• folly::AtomicHashmap源码分析(一)


     

    本文为原创,转载请注明:http://www.cnblogs.com/gistao/ 

     

    Atomic的两点背景

    看下这个场景,老张去厕所,发现门是锁着的,他就在门口等着里边人出来,此时小王也来了,他想了想,决定去楼上的厕所碰碰运气。

    如果把门类比为一种竞争资源的话,老张就像mutex,而小王更像atomic,注意是像而已。

    atomic跟传统的通过临界区加锁来避免竞争的多线程处理方式来说,它更像是一种状态机编程,根据当前的状态做出相应的逻辑。

    而至于是小王还是老张谁先解决内急,无从得知,同样,mutex vs atomic 的性能对比,实测见真知

     

    atomic支持的数据类型有限,其他信息可以查看之前我的一篇blog:躲不开的多线程

    Atomic是否适合hashmap

    hashmap的数据存储一般是array,每个元素按照自己的index(下标)存放,数据结构天然决定了非常适合lock-free(atomic)。

    但hashmap有两个'讨厌'的技术点:rehash和probe。

    这里的rehash是说当'空间不够时',需要重新申请一块大的内存,并对之前所有的元素重新hash计算,然后确认其新的index,最后

    再一次插入的过程。rehash同时其他操作不能并行,比如查找,试想一下,在高度并发情况下,百万级别元素的rehash操作是多么的糟糕,

    当然这与选择atomic无关,并发情况下,最好不要支持rehash功能。

    这里probe是说当多个key求数组下标时,冲突不可能完全避免,自然就有了解决冲突算法:probe,probe的效率相应的决定了查找的效率。

    在高度并发情况下,开链比线性探查更适合,因为一个桶的冲突不会影响其他桶。当然开链没有线性探查的局部性好,代码也比线性探查复杂,

    使用atomic来编写lock-free数据结构显示不是一件容易的事情,所以显然用后者更可控一些。

    AtomicHashmap的关键指标

    hashmap的关键指标可能是平均查询时间,也可能是较充分的内存利用。但在AtomicHashmap的设计里,我觉得并发执行效率是第一考虑因素,

    所以'锁'一定发生在同一个元素操作中。

    其他指标应该等同于一般的hashmap。

    AtomicHashmap的使用例子

       class Counters {
        private:
         AtomicHashMap<int64_t,int64_t> ahm;
    
        public:
         explicit Counters(size_t numCounters) : ahm(numCounters) {}
    
         void increment(int64_t obj_id) {
           auto ret = ahm.insert(make_pair(obj_id, 1));
           if (!ret.first) {
             // obj_id already exists, increment
             NoBarrier_AtomicIncrement(&ret.first->second, 1);
           }
         }
    
         int64_t getValue(int64_t obj_id) {
           auto ret = ahm.find(obj_id);
           return ret != ahm.end() ? ret->second : 0;
         }
    
         // Serialize the counters without blocking increments
         string toString() {
           string ret = "{
    ";
           ret.reserve(ahm.size() * 32);
           for (const auto& e : ahm) {
             ret += folly::to<string>(
               "  [", e.first, ":", NoBarrier_Load(&e.second), "]
    ");
           }
           ret += "}
    ";
           return ret;
         }
       };

    AtomicHashmap的实现细节

    数据组织结构

    数据为二层组织结构,一级数组存储的是二级数组指针,二级数组为元素的真实存储空间,元素是[key,value]的pair。

    类组织结构

    AtomicHashMap类主要负责对AtomicHashArray对象的创建和管理,以及接口的封装。

    AtomicHashArray是hashmap的实现类:插入、查找、删除

    空间初始化

    当首次插入时

      //容量为size和加载因子的除数
      size_t capacity = size_t(maxSize / maxLoadFactor);
      size_t sz = sizeof(AtomicHashArray) + sizeof(value_type) * capacity;
    
      auto const mem = Allocator().allocate(sz);
      //将对象指针绑在mem上
      new (mem) AtomicHashArray(capacity, c.emptyKey, c.lockedKey, c.erasedKey,
                                  c.maxLoadFactor, c.entryCountThreadCacheSize);
      
