От Java Threads к лямбдам, Андрей Родионов

От Java Threads к лямбдам
Андрей Родионов
@AndriiRodionov
http://jug.ua/

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

+ 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!

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???

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)

А так же …
• Сравним производительность каждого из
подходов

Вы занимаетесь
микробенчмаркингом?
Тогда мы идем к Вам!
(The Art Of) (Java) Benchmarking
http://shipilev.net/

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.

В качестве задачи –
численное интегрирование
• Методом прямоугольников

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;
}
}

Sequential v.2: with Functional interface
public interface Function<T, R> {
R apply(T t);
}

Sequential v.2: with Functional interface
R apply(T t);
}
public class SequentialCalculate {
private final Function<Double, Double> func;
public SequentialCalculate(Function<Double, Double> func) {
this.func = func;
}
double step) {
double x = start;
while (x < end) {
result += step * func.apply(x);
x += step;
}
return result;
}
}

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);
}
}
);

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

Как будем параллелить?
Thread 1 Thread 2 Thread N


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;
}
}
}

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;
}
for (CalcThread cs : calcThreads) {
cs.join();
result += cs.partialResult;
}
return result;
}

Spliterator
Collector
CalcThread[] calcThreads = new CalcThread[chunks];
double st = start;
calcThreads[i] =
new CalcThread(st, st + interval, step);
calcThreads[i].start();
st += interval;
}
for (CalcThread cs : calcThreads) {
cs.join();
result += cs.partialResult;
}
return result;
}

0
0,5
1
1,5
2
1 2 4 8 16 32
t(sec)
Threads
Execution time
Simple Threads

0
1
2
3
4
5
6
2 4 8 16 32
Speedup
Threads
Speedup
Simple Threads

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

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.

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;
}
}

ExecutorService executorService =
Executors.newFixedThreadPool(chunks);
Future<Double>[] futures = new Future[chunks];
double st = start;
futures[i] = executorService.submit(
new CalcThread(st, st + interval, step));
st += interval;
}
executorService.shutdown();
for (Future<Double> partRes : futures) {
result += partRes.get();
}
return result;
}

ExecutorService executorService =
Executors.newFixedThreadPool(chunks);
Future<Double>[] futures = new Future[chunks];
double st = start;
futures[i] = executorService.submit(
new CalcThread(st, st + interval, step));
st += interval;
}
executorService.shutdown();
for (Future<Double> partRes : futures) {
result += partRes.get();
}
return result;
}
Spliterator
Collector

0
0,5
1
1,5
2
1 2 4 8 16 32
t(sec)
Threads
Execution time
Simple Threads
Thread Pool

0
1
2
3
4
5
6
2 4 8 16 32
Speedup
Threads
Speedup
Simple Threads Thread Pool

«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

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

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

Work stealing - планировщики на
основе захвата работы
ForkJoinPool может в небольшом
количестве потоков выполнить
существенно большее число задач

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

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;
}
}

protected double sequentialCompute() {
double x = start;
while (x < end) {
result += step * func.apply(x);
x += step;
}
return result;
}

ForkJoinPool pool = new ForkJoinPool();
ForkJoinCalculate calc = new
ForkJoinCalculate(sqFunc, start, end, step);
double sum = pool.invoke(calc);
How to launch recursive execution

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

0
0,5
1
1,5
2
1 2 4 8 16 32
t(sec)
Threads
Execution time
Simple Threads
Thread Pool
Fork/Join

0
1
2
3
4
5
6
2 4 8 16 32
Speedup
Threads
Speedup
Simple Threads
Thread Pool
Fork/Join

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

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

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 restrictions
only works well:
– no blocking,
– no I/O,
– no synchronization
All problems

F/J restrictions
only works well:
– no blocking,
– no I/O,
– no synchronization F/J
All problems
reduce, filter, map, cumulate, sort,
uniquify, paired mappings, …

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

1994
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,

1994
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,

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

– A block of code
– Parameters
while (x < end) {
result += step * (sin(x) * sin(x) + cos(x) * cos(x));
x += step;
}

– A block of code
– Parameters
while (x < end) {
x += step;
}

– A block of code
– Parameters
while (x < end) {
x += step;
}
A block of code

– A block of code
– Parameters
while (x < end) {
x += step;
}
A block of code
Parameter(s)

– A block of code
– Parameters
while (x < end) {
x += step;
}
A block of code
Parameter(s)Free variable

Lambda expression

Lambda expression
x -> step * (sin(x) * sin(x) + cos(x) * cos(x));

Lambda expression
Function<Double, Double> func =

Lambda expression
F(x)G(y)

Lambda expression
F(x)G(y)
x -> sin(x) * sin(x) + cos(x) * cos(x);
Function<Double, Double> calcFunc =
y -> step * y;
Function<Double, Double> sqFunc =
func.andThen(calcFunc);

}
}
);

}
}
);
SequentialCalculate sc =
new SequentialCalculate(x -> sin(x)*sin(x) + cos(x)*cos(x));

}
}
);
SequentialCalculate sc =
new SequentialCalculate(x -> sin(x)*sin(x) + cos(x)*cos(x));
SequentialCalculate sc = new SequentialCalculate(func);

Integral calculation
double step = 0.001;
double start = 0.0;
double end = 10_000.0;
Function<Double, Double> calcFunc = y -> step * y;
Function<Double, Double> sqFunc = func.andThen(calcFunc);
double sum = ...

double start = 0.0;
double sum = Stream.
iterate(0.0, s -> s + step).

double start = 0.0;
limit((long) ((end - start) / step)).

double start = 0.0;
map(sqFunc).

double start = 0.0;
map(sqFunc).
reduce(0.0, Double::sum); ∑ sum

java.util.function.*
R apply(T t);
}
public interface DoubleUnaryOperator {
double applyAsDouble(double x);
}

DoubleStream
}

DoubleStream
DoubleUnaryOperator funcD =
DoubleUnaryOperator calcFuncD = y -> step * y;
DoubleUnaryOperator sqFuncDouble = funcD.andThen(calcFuncD);
double sum = ...
}

DoubleStream
DoubleUnaryOperator funcD =
DoubleUnaryOperator calcFuncD = y -> step * y;
DoubleUnaryOperator sqFuncDouble = funcD.andThen(calcFuncD);
double sum = DoubleStream.
map(sqFuncDouble).
sum();
}

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

Stream parallel
double sum = DoubleStream.
parallel().
map(sqFuncDouble).
sum();

and …
http://mail.openjdk.java.net/pipermail/lambda-dev/2013-June/010019.html

Stream parallel v.2
double sum = LongStream.
range(0, (long) ((end - start) / step)).
parallel().
mapToDouble(i -> start + step * i).
map(sqFuncDouble).
sum();

Spliterator
Collector
Streams parallel v.2
double sum = LongStream.
range(0, (long) ((end - start) / step)).
parallel().
mapToDouble(i -> start + step * i).
map(sqFuncDouble).
sum();

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

http://stackoverflow.com/questions/20375176/should-i-always-use-a-parallel-stream-when-possible?rq=1

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.

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

От Java Threads к лямбдам, Андрей Родионов

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to От Java Threads к лямбдам, Андрей Родионов

Similar to От Java Threads к лямбдам, Андрей Родионов (20)

More from Yandex

More from Yandex (20)

Recently uploaded

Recently uploaded (20)

От Java Threads к лямбдам, Андрей Родионов