Java并发-ReentrantLock+Condition控制异步转同步流程

采用ReentrantLock+Condition控制异步转同步流程。或者叫"保护性暂停 - Guarded Suspension 模式"

具体思路见下面代码及注释

/**
 * 采用ReentrantLock+Condition控制异步转同步流程
 *
 * @author banshan
 * @since 2023/12/14
 */
public class Async2SyncLock {
    // 同一个ReentrantLock锁
    private static Lock lock = new ReentrantLock();

    /**
     * 缓存condition Map集,异步唤醒时从map中获取
     */
    private static Map<String, Condition> conditionMap = new HashMap<>();

    public static void main(String[] args) throws InterruptedException {
        for (int i = 0; i < 10; i++) {
            new Thread(() -> process()).start();
            // 随机间隔500ms内模拟并发
            int random = new Random().nextInt(500);
            Thread.sleep(random);
        }

    }

    /**
     * 异步转同步处理
     */
    private static void process() {
        lock.lock();
        String id = UUID.randomUUID().toString();
        // 为每个线程分配独立的condition
        Condition condition = lock.newCondition();
        System.out.println(id + "-await    begin: " + stampToDate(System.currentTimeMillis()));
        // 订阅
        subscribe(id, condition);

        // 业务处理
        businessProcess(id);

        // Note: signaler线程用来模拟businessProcess业务处理流程完成后的异步通知
        new Thread(new Signaler(id)).start();

        try {
            // 阻塞线程 10s结束线程
            condition.await(10, TimeUnit.SECONDS);
        } catch (InterruptedException e) {
            e.printStackTrace();
        }
        System.out.println(id + "-await    end:   " + stampToDate(System.currentTimeMillis()));
        lock.unlock();

    }

    /**
     * 订阅
     *
     * @param id
     * @param condition
     */
    private static void subscribe(String id, Condition condition) {
        conditionMap.put(id, condition);
    }

    /**
     * 取消订阅
     *
     * @param id
     */
    private static Condition unsubscribe(String id) {
        return conditionMap.remove(id);
    }

    /**
     * 唤醒线程
     */
    private static class Signaler extends Thread {
        private String id;

        public Signaler(String id) {
            this.id = id;
        }

        @Override
        public void run() {
            lock.lock();
            // 休眠3s模拟异步处理完成后再进行唤醒
            try {
                Thread.sleep(3000);
            } catch (InterruptedException e) {
                e.printStackTrace();
            }

            System.out.println(id + "-signaler start: " + stampToDate(System.currentTimeMillis()));
            Condition condition = unsubscribe(id);
            // 唤醒线程
            condition.signal();
            lock.unlock();
        }
    }


    /**
     * 业务处理 (异步)
     *
     * @param id
     */
    private static void businessProcess(String id) {
        // 异步处理,提高吞吐量
    }

    /**
     * 时间戳转日期
     *
     * @param stamp
     * @return
     */
    private static String stampToDate(long stamp) {
        SimpleDateFormat simpleDateFormat = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss");
        Date date = new Date(stamp);
        return simpleDateFormat.format(date);
    }
}
  • 6
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值