Java 多线程

博客介绍了ThreadLocal的原理,它通过ThreadLocalMap存储数据,每个线程有自己的ThreadLocalMap。还指出可能存在内存泄露问题及解决办法。此外,给出三道多线程面试题,包括图片加载、线程交替打印和高并发下帖子阅读量增加的实现。

ThreadLocal

原理:ThreadLocal不是用来存储值的,存储值得是ThreadLocalMap中,ThreadLocalMap是被Thread强引用的(Thread类中的字段),所以每个线程里面都会有一个ThreadLocalMap,ThreadLocal充当key,要存储的数据充当value。
内存泄露:应用的线程有可能不被销毁,无论是我们自己创建的线程池还是Tomcat创建的线程池,最终都有可能产生线程不被销毁的情况,而只要线程不被销毁,ThreadLocalMap就不会被销毁,ThreadLocalMap就会强引用value,key不会强引用,因为key是一个弱引用,所以key是可以被回收的,但是value不会被回收,就导致了内存泄露(占用空间,又无法被使用),内存泄漏可以使用set方法和remove方法,前者是把值给替换,后者是将值清空掉,使得value的强引用被断开,也就可以被回收了。

深挖点:JVM、Java引用类型、线程池、HashMap

多线程面试题1

题意:多线程加载图片,哪张图片最快获取到,就直接使用哪个,其他的不要了

public void test() {
    CompletableFuture<String> future1 = CompletableFuture.supplyAsync(() -> {
        System.out.println("加载图片1....");
        try {
            TimeUnit.SECONDS.sleep(2);
        } catch (InterruptedException e) {
            throw new RuntimeException(e);
        }
        return "图片1";
    });

    CompletableFuture<String> future2 = CompletableFuture.supplyAsync(() -> {
        System.out.println("加载图片2....");
        try {
            TimeUnit.SECONDS.sleep(1);
        } catch (InterruptedException e) {
            throw new RuntimeException(e);
        }
        return "图片2";
    });

    CompletableFuture<Object> future = CompletableFuture.anyOf(future1, future2);
    Object o = null;
    try {
        o = future.get();
        System.out.println("最终结果:" + o);
    } catch (InterruptedException e) {
        throw new RuntimeException(e);
    } catch (ExecutionException e) {
        throw new RuntimeException(e);
    }
}

其他例子:在redis分布式锁中,终极方案是redlock,实现方案就是分别向多个实例加锁,哪个加锁快就用哪个,还有一种是必须等待所有结果,可以用allOf

多线程面试题2

题意:创建两个线程,一个线程打印A,另一个线程打印B,两个线程交替打印

Integer stock = new Integer(1);

class Task implements Runnable {

    String out;

    public Task(String out) {
        this.out = out;
    }

    @Override
    public void run() {
        synchronized (stock) {
            while(true) {
                System.out.println(out);
                try {
                    Thread.sleep(100);

                    // 先唤醒其他线程
                    stock.notify();
                    // 自己进入等待,此处会释放 sync 锁
                    stock.wait();
                } catch (Exception e) {
                    e.printStackTrace();
                }
            }
        }
    }
}

@Test
public void test() {
    CompletableFuture.runAsync(new Task("A"));
    CompletableFuture.runAsync(new Task("B"));

    try {
        TimeUnit.SECONDS.sleep(10);
    } catch (InterruptedException e) {
        throw new RuntimeException(e);
    }
}

多线程面试题3

题意:高并发场景下,某批热帖帖子阅读量会暴增,必须使用mysql实现帖子阅读量增加,不能使用redis,保证高性能,怎么做?
答:搞一个共享队列,将controller中请求的消息打包(文章id,阅读量增加数)丢到队列中,形成生产者,使用定时任务作为消费者,根据文章id将请求分批,减少mysql更新操作,保证高性能。

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的Koopman算子的递归神经网络模型线性化”展开,旨在研究纳米定位系统的预测控制问题,并提供完整的Matlab代码实现。文章结合数据驱动方法与Koopman算子理论,利用递归神经网络(RNN)对非线性系统进行建模与线性化处理,从而提升纳米级定位系统的精度与动态响应性能。该方法通过提取系统隐含动态特征,构建近似线性模型,便于后续模型预测控制(MPC)的设计与优化,适用于高精度自动化控制场景。文中还展示了相关实验验证与仿真结果,证明了该方法的有效性和先进性。; 适合人群:具备一定控制理论基础和Matlab编程能力,从事精密控制、智能制造、自动化或相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能控制设计;②为非线性系统建模与线性化提供一种结合深度学习与现代控制理论的新思路;③帮助读者掌握Koopman算子、RNN建模与模型预测控制的综合应用。; 阅读建议:建议读者结合提供的Matlab代码逐段理解算法实现流程,重点关注数据预处理、RNN结构设计、Koopman观测矩阵构建及MPC控制器集成等关键环节,并可通过更换实际系统数据进行迁移验证,深化对方法泛化能力的理解。
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