержка потоков и параллелизма (Thread, synchronized, volatile, …) • Однако примитивы параллелизма, введенные в 1995 году, отражали реальность аппаратного обеспечения того времени: большинство доступных коммерческих систем вообще не предоставляли возможностей использования параллелизма, и даже наиболее дорогостоящие системы предоставляли такие возможности лишь в ограниченных масштабах • В те дни потоки использовались в основном, для выражения asynchrony, а не concurrency, и в результате, эти механизмы в целом отвечали требованиям времени
  • 35. Путь к параллелизму • По мере изменения доминирующей аппаратной платформы, должна соответственно изменяться и программная платформа • Когда начался процесс удешевления многопроцессорных систем, от приложений стали требовать все большего использования предоставляемого системами аппаратного параллелизма. Тогда программисты обнаружили, что разрабатывать параллельные программы, использующие низкоуровневые примитивы, обеспечиваемые языком и библиотекой классов, сложно и чревато ошибками • java.util.concurrent дала возможности для «coarse-grained» параллелизма (поток на запрос), но этого может быть не достаточно, т.к. сам по себе запрос может выполняться долго • Необходимы средства для «finer-grained» параллелизма Web server Th1 Th2 Th3 ThNcoarse-grained parallelism finer-grained parallelism
  • 36. Fork/Join
  • 37. Fork/Join // PSEUDOCODE Result solve(Problem problem) { if (problem.size < SEQUENTIAL_THRESHOLD) return solveSequentially(problem); else { Result left, right; INVOKE-IN-PARALLEL { left = solve(extractLeftHalf(problem)); right = solve(extractRightHalf(problem)); } return combine(left, right); } } • Fork/Join сейчас является одной из самых распространённых методик для построения параллельных алгоритмов
  • 38. Work stealing - планировщики на основе захвата работы ForkJoinPool может в небольшом количестве потоков выполнить существенно большее число задач
  • 39. Work stealing • Планировщики на основе захвата работы (work stealing) "автоматически" балансируют нагрузку за счёт того, что потоки, оказавшиеся без задач, самостоятельно обнаруживают и забирают "свободные" задачи у других потоков. Находится ли поток-"жертва" в активном или пассивном состоянии, неважно. • Основными преимуществами перед планировщиком с общим пулом задач: – отсутствие общего пула :), то есть точки глобальной синхронизации – лучшая локальность данных, потому что в большинстве случаев поток самостоятельно выполняет порождённые им задачи
  • 40. public class ForkJoinCalculate extends RecursiveTask<Double> { ... static final long SEQUENTIAL_THRESHOLD = 500; ... @Override protected Double compute() { if ((end - start) / step < SEQUENTIAL_THRESHOLD) { return sequentialCompute(); } double mid = start + (end - start) / 2.0; ForkJoinCalculate left = new ForkJoinCalculate(func, start, mid, step); ForkJoinCalculate right = new ForkJoinCalculate(func, mid, end, step); left.fork(); double rightAns = right.compute(); double leftAns = left.join(); return leftAns + rightAns; } }
  • 41. protected double sequentialCompute() { double x = start; double result = 0.0; while (x < end) { result += step * func.apply(x); x += step; } return result; }
  • 42. ForkJoinPool pool = new ForkJoinPool(); ForkJoinCalculate calc = new ForkJoinCalculate(sqFunc, start, end, step); double sum = pool.invoke(calc); How to launch recursive execution
  • 43. Spliterator public class ForkJoinCalculate extends RecursiveTask<Double> { ... static final long SEQUENTIAL_THRESHOLD = 500; ... @Override protected Double compute() { if ((end - start) / step < SEQUENTIAL_THRESHOLD) { return sequentialCompute(); } double mid = start + (end - start) / 2.0; ForkJoinCalculate left = new ForkJoinCalculate(func, start, mid, step); ForkJoinCalculate right = new ForkJoinCalculate(func, mid, end, step); left.fork(); double rightAns = right.compute(); double leftAns = left.join(); return leftAns + rightAns; } } Collector
  • 44. 0 0,5 1 1,5 2 1 2 4 8 16 32 t(sec) Threads Execution time Simple Threads Thread Pool Fork/Join
  • 45. 0 1 2 3 4 5 6 2 4 8 16 32 Speedup Threads Speedup Simple Threads Thread Pool Fork/Join
