多线程基础

本文探讨了并发编程的优点和缺点,包括如何充分利用多核CPU的计算能力、满足复杂业务需求的同时,也讨论了并发编程可能遇到的问题如上下文切换频繁、死锁等问题及其解决方案。此外还介绍了同步与异步、并发与并行、阻塞与非阻塞等概念的区别。

1 为什么要用到并发(算是并发的优点)

>- 1 通过并发编程的形式可以将多核CPU的计算能力发挥到极致,性能得到提升
>- 2 面对复杂业务模型,并发程序会比串行程序更适应业务需求,并发程序更能温和这种业务拆分。


3 并发编程的缺点

>- 1 频繁的上下文切换:
解决方法:
 1.1 无锁并发编程:可以参照concurrentHashMap的锁分段技术,不同的线程处理不同段的数据,可以减少上下文的切换;
 1.2 CAS算法:使用CAS算法,相当于使用了乐观锁,可以有效的减少一部分不必要的锁竞争带来的上下文切换;
 1.3 使用最少的线程:避免创建不必要的线程,任务很少,线程很多会造成多余线程的阻塞;
 1.4 协程:在单线程里实现多任务的调度,并在单线程里维持多任务的切换
 

4 怎么避免死锁:

>- 1 避免一个线程同时获得多个锁;
>- 2 避免一个线程在锁内部占有多个资源,尽量保证一个锁只占用一个资源;
>- 3 尝试使用定时锁,你用lock.tryLock(),当超时等待时当前线程不会阻塞;
>- 4 对于数据库锁,加锁和解锁必须在一个数据库连接里面,否则会出现解锁失败;


5 多线程需要理清楚的一些概念

5.1同步VS异步
>- 同步和异步通常用来形容一次方法调用;
>- 同步:同步方法调用一开始,调用者必须等待被调用者的方法结束以后,调用者后面的代码才能执行;
>- 异步:调用者不用管被调用者的方法是否执行结束,调用者后面的代码都会执行,当被调用者的方法执行结束后会通知调用者;
>- 举个例子:
在超时购物,如果一件物品没了,你得等仓库人员跟你调货,直到仓库人员跟你把货物送过来,你才能继续去收银台付款,这就类似同步调用。而异步调用了,就像网购,你在网上付款下单后,什么事就不用管了,该干嘛就干嘛去了,当货物到达后你收到通知去取就好。


5.2 并发与并行
>-并发:指的是多个任务交替进行;
>-并行:指的多个任务同时进行;
>- 真是情况中,更多还是并发情况


5.3 阻塞与非阻塞
>- 阻塞与非阻塞通常用来形容多线程之间的相互影响;
>- 阻塞:比如一个线程占用了临界区资源,那么其他线程就需要等待该线程释放了资源才能再获取这个资源,从而导致等待的线程被挂起,这种情况就是阻塞
>- 非阻塞:强调没有一个线程可以阻塞其他线程,所有的线程都会尝试的往前运行;


5.4 临界区
>- 临界区用来表示一种公共资源或者共享数据,可以被多个线程使用。但是每个线程使用时,一旦临界区被一个线程占有,那么其他线程必须等待









内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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