在Java中一提到随机数,很多人就会想到Ramdom类,如果有生成随机数的需求的时候,大多数时候都会选择使用Random来进行随机数生成,虽然其内部使用CAS来实现,但是在多线程并发的情况下的时候它的表现并不是很好。在JDK1.7之后,JDK提供了提供了更好的解决方案,接下来让我们一起学习下到底为什么Ramdom会慢?又是怎么解决的呢?
Random这个类是JDK提供的用来生成随机数的一个类,这个类并不是真正的随机,而是伪随机,伪随机的意思是生成的随机数其实是有一定规律的,而这个规律出现的周期随着伪随机算法的优劣而不同,一般来说周期比较长,但是可以预测。通过下面的代码我们可以对Random进行简单的使用:
Random中的方法比较多,这里就针对比较常见的nextInt()和nextInt(int bound)方法进行分析,前者会计算出int范围内随机数,后者如果我们传入10,那么他会求出[0,10)之间的int类型的随机数,左闭右开。在具体分析之前我们先看一下Random()的构造方法:
可以看见在构造方法当中根据当前时间的种子生成了一个AtomicLong类型的seed,这也是我们后续的关键所在。
在nextInt()中代码如下:
这个里面直接调用的是next()方法,传入的32,这里的32指的是Int的位数。
这里会根据seed当前的值,通过一定的规则(伪随机)算出下一个seed,然后进行cas,如果cas失败继续循环上面的操作。最后根据我们需要的bit位数来进行返回。
在nextInt(int bound)中代码如下:
这个流程比nextInt()多了几步,具体步骤如下:
CAS: 可以看见在next(int bits)方法中,对AtomicLong进行CAS操作,如果失败则会对其进行循环重试。很多人一看见CAS,因为其不需要加锁,所以马上就想到高性能,高并发。但是在这里,他却成为了我们多线程并发性能的瓶颈,可以想象当我们多个线程都进行CAS的时候必定只有一个失败其他的继续会循环做CAS操作,当并发线程越多的时候,其性能肯定越低。
伪共享:有关于伪共享和缓存行的描述可以看我的 你应该知道的高性能无锁队列Disruptor ,对于AtomicLong中的value并没有处理缓存行
在JDK1.7之后提供了新的类ThreadLocalRandom用来代替Random。使用方法比较简单:
在current方法中有:
可以看见如果没有初始化会对其进行初始化,而这里我们的seed不再是一个全局变量,在我们的Thread中有三个变量:
可以看见所有的变量都加了@sun.misc.Contended这个注解,这个是用来处理伪共享的问题。
在nextInt()方法当中代码如下:
我们的关键代码如下:
UNSAFE.putLong(t = Thread.currentThread(), SEED,r=UNSAFE.getLong(t, SEED) + GAMMA); 复制代码
可以看见由于我们每个线程各自都维护了种子,这个时候并不需要CAS,直接进行put,在这里利用线程之间隔离,减少了并发冲突,所以ThreadLocalRandom性能很高。
使用JMH进行基准测试:
@BenchmarkMode({Mode.AverageTime}) @OutputTimeUnit(TimeUnit.NANOSECONDS) @Warmup(iterations=3, time = 5, timeUnit = TimeUnit.SECONDS) @Measurement(iterations=3,time = 5) @Threads(4) @Fork(1) @State(Scope.Benchmark) public class Myclass { Random random = new Random(); ThreadLocalRandom threadLocalRandom = ThreadLocalRandom.current(); @Benchmark public int measureRandom(){ return random.nextInt(); } @Benchmark public int threadLocalmeasureRandom(){ return threadLocalRandom.nextInt(); } } 复制代码
并发线程 | Random | ThreadLocalRandom |
---|---|---|
1 | 12.798 ns/op | 4.690 ns/op |
4 | 361.027 ns/op | 5.930 ns/op |
16 | 2288.391 ns/op | 22.155 ns/op |
32 | 4812.740 ns/op | 49.144 ns/op |
可以看见ThreadLocalRandom 基本上是完虐Random,并发程度越高差距越大。
相信读完这篇文章以后,未来如果在实际应用中使用随机数你肯定会有新的选择。
最后打个广告,如果你觉得这篇文章对你有文章,可以关注我的技术公众号,最近作者收集了很多最新的学习资料视频以及面试资料,关注之后即可领取,你的关注和转发是对我最大的支持,O(∩_∩)O