  • 46. Fork/Join effectiveness • Local task queues and work stealing are only utilized when worker threads actually schedule new tasks in their own queues – If this doesn't occur, the ForkJoinPool is just a ThreadPoolExecutor with an extra overhead – If input tasks are already split (or are splittable) into tasks of approximately equal computing load, then it less efficient than just using a ThreadPoolExecutor directly • If tasks have variable computing load and can be split into subtasks, then ForkJoinPool's in-built load balancing is likely to make it more efficient than using a ThreadPoolExecutor
  • 47. The F/J framework Criticism • exceedingly complex – The code looks more like an old C language program that was segmented into classes than an O-O structure • a design failure – It’s primary uses are for fully-strict, compute-only, recursively decomposing processing of large aggregate data structures. It is for compute intensive tasks only • lacking in industry professional attributes – no monitoring, no alerting or logging, no availability for general application usage • misusing parallelization – recursive decomposition has narrower performance window. An academic exercise • inadequate in scope – you must be able to express things in terms of apply, reduce, filter, map, cumulate, sort, uniquify, paired mappings, and so on — no general purpose application programming here • special purpose
  • 48. F/J source code
  • 49. F/J restrictions • Recursive decomposition has narrower performance window. It only works well: – on balanced tree structures (DAG), – where there are no cyclic dependencies, – where the computation duration is neither too short nor too long, – where there is no blocking • Recommended restrictions: – must be plain (between 100 and 10,000 basic computational steps in the compute method), – compute intensive code only, – no blocking, – no I/O, – no synchronization
  • 50. F/J restrictions • Recursive decomposition has narrower performance window. It only works well: – on balanced tree structures (DAG), – where there are no cyclic dependencies, – where the computation duration is neither too short nor too long, – where there is no blocking • Recommended restrictions: – must be plain (between 100 and 10,000 basic computational steps in the compute method), – compute intensive code only, – no blocking, – no I/O, – no synchronization All problems
  • 51. F/J restrictions • Recursive decomposition has narrower performance window. It only works well: – on balanced tree structures (DAG), – where there are no cyclic dependencies, – where the computation duration is neither too short nor too long, – where there is no blocking • Recommended restrictions: – must be plain (between 100 and 10,000 basic computational steps in the compute method), – compute intensive code only, – no blocking, – no I/O, – no synchronization F/J All problems reduce, filter, map, cumulate, sort, uniquify, paired mappings, …
  • 52. Lambda
  • 53. 1994 “He (Bill Joy) would often go on at length about how great Oak would be if he could only add closures and continuations and parameterized types” Patrick Naughton, one of the creators of the Java
  • 54. 1994 “He (Bill Joy) would often go on at length about how great Oak would be if he could only add closures and continuations and parameterized types” “While we all agreed these were very cool language features, we were all kind of hoping to finish this language in our lifetimes and get on to creating cool applications with it” Patrick Naughton, one of the creators of the Java
  • 55. 1994 “He (Bill Joy) would often go on at length about how great Oak would be if he could only add closures and continuations and parameterized types” “While we all agreed these were very cool language features, we were all kind of hoping to finish this language in our lifetimes and get on to creating cool applications with it” “It is also interesting that Bill was absolutely right about what Java needs long term. When I go look at the list of things he wanted to add back then, I want them all. He was right, he usually is” Patrick Naughton, one of the creators of the Java
  • 56. Ingredients of lambda expression • A lambda expression has three ingredients: – A block of code – Parameters – Values for the free variables; that is, the variables that are not parameters and not defined inside the code
  • 57. Ingredients of lambda expression • A lambda expression has three ingredients: – A block of code – Parameters – Values for the free variables; that is, the variables that are not parameters and not defined inside the code while (x < end) { result += step * (sin(x) * sin(x) + cos(x) * cos(x)); x += step; }
