编程范式巡礼第二季 并发那些事
继续上周的编程范式话题，今天想聊一下并发范式。
并发也算一种范式?
真正的并发式编程，绝不只是调用线程API或使用synchronized、lock之类的关键字那么简单。从宏观的架构设计，到微观的数据结构、流程控制乃至算法，相比通常的串行式编程都可能发生变化。毫不夸张的说，是又一场思想和技术上革命。
在日常开发中，并发编程难度是比较高的，属于高级程序员才能掌握的内容。其难点在哪里，我们日常习惯的是线性思维，这与并发编程的多维世界观是不同的，提升思考的维度无疑是艰难。但还好，在大神们的努力下，已逐渐化繁为简，这也是并发范式带来的力量。在并发领域有许多的模型，让我们来巡礼一下。
模型1：线程与锁
并发编程以资源共享和竞争为主线。这意味着程序设计将围绕进程的划分与调度、进程之间的通信与同步等来展开。合理的并发式设计需要诸多方面的权衡考量。
线程是对底层硬件过程的形式化，是并发编程的核心。不同的线程各自独立运行，有如一个个的平行宇宙。但是，并发编程并不仅仅串行化编程的叠加，主要的差异在于，线程之间存在共享和竞争。共享资源会带来哪些问题呢？
- 问题1：脏读
当线程1对共享数据进行修改时，线程2有可能会读到处于中间状态的数据，这个问题称之为脏读。
解决的思路比较简单，就是让线程1仅提交最终修改结果，在修改过程中产生并使用快照数据。这种类似影分身的技术称之为MVCC(Multi-Version Concurrency Control)。
- 问题2：丢失更新
当线程1对数据进行修改时，如果线程2同时修改，由于采用了MVCC，双方各自无法看到，那最终提交时，很可能会造成其中一个线程结果与预期不一致，这个问题称为丢失更新。
其解决方法是加锁，在修改前进行加锁，一旦占用，则第二个线程无法获取。
脏读和丢失更新是需要同时考虑的，所以标准的多线程处理是同时使用到了MVCC和锁这两个技术。
- 问题3：幻读
在已解决了丢失更新和脏读的情况下，下面要考虑多次读取的情况。如下图所示，线程1对数据集进行了多次读取，但是部分数据在线程2中进行了更新，这时候出现了线程1在没有任何作为的情况下，两次读取不一致的情况！！！这个问题称为幻读。
解决幻读的方法是扩大数据的锁范围，不仅仅是更改过的记录，所有读取的记录都要加锁。
- 综述
这就是目前我们最主流的并发与锁的实现思路方法，有非常广泛的使用。不知道大家读完这段的感觉怎么，我看的时候，第一个感觉是复杂，真的非常的烧脑，由于大量概念的堆积对于初学者来说非常不友好；第二个感觉是矛盾，按照最终幻读的解决方案，实际上就是放弃了程序间的并行，绕了一圈，又回到了原点。正因为如此，目前主流的数据库，实际上默认都是放弃对于幻读问题解决的，这也是开发上的一大坑。
综合的来看，这种解决方式学习成本很高，而且还没能解决全部的问题，并不能让人满意。有没有更好点的方法，让我们继续。
模型2：函数式编程与Lambda架构
传统并发模型中，最令人纠结的无疑就是共享数据访问这块了。若不爽，就另辟蹊径。我们能不能不对共享数据进行写入呢?有什么样的程序是只读不写的呢，大神们已经找到了答案，就是上周介绍的函数式编程。
首先想说明的事，纯函数式的编程功能上并不完备，有非常多的缺陷，但其有一个天然的适用场景，就是数学运算分析，也就是我们现在时常挂在嘴边的大数据计算。
由于抛弃掉了共享状态，其代码的健壮性和扩展性得到了大大的增强，只要有足够的计算资源就可以处理无限大的数据。
函数式编程思维比较数学化，难度是比较高的，在此基础上，诞生了Lambda框架，是对应用模式的固化，有助于降低学习成本和大范围推广。Lambda框架既使用了可以进行大规模批处理的MapReduce技术，也使用了可以快速处理数据并及时反馈的流处理技术，这样的混搭能够为大数据问题提供扩展性、响应性和容错性都能优秀的解决方案。
