最近在写一个简易的分离锁的类:
要求:对不同的Key进行hash得到一个Lock,并要求对锁映射的概率差不多。比如,160个Key,分布到16个锁上,大概有10个Key是映射到同一个锁上的,只要这样并发效率才会高。
- public class SplitReentrantLock {
- private Lock[] locks;
- private int LOCK_NUM;
- public SplitReentrantLock(int lockNum) {
- super();
- LOCK_NUM = lockNum;
- locks = new Lock[LOCK_NUM];
- for (int i = 0; i < LOCK_NUM; i++) {
- locks[i] = new ReentrantLock();
- }
- }
- /**
- * 获取锁, 使用HashMap的hash算法
- *
- *
- * @param key
- * @return
- */
- public Lock getLock(String key) {
- int lockIndex = index(key);
- return locks[lockIndex];
- }
- int index(String key) {
- int hash = hash(key.hashCode());
- return hash & (LOCK_NUM - 1);
- }
- int hash(int h) {
- h ^= (h >>> 20) ^ (h >>> 12);
- return h ^ (h >>> 7) ^ (h >>> 4);
- }
用法:
- SplitReentrantLock locks = new SplitReentrantLock(16);
- Lock lock =locks.getLock(key);
- lock.lock();
- try{
- //......
- }finally{
- lock.unlock();
- }
本来认为用HashMap的hash算法就能够将 达到上述的要求,结果测试的时候吓了一跳。
测试代码:
- public class SplitReenterLockTest extends TestCase {
- public void method(int lockNum, int testNum) {
- SplitReentrantLock splitLock = new SplitReentrantLock(lockNum);
- Map<Integer, Integer> map = new TreeMap<Integer, Integer>();
- for (int i = 0; i < lockNum; i++) {
- map.put(i, 0);
- }
- for (int i = 0; i < testNum; i++) {
- Integer key = splitLock.index(RandomStringUtils.random(128));
- map.put(key, map.get(key) + 1);
- }
- for (Map.Entry<Integer, Integer> entry : map.entrySet()) {
- System.out.println(entry.getKey() + " : " + entry.getValue());
- }
- }
- public void test1() {
- method(50, 1000);}
- }
结果:1000个随机key的hash只是映射到8个 Lock上,而不是平均到50个Lock上。
而且是固定分布到0,1,16,17,32,33,48,49的数组下标对应的Lock上面,这是为什么呢?
如果改为:
- public void test1() {
- method(32, 1000);
- }
结果:1000个随机key的hash 映射到32个Lock上,而且基本上是平均分布的。
问题 :为什么50和32的hash的效果差别那么大呢?
再次测试2,4,8,16,64,128. 发现基本上都是平均分布到所有的Lock上面。
得到平均分布的这些数都是2的次幂,难道hash算法和二进制有关?
看看hash算法:
- int index(String key) {
- int hash = hash(key.hashCode());
- return hash & (LOCK_NUM - 1);
- }
- int hash(int h) {
- h ^= (h >>> 20) ^ (h >>> 12);
- return h ^ (h >>> 7) ^ (h >>> 4);
- }
先是经过神奇的(ps:不知道为什么这么运算,无知的我只能用神奇来形容)的位运算,最后和LOCK_NUM - 1来进行与运算。
本帖的关键点就是在于这个与运算中,如果要想运算后的结果是否平均分布,在于LOCK_NUM-1的二进制中1的位数有几个。如果都是1,那么肯定是平均分布到0至LOCK_NUM-1上面。否则仅仅分布指定的几位。
下面以50和32说明:
假设Key进行hash运行得到hash值为h,
比如:我测试的数据中的一些h的二进制值:
- 1100000010000110110101010001001
- 10111100001001110111000100010001
- 11111011111010101010000111001001
- 11001010011000100110110111011111
- 10001010100010111101011010011110
50的二进制值:110010.减去1后的二进制:110001
32的二进制值: 100000.减去1后的二进制:11111
因此h和 49 (即110001)与的结果只能为
000000 : 0
000001 : 1
010000 : 16
010001 : 17
100000 : 32
100001 : 33
110000 : 48
110001 : 49
而h和31 (即11111)与的结果为:
00000
00001
00010
....
11110
11111
这下知道原因了吧。LOCK_NUM -1 二进制中为1的位数越多,那么分布就平均。
这也就是为什么HashMap默认大小为2的次幂,并且添加元素时,如果超过了一定的数量,那么就将数量增大到原来的两倍,其中非常重要的原因就是为了hash的平均分布 。