      //key全部初始化为empty
      FOR_EACH_RANGE(i, 0, map->capacity_) {
        cellKeyPtr(map->cells_[i])->store(map->kEmptyKey_,
          std::memory_order_relaxed);
      }

     当插满时

        //根据增长因子确认要分配的大小,要分配的大小<*2
        size_t numCellsAllocated = (size_t)
          (primarySubMap->capacity_ *
           std::pow(1.0 + kGrowthFrac_, nextMapIdx - 1));
        size_t newSize = (int) (numCellsAllocated * kGrowthFrac_);
        //初始化一个新submap
        Config config;
        config.emptyKey = primarySubMap->kEmptyKey_;
        config.lockedKey = primarySubMap->kLockedKey_;
        config.erasedKey = primarySubMap->kErasedKey_;
        config.maxLoadFactor = primarySubMap->maxLoadFactor();
        config.entryCountThreadCacheSize =
          primarySubMap->getEntryCountThreadCacheSize();
        subMaps_[nextMapIdx].store(SubMap::create(newSize, config).release(),
          std::memory_order_relaxed);

    插入算法

    AtomicHashArray的插入算法

    insertInternal(KeyT key_in, T&& value) {
      //hash + %size ,获取下标
      size_t idx = keyToAnchorIdx(key_in);
      size_t numProbes = 0;
      for (;;) {
        value_type* cell = &cells_[idx];
        //判断cell是否被使用
        if (relaxedLoadKey(*cell) == kEmptyKey_) {
    
          if (isFull_.load(std::memory_order_acquire)) {
            //已经满了,就不能插入了
            //返回capacity_,告诉AtomicHashMap类:我这个submap不能再插入了
            return SimpleRetT(capacity_, false);
          } else {
            //还没有满
            if (tryLockCell(cell)) {
              //tryLockCell其实是compare_exchange_strong,即当这个cell的key为empty时
              //将empty状态修改为lock状态
              new (&cell->second) ValueT(std::forward<T>(value));
              //将cell的key字段标记为插入的key
              unlockCell(cell, key_in); // Sets the new key
              //已经插入的元素>=最大元素时,标记isFull_为true
              //最大元素maxEntries_ == 初始化时的参数size
              if (numEntries_.readFast() >= maxEntries_) {
                isFull_.store(NO_NEW_INSERTS, std::memory_order_relaxed);
              }
              //插入成功
              return SimpleRetT(idx, true);
            }
            //注意:线程走到这里,说明之前没有成功trylockcell
            //线程继续往下走
          }
        }
        if (kLockedKey_ == acquireLoadKey(*cell)) {
          //cell还在被锁定,说明其他线程还在插入这个cell
          //等待其他线程插入完成
          //为什么要等待,因为其他线程插入可能会失败,也可能其他线程和本身线程插入的key一模一样,
          //需要特定的逻辑
          FOLLY_SPIN_WAIT(
            kLockedKey_ == acquireLoadKey(*cell)
          );
        }
    
        const KeyT thisKey = acquireLoadKey(*cell);
        if (EqualFcn()(thisKey, key_in)) {
          //比较两个key一样,那本次插入失败,因为之前已经有一个成功插入了
          return SimpleRetT(idx, false);
        } else if (thisKey == kEmptyKey_ || thisKey == kLockedKey_) {
          //两个key不一样,状态又不是插入成功的状态,那么continue了
          continue;
        }
    
        ++numProbes;
        if (UNLIKELY(numProbes >= capacity_)) {
          //所有的元素空间都遍历一遍了,还是没成功插入,只有失败了
          return SimpleRetT(capacity_, false);
        }
        //线性探测
        idx = probeNext(idx, numProbes);
      }
    }