  • 58. Ingredients of lambda expression • A lambda expression has three ingredients: – A block of code – Parameters – Values for the free variables; that is, the variables that are not parameters and not defined inside the code while (x < end) { result += step * (sin(x) * sin(x) + cos(x) * cos(x)); x += step; } step * (sin(x) * sin(x) + cos(x) * cos(x));
  • 59. Ingredients of lambda expression • A lambda expression has three ingredients: – A block of code – Parameters – Values for the free variables; that is, the variables that are not parameters and not defined inside the code while (x < end) { result += step * (sin(x) * sin(x) + cos(x) * cos(x)); x += step; } step * (sin(x) * sin(x) + cos(x) * cos(x)); A block of code
  • 60. Ingredients of lambda expression • A lambda expression has three ingredients: – A block of code – Parameters – Values for the free variables; that is, the variables that are not parameters and not defined inside the code while (x < end) { result += step * (sin(x) * sin(x) + cos(x) * cos(x)); x += step; } step * (sin(x) * sin(x) + cos(x) * cos(x)); A block of code Parameter(s)
  • 61. Ingredients of lambda expression • A lambda expression has three ingredients: – A block of code – Parameters – Values for the free variables; that is, the variables that are not parameters and not defined inside the code while (x < end) { result += step * (sin(x) * sin(x) + cos(x) * cos(x)); x += step; } step * (sin(x) * sin(x) + cos(x) * cos(x)); A block of code Parameter(s)Free variable
  • 62. Lambda expression step * (sin(x) * sin(x) + cos(x) * cos(x));
  • 63. Lambda expression step * (sin(x) * sin(x) + cos(x) * cos(x)); x -> step * (sin(x) * sin(x) + cos(x) * cos(x));
  • 64. Lambda expression step * (sin(x) * sin(x) + cos(x) * cos(x)); x -> step * (sin(x) * sin(x) + cos(x) * cos(x)); Function<Double, Double> func = x -> step * (sin(x) * sin(x) + cos(x) * cos(x));
  • 65. Lambda expression step * (sin(x) * sin(x) + cos(x) * cos(x)); x -> step * (sin(x) * sin(x) + cos(x) * cos(x)); Function<Double, Double> func = x -> step * (sin(x) * sin(x) + cos(x) * cos(x)); F(x)G(y)
  • 66. Lambda expression step * (sin(x) * sin(x) + cos(x) * cos(x)); x -> step * (sin(x) * sin(x) + cos(x) * cos(x)); Function<Double, Double> func = x -> step * (sin(x) * sin(x) + cos(x) * cos(x)); F(x)G(y) Function<Double, Double> func = x -> sin(x) * sin(x) + cos(x) * cos(x); Function<Double, Double> calcFunc = y -> step * y; Function<Double, Double> sqFunc = func.andThen(calcFunc);
  • 67. SequentialCalculate sc = new SequentialCalculate ( new Function<Double, Double>() { public Double apply(Double x) { return sin(x) * sin(x) + cos(x) * cos(x); } } );
  • 68. SequentialCalculate sc = new SequentialCalculate ( new Function<Double, Double>() { public Double apply(Double x) { return sin(x) * sin(x) + cos(x) * cos(x); } } ); SequentialCalculate sc = new SequentialCalculate(x -> sin(x)*sin(x) + cos(x)*cos(x));
  • 69. SequentialCalculate sc = new SequentialCalculate ( new Function<Double, Double>() { public Double apply(Double x) { return sin(x) * sin(x) + cos(x) * cos(x); } } ); SequentialCalculate sc = new SequentialCalculate(x -> sin(x)*sin(x) + cos(x)*cos(x)); Function<Double, Double> func = x -> sin(x) * sin(x) + cos(x) * cos(x); SequentialCalculate sc = new SequentialCalculate(func);
  • 70. Stream API
  • 71. Integral calculation double step = 0.001; double start = 0.0; double end = 10_000.0; Function<Double, Double> func = x -> sin(x) * sin(x) + cos(x) * cos(x); Function<Double, Double> calcFunc = y -> step * y; Function<Double, Double> sqFunc = func.andThen(calcFunc); double sum = ...
  • 72. Integral calculation double step = 0.001; double start = 0.0; double end = 10_000.0; Function<Double, Double> func = x -> sin(x) * sin(x) + cos(x) * cos(x); Function<Double, Double> calcFunc = y -> step * y; Function<Double, Double> sqFunc = func.andThen(calcFunc); double sum = Stream. iterate(0.0, s -> s + step).
  • 73. Integral calculation double step = 0.001; double start = 0.0; double end = 10_000.0; Function<Double, Double> func = x -> sin(x) * sin(x) + cos(x) * cos(x); Function<Double, Double> calcFunc = y -> step * y; Function<Double, Double> sqFunc = func.andThen(calcFunc); double sum = Stream. iterate(0.0, s -> s + step). limit((long) ((end - start) / step)).
