有关JMM的细节

2024-08-31 07:58
文章标签 细节 jmm

本文主要是介绍有关JMM的细节,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

转载自https://www.cnblogs.com/rocomp/p/4780532.html

细说Java多线程之内存可见性

        1、共享变量在线程间的可见性
               共享变量:如果一个变量在多个线程的工作内存中都存在副本,
                        那么这个变量就是这几个线程的共享变量
               可见性:一个线程对共享变量值的修改,能够及时的被其他线程看到
               Java内存模型(JMM,Java Memory Model
                     描述了java程序中各种变量(线程共享变量)的访问规则,以及在JVM中将
                     变量存储到内存和从内存中读取出变量这样的底层细节。
                     所有的变量都存储在主内存中
                     每个线程都有自己独立的工作内存,里面保存该线程使用到的变量的副本
                     (主内存中该变量的一份拷贝
                     
                      两条规定    
                           线程对共享变量的所有操作都必须在自己的工作内存working memory,是cache和寄存器的一个抽象,而并不是内存中的某个部分,这个解释源于《Concurrent Programming in Java: Design Principles and Patterns, Second Edition》§2.2.7,原文:Every thread is defined to have a working memory (an abstraction of caches and registers) in which to store values. 有不少人觉得working memory是内存的某个部分,这可能是有些译作将working memory译为工作内存的缘故,为避免混淆,这里称其为工作存储,每个线程都有自己的工作存储)中进行,不能直接从相互内存中读写
                          不同线程之间无法直接访问其他线程工作内存中的变量,
                         线程间变量值得传递需要通过主内存来完成
                     共享变量可见性的实现原理
                         把工作内存1中更新过的共享变量刷新到主内存中
                         将主内存中最新的共享变量的值更新到工作内存2中
                     Java语言层面支持的可见性实现方式
                         synchronized
                         volatile
                         final也可以保证内存可见性
        2、synchronized实现可见性
               可以实现互斥锁(原子性),即同步。但很多人都忽略其内存可见性这一特性
               JMM关于synchronized的两条规定:
                   线程解锁前,必须把共享变量的最新值刷新到主内存中
                   线程加锁时,将清空工作内存中共享变量的值,从而使用共享变量时需要从内存中重新读取最新的值(注意:加锁与解锁需要是同一把锁
                   线程解锁前对共享变量的修改在下棋甲所示对其他线程可见
               ·导致共享变量在线程间不可见的原因
                      1.线程的交叉执行(保证原子性,使用synchronized关键字)
                      2.重排序结合线程交叉执行(原子性
                      3.共享变量更新后的值没有在工作内存与主内存间及时更新(可见性
               在Java运行过程中,执行引擎会尽量揣摩用户的意图,所以很多时候都会看到正确的结果,但是哪怕只有一次不可预期的结果出现影响也是非常大的,所以,在需要内存可见性的时候,我们一定要保证线程的安全
        3、volatile实现可见性
              ·指令重排序
                    代码书写的顺序与实际执行的顺序不同,指令冲排序是编译器或处理器
                    为了提高程序性能而做的优化
                       1.编译器优化的重排序(编译器优化)
                       2.指令级并行重排序(处理器优化)
                       3.内存系统的重排序(处理器优化)
                    重排序不会给单线程带来内存可见性的问题(因为as-if-serial语义)
                    多线程中程序交错执行时,重排序可能会造成内存可见性问题
              ·as-if-serial语义
                     无论怎样重排序,程序执行的结果应该玉带啊顺序执行的结果一致(Java
                   编译器、运行时和处理器都会保证Java在单线程下遵循as-if-serial语义
              
              ·volatile关键字使用注意事项
                   1.能够保证volatile变量的可见性(原理与synchronized关键字原理差不多)
                        深入来说,通过加入内存屏障和禁止重排序优化来实现内存可见性。当对volatile变量执行写操作时,会在写操作后加入一条store屏障指令;当对volatile变量执行读操作时,会在读操作前加入一条load屏障指令
                   2.不能保证volatile变量复合操作的原子性
                         int num = 0;
                         num++;//++操作非原子操作,分3步执行
                         保证原子性的方法:
                              synchronized关键字
                              ReentrantLock可传入锁对象
                              AtomicInterger对象
                    3.volatile适用场合
                       在多线程中安全的使用volatile变量必须同时满足两个条件:
                       ①对变量的写入操作不依赖其当前值,如number++不可以,
                                                          boolean变量可以
                       ②该变量没有包含在具有其他变量的不变式中,如果有多个
                volatile变量,则每个volatile变量必须独立于其他的volatile变量
        4、synchronized和volatile比较
               volatile不需要加锁,比synchronized更轻量级,不会阻塞线程,效率更高
               从内存可见性角度讲,volatile读相当于加锁,volatile写相当于解锁
               synchronized技能保证可见性,又能保证原子性,而volatile只能保证可见性,不能保证原子性。
               如果能用volatile解决问题,还是应尽量使用volatile,因为它的效率更高 
      一个需要注意的点:
          问:即使没有保证可见性的措施,很多时候共享变量一人能够在主内存和工作内存见得到及时的更新?
          答:一般只有在短时间内高并发的情况下才会出现变量得不到及时更新的情况,因为CPU在执行时会很快的刷新缓存,所以一般情况下很难看到这种问题,而且也与硬件性能有很大的关系,所以,结果都是不可预测的,正式因为不可预测,所以我们才要保证线程的安全问题
          另:java中long、double是64位的,其读写会分成两次32位的操作,并不是原子操作,但很多商用虚拟机都进行了优化,所以,了解即可