    当AtomicHashArray插入失败,AtomicHashmap会创建一个新的submap,继续插入,周而复始,直至失败。

    查找算法

    AtomicHashArray的查找算法

    findInternal(const KeyT key_in) {
      //查找失败,那么遍历查找
      for (size_t idx = keyToAnchorIdx(key_in), numProbes = 0;
           ;
           idx = probeNext(idx, numProbes)) {
        //根据下标,获取key,如果一致,那么查找成功
        const KeyT key = acquireLoadKey(cells_[idx]);
        if (LIKELY(EqualFcn()(key, key_in))) {
          return SimpleRetT(idx, true);
        }
        //key是个空,说明之前并没有插入过
        if (UNLIKELY(key == kEmptyKey_)) {
          return SimpleRetT(capacity_, false);
        }
        ++numProbes;
        //最坏的情况,全部遍历了一遍,还是没查找,所以失败了
        if (UNLIKELY(numProbes >= capacity_)) {
          return SimpleRetT(capacity_, false);
        }
      }
    }

    这里查找有三个关键点

    • 要查的key发生过冲突,那么查找最好的情况是往后遍历一个或者几个找到元素或者发现空元素,然后结束查找,而最坏的情况是遍历查找一遍,当然这种可能性很小,取决于填充因子
    • 要查的key并没有插入过,那么最好的情况是遍历到空元素结束,最坏的情况是遍历查找一遍
    • 要查的key已经被删除了,这种情况同上

    当AtomicHashArray查找失败,AtomicHashmap会寻找下一个被初始化过的submap进行查找,周而复始,直至失败。

    删除算法

    AtomicHashArray的删除算法

    erase(KeyT key_in) {
      //遍历删除
      for (size_t idx = keyToAnchorIdx(key_in), numProbes = 0;
           ;
           idx = probeNext(idx, numProbes)) {
        //获取下标的key
        value_type* cell = &cells_[idx];
        KeyT currentKey = acquireLoadKey(*cell);
        //如果key是空的,说明不存在
        //如果key正在被插入,那么也是不存在的
        if (currentKey == kEmptyKey_ || currentKey == kLockedKey_) {
          return 0;
        }
        
        if (EqualFcn()(currentKey, key_in)) {
          //找到了元素
          KeyT expect = currentKey;
          if (cellKeyPtr(*cell)->compare_exchange_strong(expect, kErasedKey_)) {
            numErases_.fetch_add(1, std::memory_order_relaxed);
    
            //将key标记为erase
            //为什么没有释放内存,为什么不再把key标记为empty
            //因为查找的时候,是把value的指针给的用户,没有时机做那些
            return 1;
          }
          //别的线程已经搞定了删除,那么本线程返回就可以了
          //返回0?应该返回1
          return 0;
        }
        //key不一样,说明之前冲突过
        //那么遍历往下找吧
        ++numProbes;
        if (UNLIKELY(numProbes >= capacity_)) {
          return 0;
        }
      }
    }

    当AtomicHashArray删除失败,AtomicHashmap会寻找下一个被初始化过的submap进行删除,周而复始,直至失败

    AtomicHashmap的限制

    • key只支持32和64位
    • 当插入元素数量超过初始化的大小后,性能呈线性下降
    • 元素被删除后,空间并没有释放,并且不能再次使用

     

  • 相关阅读:
    课程一(Neural Networks and Deep Learning),第三周(Shallow neural networks)—— 1、两层神经网络的单样本向量化表示与多样本向量化表示
    LaTeX技巧:如何高效地将LaTeX代码转为Word公式
    Python使用闭包结合配置自动生成函数
    批量发货阻塞启示:深挖系统薄弱点
    Java8函数式编程探秘
    碎碎念集萃六
    改善代码可测性的若干技巧
    使用yaml+groovy实现Java代码可配置化
    JsonPath:从多层嵌套Json中解析所需要的值
    一个略复杂的数据映射聚合例子及代码重构
  • 原文地址:https://www.cnblogs.com/gistao/p/4583734.html
Copyright © 2020-2023  润新知