工做线程数究竟要设置为多少

【转载于58同城沈剑】

 1、需求缘起

Web-Server一般有个配置，最大工做线程数，后端服务通常也有个配置，工做线程池的线程数量，这个线程数的配置不一样的业务架构师有不一样的经验值，有些业务设置为CPU核数的2倍，有些业务设置为CPU核数的8倍，有些业务设置为CPU核数的32倍。

 

“工做线程数”的设置依据是什么，到底设置为多少可以最大化CPU性能，是本文要讨论的问题。

 

2、共性认知

在进行进一步深刻讨论以前，先以提问的方式就一些共性认知达成一致。

 

问：工做线程数是否是设置的越大越好？

答：确定不是的

• 服务器CPU核数有限，可以同时并发的线程数有限，单核CPU设置10000个工做线程没有意义

• 线程切换是有开销的，若是线程切换过于频繁，反而会使性能下降

 

问：调用sleep()函数的时候，线程是否一直占用CPU？

答：不占用，等待时会把CPU让出来，给其余须要CPU资源的线程使用。

 

不止sleep()函数，在进行一些阻塞调用时，例如网络编程中的：

• 阻塞accept()，等待客户端链接

• 阻塞recv()，等待下游回包

都不占用CPU资源。

 

问：单核CPU，设置多线程有意义么，是否能提升并发性能？

答：即便是单核，使用多线程也是有意义的，大多数状况也能提升并发

• 多线程编码可让代码更加清晰，例如：IO线程收发包，Worker线程进行任务处理，Timeout线程进行超时检测

• 若是有一个任务一直占用CPU资源在进行计算，此时增长线程并不能增长并发，例如如下代码会一直占用CPU，并使得CPU占用率达到100%：

   while(1){ i++; }

• 一般来讲，Worker线程通常不会一直占用CPU进行计算，此时即便CPU是单核，增长Worker线程也可以提升并发，由于这个线程在休息的时候，其余的线程能够继续工做

 

3、常见服务线程模型

了解常见的服务线程模型，有助于理解服务并发的原理，通常来讲互联网常见的服务线程模型有两种：

• IO线程与工做现场经过任务队列解耦

• 纯异步

 

IO线程与工做线程经过队列解耦类模型

 

如上图，大部分Web-Server与服务框架都是使用这样的一种“IO线程与Worker线程经过队列解耦”类线程模型：

• 有少数几个IO线程监听上游发过来的请求，并进行收发包（生产者）

• 有一个或者多个任务队列，做为IO线程与Worker线程异步解耦的数据传输通道（临界资源）

• 有多个工做线程执行正真的任务（消费者）

 

这个线程模型应用很广，符合大部分场景，这个线程模型的特色是，工做线程内部是同步阻塞执行任务的（回想一下tomcat线程中是怎么执行Java程序的，dubbo工做线程中是怎么执行任务的），所以能够经过增长Worker线程数来增长并发能力，今天要讨论的重点是“该模型Worker线程数设置为多少能达到最大的并发”。

 

纯异步线程模型

没有阻塞，这种线程模型只须要设置不多的线程数就可以作到很高的吞吐量，该模型的缺点是：

• 若是使用单线程模式，难以利用多CPU多核的优点

• 程序员更习惯写同步代码，callback的方式对代码的可读性有冲击，对程序员的要求也更高

• 框架更复杂，每每须要server端收发组件，server端队列，client端收发组件，client端队列，上下文管理组件，有限状态机组件，超时管理组件的支持

 

文章《RPC-client异步收发核心细节？》中有更详细的介绍，however，这个模型不是今天讨论的重点，

 

4、工做线程的工做模式

了解工做线程的工做模式，对量化分析线程数的设置很是有帮助：

 

上图是一个典型的工做线程的处理过程，从开始处理start到结束处理end，该任务的处理共有7个步骤：

• 从工做队列里拿出任务，进行一些本地初始化计算，例如http协议分析、参数解析、参数校验等

• 访问cache拿一些数据

• 拿到cache里的数据后，再进行一些本地计算，这些计算和业务逻辑相关

• 经过RPC调用下游service再拿一些数据，或者让下游service去处理一些相关的任务

• RPC调用结束后，再进行一些本地计算，怎么计算和业务逻辑相关

• 访问DB进行一些数据操做

• 操做完数据库以后作一些收尾工做，一样这些收尾工做也是本地计算，和业务逻辑相关

 

分析整个处理的时间轴，会发现：

• 其中1，3，5，7步骤中（上图中粉色时间轴），线程进行本地业务逻辑计算时须要占用CPU

• 而2，4，6步骤中（上图中橙色时间轴），访问cache、service、DB过程当中线程处于一个等待结果的状态，不须要占用CPU，进一步的分解，这个“等待结果”的时间共分为三部分：

  2.1）请求在网络上传输到下游的cache、service、DB

  2.2）下游cache、service、DB进行任务处理

  2.3）cache、service、DB将报文在网络上传回工做线程

 

5、量化分析并合理设置工做线程数

最后一块儿来回答工做线程数设置为多少合理的问题。

 

经过上面的分析，Worker线程在执行的过程当中，有一部计算时间须要占用CPU，另外一部分等待时间不须要占用CPU，经过量化分析，例如打日志进行统计，能够统计出整个Worker线程执行过程当中这两部分时间的比例，例如：

• 执行计算，占用CPU的时间（粉色时间轴）是100ms

• 等待时间，不占用CPU的时间（橙色时间轴）也是100ms

 

获得的结果是，这个线程计算和等待的时间是1：1，即有50%的时间在计算（占用CPU），50%的时间在等待（不占用CPU）：

• 假设此时是单核，则设置为2个工做线程就能够把CPU充分利用起来，让CPU跑到100%

• 假设此时是N核，则设置为2N个工做现场就能够把CPU充分利用起来，让CPU跑到N*100%

 

结论：

N核服务器，经过执行业务的单线程分析出本地计算时间为x，等待时间为y，则工做线程数（线程池线程数）设置为 N*(x+y)/x，能让CPU的利用率最大化。

 

经验：

通常来讲，非CPU密集型的业务（加解密、压缩解压缩、搜索排序等业务是CPU密集型的业务），瓶颈都在后端数据库访问或者RPC调用，本地CPU计算的时间不多，因此设置几十或者几百个工做线程是可以提高吞吐量的。

 

6、总结

• 线程数不是越多越好

• sleep()不占用CPU

• 单核设置多线程不但能使得代码清晰，还能提升吞吐量

• 站点和服务最经常使用的线程模型是“IO线程与工做现场经过任务队列解耦”，此时设置多工做线程能够提高吞吐量

• N核服务器，经过日志分析出任务执行过程当中，本地计算时间为x，等待时间为y，则工做线程数（线程池线程数）设置为 N*(x+y)/x，能让CPU的利用率最大化