  • 74. Integral calculation double step = 0.001; double start = 0.0; double end = 10_000.0; Function<Double, Double> func = x -> sin(x) * sin(x) + cos(x) * cos(x); Function<Double, Double> calcFunc = y -> step * y; Function<Double, Double> sqFunc = func.andThen(calcFunc); double sum = Stream. iterate(0.0, s -> s + step). limit((long) ((end - start) / step)). map(sqFunc).
  • 75. Integral calculation double step = 0.001; double start = 0.0; double end = 10_000.0; Function<Double, Double> func = x -> sin(x) * sin(x) + cos(x) * cos(x); Function<Double, Double> calcFunc = y -> step * y; Function<Double, Double> sqFunc = func.andThen(calcFunc); double sum = Stream. iterate(0.0, s -> s + step). limit((long) ((end - start) / step)). map(sqFunc). reduce(0.0, Double::sum); ∑ sum
  • 76. java.util.function.* public interface Function<T, R> { R apply(T t); } public interface DoubleUnaryOperator { double applyAsDouble(double x); }
  • 77. DoubleStream public interface DoubleUnaryOperator { double applyAsDouble(double x); }
  • 78. DoubleStream DoubleUnaryOperator funcD = x -> sin(x) * sin(x) + cos(x) * cos(x); DoubleUnaryOperator calcFuncD = y -> step * y; DoubleUnaryOperator sqFuncDouble = funcD.andThen(calcFuncD); double sum = ... public interface DoubleUnaryOperator { double applyAsDouble(double x); }
  • 79. DoubleStream DoubleUnaryOperator funcD = x -> sin(x) * sin(x) + cos(x) * cos(x); DoubleUnaryOperator calcFuncD = y -> step * y; DoubleUnaryOperator sqFuncDouble = funcD.andThen(calcFuncD); double sum = DoubleStream. iterate(0.0, s -> s + step). limit((long) ((end - start) / step)). map(sqFuncDouble). sum(); public interface DoubleUnaryOperator { double applyAsDouble(double x); }
  • 80. What's the difference? 1,7 1,75 1,8 1,85 1,9 1,95 2 2,05 2,1 2,15 2,2 Execution time Sequential Generic Stream Double Stream
  • 81. Stream parallel double sum = DoubleStream. iterate(0.0, s -> s + step). limit((long) ((end - start) / step)). parallel(). map(sqFuncDouble). sum();
  • 82. Stream parallel double sum = DoubleStream. iterate(0.0, s -> s + step). limit((long) ((end - start) / step)). parallel(). map(sqFuncDouble). sum();
  • 83. and …
  • 84. and …
  • 85. and … http://mail.openjdk.java.net/pipermail/lambda-dev/2013-June/010019.html
  • 86. Stream parallel v.2 double sum = LongStream. range(0, (long) ((end - start) / step)). parallel(). mapToDouble(i -> start + step * i). map(sqFuncDouble). sum();
  • 87. Stream parallel v.2 double sum = LongStream. range(0, (long) ((end - start) / step)). parallel(). mapToDouble(i -> start + step * i). map(sqFuncDouble). sum();
  • 88. Spliterator Collector Streams parallel v.2 double sum = LongStream. range(0, (long) ((end - start) / step)). parallel(). mapToDouble(i -> start + step * i). map(sqFuncDouble). sum();
  • 89. 0,35 0,355 0,36 0,365 0,37 0,375 0,38 0,385 0,39 Execution time Simple Threads Thread Pool Fork/Join Double Stream Parallel
  • 90. http://stackoverflow.com/questions/20375176/should-i-always-use-a-parallel-stream-when-possible?rq=1
  • 91. Parallel stream problem https://bugs.openjdk.java.net/browse/JDK-8032512 • The problem is that all parallel streams use common fork-join thread pool and if you submit a long-running task, you effectively block all threads in the pool. • By default, all streams will use the same ForkJoinPool, configured to use as many threads as there are cores in the computer on which the program is running. • So, for computation intensive stream evaluation, one should always use a specific ForkJoinPool in order not to block other streams.
  • 92. 0 0,5 1 1,5 2 2,5 Execution time Sequential Generic Stream Double Stream Simple Threads Thread Pool Fork/Join Double Stream Parallel
  • 93. Thank you!
  • 94. javaday.org.ua

×