线程池

线程池是不是越多越好?

  1. 线程在Java中是一个对象,更是操作系统的资源,线程创建、销毁需要时间。如果传教时间+销毁时间>执行任务完成时间就很不合算。
  2. Java对象占用内存,造作系统线程占用系统内存,根据jvm规范,一个线程默认做大栈的大小是1M,这个栈空间需要从系统内存中分配。线程过多会消耗很多内存。
  3. 操作系统频繁切换上下文,影响性能。
    线程池的推出就是为了方便控制线程数量。
    线程池的原理:
  • 线程管理器:用于创建并管理线程池,包括创建线程池,销毁线程池,添加新任务.
  • 工作线程: 线程池中线程在没有任务时处于等待状态,可以循环执行任务;
  • 任务接口:每个任务必须实现的接口,以提供工作线程调度任务的执行,它主要规定了任务的入口,任务执行完后的收尾工作,任务的执行状态等。
  • 任务队列:用于存放没有处理的任务,提供一种缓冲机制。

线程池工作接口定义和实现类

类型名称描述
接口Executor最上层的接口,定义了执行任务的方法executor
接口ExecutorService继承了Executor接口,拓展了callable、Future、关闭方法
接口ScheduledExecutorService继承了ExecutorService,增加了定时任务的相关方法
实现类ThreadPoolExecutor基础标准的线程池实现
实现类ScheduledThreadPoolExecutor继承了ThreadPoolExecutor实现了ScheduledExecutorService中相关定时任务的方法

可以认为ScheduledThreadPoolExecutor是最丰富的实现类

方法定义
方法定义

Executors工具类

  1. newFixedThreadPool(int nThreads)创建一个固定大小任务队列容量无界的线程池,其核心线程数=最大线程数
  2. newCachedTHreadPool()创建一个大小无界的缓冲线程池,他的任务队列是一个同步队列。任务加入到池中,如果池中有空闲线程则用空闲线程执行,池中线程空闲超过60喵,将被销毁释放,线程数随任务多少变化,适用于执行好事较小的异步任务。池的核心线程数=0,最大线程数=Integer.Max_Value。
  3. newSingleThreadExcutor()只有一个线程来执行无界队列的单一线程池,该线程池确保任务按加入的顺序一个一个依次执行,当唯一的线程因任务异常中止是,将创建一个新的线程来继续执行后续的任务,与newFixedThreadPool(1)的区别在于单一线程池的池大小在newSingleThreadExcutor()方法中硬编码,不能再改变。
  4. newScheduledThreadPool(int corePoolSize) 能定时执行任务的线程池。该池的核心线程数有参数指定,最大线程数=Integer.Max_value。

任务执行过程
如何确定合适数量的线程池?

  1. 如果是执行计算型任务线程池的数量为CPU的1-2倍即可。
  2. 如果是执行IO型任务,相对比计算型任务需要多一些线程,要根据具体的IO阻塞时长运行考量决定,如tomcat中默认最大线程池数量为200。
    也可以考虑根据需要在一个最小数量和最大数量将自动增减的线程数。
    可以通过监控CPU的情况进行判断线程数量是否合适,如果CPU的运用率达到80%则说明CPU充分利用了,如果CPU小于80%那么整个程序再CPU运用这一块还是不合理,如果太满了可能线程池数量太多CPU处理不过来。
标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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