![dcbc6be6a58381b3149a58e27d928c4b.png](https://i-blog.csdnimg.cn/blog_migrate/a0f762142a33839494e6521520327b36.jpeg)
前言
我的主力开发语言是JavaScript
,但是 js 的并行计算的支持并不是特别好。在入门golang
后,了解到了go协程
和channel
,想试一试并行计算。go
原生对并发很友好,可以在多核CPU的设备上进行并行计算,我这里是希望尝试使用go协程
优化大数组求和。
对比
进行对比的两个函数
func sum1(bigArray []int) int
使用普通的数组求和func sum2(bigArray []int) int
将数组分割成若干个数组,在不同的go协程
进行求和,所有的go协程
都得到结果后,再进行求和
源码如下
package main
import (
"math/rand"
"fmt"
"sync"
"time"
)
func main(){
for i:=1000;i<10000000000;i*=2 {
duration1,duration2,_,_ := runBenchmark(i);
fmt.Println(i,duration1,duration2)
}
}
func runBenchmark(amout int) (int64,int64,int64,int64) {
bigArray :=createBigArray(amout);
stop1 := createTimer();
result1 := sum1(bigArray);
duration1 := stop1();
stop2 :=createTimer();
result2 := sum2(bigArray);
duration2 := stop2();
return duration1,duration2,result1,result2;
}
func createBigArray(size int)[]int{
rand.Seed(time.Now().Unix());
list := make([]int,size);
for i:=0;i<size;i++{
list[i] = rand.Int()
}
return list;
}
func createTimer() func () int64 {
startTime := time.Now().UnixNano()
return func () int64 {
return time.Now().UnixNano() - startTime
}
}
func sum1(bigArray []int) int64 {
sum := int64(0)
for _,value := range(bigArray){
sum += int64(value);
}
return sum;
}
func sum2(bigArray []int)int64 {
SmallArraySize := len(bigArray)/100;
sum:=int64(0);
chanGroupSize := len(bigArray)/SmallArraySize;
sumChan := make(chan int64,chanGroupSize+1);
waitGroup := new(sync.WaitGroup);
for i:=0;i<chanGroupSize;i++{
waitGroup.Add(1);
go sumRoutine(bigArray[i*SmallArraySize:(i+1)*SmallArraySize], sumChan, waitGroup)
}
waitGroup.Wait()
for i:=0;i<chanGroupSize;i++ {
sum+= <- sumChan;
}
return sum;
}
func sumRoutine(smallArray []int,ch chan int64,wg *sync.WaitGroup){
defer wg.Done()
sum :=int64(0);
for _,value := range(smallArray){
sum +=int64(value);
}
ch <- sum;
}
进行测试
首先我在自己的笔记本上跑了一下,效果似乎不是特别明显,当数据规模比较小时,使用go协程
产生的开销相比多线程带来的性能提升会比较大,使用go协程反而造成效率降低,当数据规模达到 2.5e5 左右时两种求和方法的耗时差不多。
![6ed0ed40734d04f532ba0126abc0f87a.png](https://i-blog.csdnimg.cn/blog_migrate/d256de3d14c031bb2c7b8b4e29eb4150.jpeg)
运行的结果:
数据规模 sum1函数耗时(ns) sum2函数耗时(ns)
1000 1000 257000
2000 2000 196000
4000 3000 123000
8000 19000 566000
16000 24000 574000
32000 21000 106000
64000 46000 101000
128000 92000 117000
256000 161000 164000
512000 710000 354000
1024000 633000 380000
2048000 1855000 746000
4096000 3779000 1430000
8192000 9285000 7126000
16384000 17107000 7522000
32768000 37100000 16824000
65536000 71186000 28741000
131072000 153552000 55689000
262144000 349672000 125364000
524288000 3370025000 221678000
![b797822cdf5fac380a2a57cbc4091351.png](https://i-blog.csdnimg.cn/blog_migrate/3312247192d58ca3270744fc12e8f40b.jpeg)
后面我使用了一台 8 核 16GB 内存的云服务器进行测试,效果就比较明显了。sum2 函数的耗时明显降低。
processor : 6
vendor_id : GenuineIntel
cpu family : 6
model : 85
model name : Intel(R) Xeon(R) Platinum 8255C CPU @ 2.50GHz
stepping : 5
microcode : 0x1
cpu MHz : 2494.140
cache size : 36608 KB
physical id : 0
siblings : 8
core id : 6
cpu cores : 8
apicid : 6
initial apicid : 6
fpu : yes
fpu_exception : yes
cpuid level : 13
wp : yes
运行的结果:
数据规模 sum1函数耗时(ns) sum2函数耗时(ns)
1000 975 184791
2000 1744 136564
4000 2452 77209
8000 4462 148065
16000 13041 151411
32000 17729 99903
64000 34824 88240
128000 72507 88009
256000 153425 118217
512000 307149 128954
1024000 716739 218762
2048000 1498043 340398
4096000 3121459 741179
8192000 6512778 1440240
16384000 12999638 2841228
32768000 25421817 5573615
65536000 52787702 11216755
131072000 102977136 22564239
262144000 212568740 48269912
524288000 408104714 90059294
![a6700dbd6ff03bc95fc73239bcacd884.png](https://i-blog.csdnimg.cn/blog_migrate/b4b306c2ce8e6e79ea8c10d9f8ef9ff3.jpeg)
分析
在求和数组规模数据规模比较大,运行的机器核心数比较多的时候,使用go协程
是可以提升大数组求和的效率的。go协程
和系统的进程并不是一一对应的,创建一个go协程
本身的开销也比创建一个线程小。对大数组求和只是一种场景,也有很多其他类似的cpu密集型场景可以利用go协程
进行优化。