线程调优——调整线程池参数提升程序执行效率

先抛出一个问题，程序开发真的是线程越多效率越高吗？多线程是我们程序开发中必不可少的手段，线程就像“孙悟空”开启了分身术一样，每个分身都在“打妖怪”，那是不是分身越多，“打妖怪”的效率就越高？

文章目录

- 一、前言
- 二、演示实例
- 三、执行结果
- 四、结论分析

一、前言

其实，线程的数量并不是越多越好，每个线程都需要系统分配一定的资源，如内存和CPU时间。每个线程都有其栈内存，线程数量过多可能导致内存不足，甚至可能影响系统的稳定性。线程的管理和使用需要根据具体的应用场景和需求来决定，通常，线程数量应与可用的CPU核心数相匹配，或者稍微多一些，以充分利用多核处理器的能力。如果线程数量超过了CPU核心数，线程间的上下文切换会变得频繁，可能会导致性能下降。
一般情况下，根据业务的需求及服务器的配置，调整最优的线程池参数来进行线程调优，提升程序的执行效率。说线程池调优之前，先说下线程池的4个重要参数，分别是：corePoolSize（核心线程数）、maximumPoolSize（最大线程数）、workQueue（队列容量）、keepAliveTime（非核心回收超时时间）。

corePoolSize：是线程池中保持活动状态的线程的最小数量，即使这些线程在空闲时也不会被终止。

maximumPoolSize：是线程池能够容纳的最大线程数量，限制线程池中线程的最大数量，防止过多线程的创建，避免资源耗尽和系统过载。

workQueue：是一个阻塞队列，用于存储待执行的任务。

keepAliveTime：线程存活时间，是线程池中多余线程（即除过corePoolSize之外的线程）在空闲时保持活动的最大时间。如果线程在此时间内没有被使用，则会被终止。

以下通过一个demo来演示下线程池中实际参与工作的线程数！

二、演示实例

我们初始化的参数分别是corePoolSize=10、maximumPoolSize=30、workQueue=50，然后依次模拟5、10、15、45、60、65、75、80、81的任务数，下面的演示模拟的代码：

	public static void main(String[] args) {// 模拟任务数int taskCount = 75;// 使用AtomicInteger线程安全的计数器，支持在多线程环境中安全地增减值而不需要使用锁AtomicInteger integer = new AtomicInteger();// 定义一个时间区间集合，存储各个任务执行到时的耗时（单位：毫秒）情况List<Long> diffList = new ArrayList<>();// 初始化线程池，核心参数如下ThreadPoolExecutor executor = new ThreadPoolExecutor(10, // 核心线程数30, // 最大线程数5, // 非核心回收超时时间TimeUnit.SECONDS, // 超时时间单位new ArrayBlockingQueue<>(50));  // 任务队列// 记录当前时间戳long start = System.currentTimeMillis();// 模拟程序任务for (int i = 0; i < taskCount; i++) {Thread thread = new Thread(() -> {try {// 模拟执行耗时1秒Thread.sleep(1000);// 自增步进1并返回新值int j = integer.addAndGet(1);// 当前任务耗时记录long l = System.currentTimeMillis() - start;System.out.println("已执行" + j + "个任务，耗时" + l + "ms");// 把耗时记录存储到集合中diffList.add(l);} catch (InterruptedException e) {e.printStackTrace();}});// 把线程放到线程池中try {executor.execute(thread);} catch (Exception e) {e.printStackTrace();}}// 验证程序执行结束，并记录结束时间戳long end = 0;while (executor.getCompletedTaskCount() < taskCount) {end = System.currentTimeMillis();}System.out.println("总任务数："+taskCount);/*** 1.把集合中所有时间区间的值都除以1000，这样的话，集合中的值就只会出现整型的1、2、3...，用于标识任务属于哪个批次（刚好1秒一个批次）* 2.然后把集合聚合分组整理成HashMap，方便我们统计各个批次的数量* 3.然后打印出来*/Map<Long, List<Long>> collect = diffList.stream().map(i -> i / 1000).collect(Collectors.groupingBy(i -> i.longValue()));for (Long l : collect.keySet()) {System.out.println("第【"+l+"】批次，工作线程数："+collect.get(l).size());}System.out.println("任务总耗时：" + (end - start) + "ms");}

三、执行结果

为了方便对比查看，我把每次的执行结果都贴到一起了，如下：

总任务数：5
第【1】批次，工作线程数：5
任务总耗时：1074ms
-----------------------------------------
总任务数：10
第【1】批次，工作线程数：10
任务总耗时：1069ms
-----------------------------------------
总任务数：15
第【1】批次，工作线程数：10
第【2】批次，工作线程数：5
任务总耗时：2068ms
-----------------------------------------
总任务数：45
第【1】批次，工作线程数：10
第【2】批次，工作线程数：10
第【3】批次，工作线程数：10
第【4】批次，工作线程数：10
第【5】批次，工作线程数：5
任务总耗时：5117ms
-----------------------------------------
总任务数：60
第【1】批次，工作线程数：10
第【2】批次，工作线程数：10
第【3】批次，工作线程数：10
第【4】批次，工作线程数：10
第【5】批次，工作线程数：10
第【6】批次，工作线程数：10
任务总耗时：6151ms
-----------------------------------------
总任务数：65
第【1】批次，工作线程数：15
第【2】批次，工作线程数：15
第【3】批次，工作线程数：15
第【4】批次，工作线程数：15
第【5】批次，工作线程数：5
任务总耗时：5128ms
-----------------------------------------
总任务数：75
第【1】批次，工作线程数：25
第【2】批次，工作线程数：25
第【3】批次，工作线程数：25
任务总耗时：3079ms
-----------------------------------------
总任务数：80
第【1】批次，工作线程数：30
第【2】批次，工作线程数：30
第【3】批次，工作线程数：20
任务总耗时：3079ms
-----------------------------------------
总任务数：81
java.util.concurrent.RejectedExecutionException: Task Thread[Thread-80,5,main] rejected from java.util.concurrent.ThreadPoolExecutor@6b143ee9[Running, pool size = 30, active threads = 30, queued tasks = 50, completed tasks = 0]
-----------------------------------------

四、结论分析

根据上述结果分析，可以得到如下结论：

	数量关系	工作线程数	task示例
场景1	taskCount <= corePoolSize	taskCount	5、10
场景2	corePoolSize < taskCount <= corePoolSize+workQueue	corePoolSize	15、45、60
场景3	corePoolSize+workQueue < taskCount <= maximumPoolSize+workQueue	taskCount-workQueue	65、75、80
场景4	taskCount > maximumPoolSize+workQueue	小于的部分正常执行，大于的部分会拒绝策略，在线程池中抛出异常	81
字段说明	corePoolSize（核心线程数）、maximumPoolSize（最大线程数）、workQueue（队列容量）、taskCount（任务数）