От Java Threads к лямбдам, Андрей Родионов

От Java Threads к лямбдам

Андрей Родионов

@AndriiRodionov

http://jug.ua/

http://jug.ua/

The Green Project

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

MicroBenchmarking?!

Вы занимаетесь микробенчмаркингом? Тогда мы идем к Вам!

(The Art Of) (Java) Benchmarking http://shipilev.net/

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.

http://openjdk.java.net/projects/code-tools/jmh/



В качестве задачи – численное интегрирование

• Методом прямоугольников

Sequential algorithm

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.1 public class SequentialCalculate {


double step) {


double x = start;

while (x < end) {

result +=


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 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;

}


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

Java Threads

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 (s

ec)

Threads

Execution time

Simple Threads

0

1

2

3

4

5

6

2 4 8 16 32

Spe

ed

up

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

java.util.concurrent

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 (s

ec)

Threads

Execution time

Simple Threads

Thread Pool

0

1

2

3

4

5

6

2 4 8 16 32

Spe

ed

up

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 ThN coarse-grained parallelism

finer-grained parallelism

Fork/Join

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 (s

ec)

Threads

Execution time

Simple Threads

Thread Pool

Fork/Join

0

1

2

3

4

5

6

2 4 8 16 32

Spe

ed

up

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 source code

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




All problems

F/J restrictions




F/J

All problems

reduce, filter, map, cumulate, sort, uniquify, paired mappings, …

Lambda

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

“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”


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”


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



– Parameters


while (x < end) {

result += step * (sin(x) * sin(x) + cos(x) * cos(x));

x += step;

}



– Parameters


while (x < end) {


x += step;

}




– Parameters


while (x < end) {


x += step;

}


A block of code



– Parameters


while (x < end) {


x += step;

}


A block of code

Parameter(s)



– 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);

Stream API

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.*

public interface Function<T, R> {

R apply(T t);

}

public interface DoubleUnaryOperator {

double applyAsDouble(double x);

}

DoubleStream public interface DoubleUnaryOperator {


}

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




parallel().

map(sqFuncDouble).

sum();

Stream parallel




parallel().

map(sqFuncDouble).

sum();

and …

and …

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();

Stream parallel v.2 double sum = LongStream.


parallel().


map(sqFuncDouble).

sum();

Spliterator

Collector

Streams parallel v.2 double sum = LongStream.


parallel().


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.

https://bugs.openjdk.java.net/browse/JDK-8032512




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

Thank you!

javaday.org.ua

Technology

От Java Threads к лямбдам, Андрей Родионов