Lambda架构也可以这样来描述：在该架构中，被读取的数据是不可变的，在并行处理过程中数据会依次进入批处理系统（batch system）与流处理系统。从逻辑上看，传输过程发生了两次，一次是在批处理中，一次是在流处理中。在查询时，当这两者都返回结果后，才算是完成一次完整的查询。
模型3：Actor
函数式编程模型的应用使得并发编程的应用踏入了工业级，带动了大数据的热潮。但是其解决思路是抛弃了可变状态，服务是有损的。对于必须提供无损服务的场景该如何进行改进呢。
从最一开始线程与锁的模型中，我们可以看到串行化是最重的解决方案，但是为了串行化，我们需要MVCC、锁等一系列的工具，比较复杂，Actor模型就是用来简化此类操作的。
Actor模型中抽象出了两个概念Actor和Mailbox，Actor就是指代共享数据，Mailbox管理数据的操作。对于每个Actor的操作，要通过mailbox来进行，在mailbox端实现了队列的控制，从而实现了序列化的效果。
Actor模型会带来一些额外的好处：
- 用Actor来定义共享数据，边界非常清晰，实现了与主线代码的解耦，最大化减少了序列化的影响，可以有效提升性能。
- Actor中引入了消息的概念，是位置透明的，天然支持了分布式的部署。
- 在概念清晰之后，代码得到了简化，下面摘录一段Actor的代码，可以看到是封装了并发相关的技术细节，非常的简洁。
class Pong extends Actor {
def act() {
var pongCount = 0
while (true) {
receive {
case Ping =>
if (pongCount % 1000 == 0)
Console.println("Pong: ping " + pongCount)
sender ! Pong
pongCount = pongCount + 1
case Stop =>
Console.println("Pong: stop")
exit()
}
}
}
}
模型4：原子变量
很多情况下我们需要一个高效的、线程安全的并发解决方案。高效意味着耗用资源要少，程序处理速度要快；线程安全也非常重要，这个在多线程下能保证数据的正确性。有一个解决方案是原子变量。
通常情况下，在Java里面，++i或者--i不是线程安全的，这里面有三个独立的操作：获得变量当前值，为该值+1/-1，然后写回新的值。在没有额外资源可以利用的情况下，只能使用加锁才能保证读-改-写这三个操作是“原子性”的。
下面是示例代码：
public final int incrementAndGet() {
for (;;) {
int current = get();
int next = current + 1;
if (compareAndSet(current, next))
return next;
}
}
在这里采用了CAS操作，每次从内存中读取数据然后将此数据和+1后的结果进行CAS操作，如果成功就返回结果，否则重试直到成功为止。而compareAndSet利用JNI来完成CPU指令的操作。
原子变量在一些对性能有极端要求的系统中(比如Jetty、Tomcat)有非常广泛的应用，是一种精益求精的体现，其在可靠性和性能方面表现很突出，但在易用性方面比较偏计算机思维，理解难度较大，并不够简洁，需要反复练习才能掌握。
小结
在今天的篇文章中，列举了并发范式的四个主流模型：线程与锁、函数式编程、Actor、原子变量。可以看到，每个模型都是在功能、性能和易用之间寻求了一种平衡，并没有一种模型在功能、性能和易用三方面同时达到最优，也就是说没有银弹。
这是我们面对并发问题时的困境，也是挑战，也正说明了并发并不是一个简单的线性问题，我们需要针对具体场景、具体问题进行分析，寻找最适合的解决方法，这也是开发人员需要养成的一种重要素养。