并发基础

本文探讨了线程的三大特性:原子性、可见性和有序性,以及如何通过减少上下文切换、使用CAS算法和ThreadLocal等策略提高并发程序的效率和安全性。深入解析了JMM模型下线程间共享数据的机制,以及volatile、synchronized和ThreadLocal的使用场景与区别。

线程的三大特性:

  1. 原子性 2. 可见性 3. 有序性

处理器为了提高程序的运行效率,可能会对输入代码进行优化,但不保证程序中各个语句的执行先后顺序同代码中的顺序一致,但是会保证执行的结果一致。

	int a = 10 #1
	int r = 2  #2
	a = a + 3  #3
	r = a*a    #4

重排序,执行顺序可能为 2-1-3-4, 1-3-2-4。

思考:为什么要重排序?

为了让线程在有效的时间内执行更多的指令,提高程序的执行效率。

减少上下文切换的方法:

  1. 无锁并发编程: 多线程竞争锁的时候会引发上下文的切换,可以使用一些其他的方法来避免使用锁
  2. CAS算法:又称自旋锁。 java中的atomic包中就使用CAS算法来更新数据
  3. 减少线程数

线程中的变量只对自己可见,那么怎么实现多线程之间共享数据呢?这里就要提到JMM(共享内存模型).

JMM定义了线程和主内存之间的抽象关系:

线程之间的共享变量存储在主存中,每个线程都有一个私有的本地内存(localmemory),本地内存中存储了该线程以读/写共享变量的副本。 当多个线程同时访问一个数据时,可能本地内存没有及时刷新到主内存,所以就会发生线程安全问题

线程安全机制:

Volidate 关键字使变量在多个线程之间可见,但需要注意Volidate不具备原子性。

  • 使用Volidate的正确姿势:

    1. 对变量的写操作不依赖当前值,例如状态标识
    2. 该变量没有包含在具有其他变量的不变式中

    更过详情,请戳这里

Volidate VS Synchronized

  1. volatile轻量级,只能修饰变量。synchronized重量级,还可修饰方法
  2. volatile只能保证数据的可见性,不能用来同步,因为多个线程并发访问volatile修饰的变量不会阻塞。synchronized不仅保证可见性,而且还保证原子性。因为,只有获得了锁的线程才能进入临界区,从而保证临界区中的所有语句都全部执行。多个线程争抢synchronized锁对象时,会出现阻塞。

Thread Local:

ThreadLocal使一个线程维护自己独有的变量成为可能, 可以独立的改变自己的变量副本,而不会影响其他线程。
ThreadLocal原理:为每一个线程维护一个ThreadLocalMap.

常用案例:
为自己的请求维护一个数据库链接。
注意在使用ThreadLocal结束之后要记得清除,否则与线程池使用时会出现数据复用的情况

  • 在java中使用Happens-beofre来描述线程之间的依赖关系,这是判断线程是否安全的基础:
  1. 程序顺序规则:简单的说就是写在前面的代码happens-before 写在后边的代码,更准确的说,应该是控制流顺序。
  2. 监视器锁规则:对一个锁的解锁,happends-before 随后对这个锁的加锁
  3. volatile变量规则: 对一个volatile的写操作happends-before 对这个volatile变量的读操作
  4. 线程启动规则:thread对象的start方法,happends-before 该线程中的其他操作
  5. 线程终止规则:线程中的所有操作都happends-before 于对此线程的终止检测,
    我们可以通过Thread.join()方法结束、Thread.isAlive() 的返回值等手段检测到线程已经终止执行
  6. 线程中断规则:对线程interrupt()方法的调用happens-before 被中断线程的代码检测到中断时事件的发生
  7. 对象终结规则:一个对象的初始化完成happens-before 于它的finalize()方法开始
  8. 传递性:如果操作A先发生于操作B,操作B先于操作C, 那么操作A先于操作C
  • 获得单例对象时需要保证线程安全,其中的方法也要保证线程安全

  • 创建线程或线程池时指定有意义的线程名称,方便出错时回溯

  • 线程资源必须通过线程池提供,不允许在应用中自行显示创建线程
    不适用线程池,可能会造成过度切换的问题

  • 线程池要用ThreadPoolExecutor的方式,这样的处理方式让写代码的同学更加的明确线程池的运行规则,避免资源耗尽
    使用Executors返回线程池对象的弊端:

    1. FixedThreadPool 和 SingleThreadPool
      允许的请求队列长度为MAX_VALUE,可能会堆积大量请求,从而导致OOM

    2. CachedThreadPool 和 ScheduledThreadPool:
      允许创建线程数量为MAX_VALUE, 可能会创建大量的线程,从而导致OOM

  • JDK 8 中使用Instant代替Date, LocalDateTime 代替Calender, DateTimeFormatter 代替 SimpleDateFormat.

  • 高并发时,同步调用应该考虑锁的性能损耗。能用无锁数据结构,就不要用锁;能锁区块,就不要锁整个方法体;能用对象锁,就不要用类锁

  • 对多个资源、数据库表、对象同时加锁时,需要保持一致的顺序,否则可能造成死锁

  • 并发修改同一记录时,避免更新丢失,需要枷锁,要么在应用层枷锁,要么在缓存中加锁,要么在数据库使用乐观锁

  • 在JDK7 之后使用API ThreadLocalRandom, 来生成随机数

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