这篇关于有关JMM的细节的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1123322

相关文章

vscode中使用go环境配置细节

1、在docker容器中下载了go的sdk 2、在/etc/profile.d/go.sh里填入如下内容: #!/bin/bashexport GOROOT=/home/ud_dev/goexport PATH=$GOROOT/bin:$PATH  3、设置go env go env -w GOPROXY=https://goproxy.cn,directgo env -w GO

使用WebP解决网站加载速度问题,这些细节你需要了解

说到网页的图片格式,大家最常想到的可能是JPEG、PNG,毕竟这些老牌格式陪伴我们这么多年。然而,近几年,有一个格式悄悄崭露头角,那就是WebP。很多人可能听说过,但到底它好在哪?你的网站或者项目是不是也应该用WebP呢?别着急,今天咱们就来好好聊聊WebP这个图片格式的前世今生,以及它值不值得你花时间去用。 为什么会有WebP? 你有没有遇到过这样的情况?网页加载特别慢,尤其是那

分享MSSQL、MySql、Oracle的大数据批量导入方法及编程手法细节

1:MSSQL SQL语法篇: BULK INSERT      [ database_name . [ schema_name ] . | schema_name . ] [ table_name | view_name ]         FROM 'data_file'        [ WITH       (      [ [ , ] BATCHSIZE = batch_siz

【LVI-SAM】激光雷达点云处理特征提取LIO-SAM 之FeatureExtraction实现细节

激光雷达点云处理特征提取LIO-SAM 之FeatureExtraction实现细节 1. 特征提取实现过程总结1.0 特征提取过程小结1.1 类 `FeatureExtraction` 的整体结构与作用1.2 详细特征提取的过程1. 平滑度计算(`calculateSmoothness()`)2. 标记遮挡点(`markOccludedPoints()`)3. 特征提取(`extractF

Post-Training有多重要?一文带你了解全部细节

1. 简介 随着LLM学界和工业界日新月异的发展,不仅预训练所用的算力和数据正在疯狂内卷,后训练(post-training)的对齐和微调方法也在不断更新。InstructGPT、WebGPT等较早发布的模型使用标准RLHF方法,其中的数据管理风格和规模似乎已经过时。近来,Meta、谷歌和英伟达等AI巨头纷纷发布开源模型,附带发布详尽的论文或报告,包括Llama 3.1、Nemotron 340

【项目日记】高并发内存池---细节优化及性能测试

终此一生,只有两种办法: 要么梦见生活,要么落实生活。 --- 勒内・夏尔 --- 高并发内存池---细节优化及性能测试 1 细节优化1.1 大块内存的申请处理1.2 配合定长池脱离使用new1.3 释放对象无需内存大小 2 调试Debug3 性能测试4 项目总结 1 细节优化 在前面的文章中我们已经实现了高并发内存池的申请内存逻辑和释放内存逻辑:

AI时代产品经理面临的变与不变:0经验求职产品经理要注意哪些细节?

AI时代,各种产品形态、业务的变化,让市场也对产品经理提出了新的要求,产品经理要有哪些变与不变呢?现在入行产品经理是好时机么?没有技术背景、没有学历有优势如何入行做产品经理?今天我们一起探讨一下! 产品人究竟需要具备哪些能力?看这个最新的能力模型图就知道了。 随着当前市场的细分,不同行业和领域对产品经理的能力要求已经从单一的具备产品专业能力演变成了兼具产品专业技能+行业/业务知识

端口安全老化细节

我们都知道port-security aging-time命令用来配置端口安全动态MAC地址的老化时间,但是后面还可以加上类型: [SW1-GigabitEthernet0/0/1]port-security aging-time 5 type  ·  absolute    Absolute time 绝对老化  ·  inactivity  Inactivity time相对老化 默认

【深度学习 图像分类】图像分类任务细节

无意中发现了一个巨牛的人工智能教程,忍不住分享一下给大家。教程不仅是零基础,通俗易懂,而且非常风趣幽默,像看小说一样!觉得太牛了,所以分享给大家。点这里可以跳转到教程。人工智能教程 实现一个完整的图像分类任务,大致需要分为五个步骤: 1、选择开源框架 目前常用的深度学习框架主要包括tensorflow、keras、pytorch、mxnet,caffe等; 2、构建并读取数据集 根据任务需求搜

【扩散模型(十)】IP-Adapter 源码详解 4 - 训练细节、具体训了哪些层?

系列文章目录 【扩散模型(一)】中介绍了 Stable Diffusion 可以被理解为重建分支(reconstruction branch)和条件分支(condition branch)【扩散模型(二)】IP-Adapter 从条件分支的视角,快速理解相关的可控生成研究【扩散模型(三)】IP-Adapter 源码详解1-训练输入 介绍了训练代码中的 image prompt 的输入部分,即 i