最近在写一个简易的分离锁的类:
要求:对不同的Key进行hash得到一个Lock,并要求对锁映射的概率差不多。比如,160个Key,分布到16个锁上,大概有10个Key是映射到同一个锁上的,只要这样并发效率才会高。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 | public class SplitReentrantLock {
private Lock[] locks;
private int LOCK_NUM;
public SplitReentrantLock( int lockNum) {
super ();
LOCK_NUM = lockNum;
locks = new Lock[LOCK_NUM];
for ( int i = 0 ; i < LOCK_NUM; i++) {
locks[i] = new ReentrantLock();
}
}
/**
* 获取锁, 使用HashMap的hash算法
*
*
* @param key
* @return
*/
public Lock getLock(String key) {
int lockIndex = index(key);
return locks[lockIndex];
}
int index(String key) {
int hash = hash(key.hashCode());
return hash & (LOCK_NUM - 1 );
}
int hash( int h) {
h ^= (h >>> 20 ) ^ (h >>> 12 );
return h ^ (h >>> 7 ) ^ (h >>> 4 );
}
|
用法:
1 2 3 4 5 6 7 8 | SplitReentrantLock locks = new SplitReentrantLock( 16 );
Lock lock =locks.getLock(key);
lock.lock();
try {
//......
} finally {
lock.unlock();
}
|
本来认为用HashMap的hash算法就能够将 达到上述的要求,结果测试的时候吓了一跳。
测试代码:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 | public class SplitReenterLockTest extends TestCase {
public void method( int lockNum, int testNum) {
SplitReentrantLock splitLock = new SplitReentrantLock(lockNum);
Map<Integer, Integer> map = new TreeMap<Integer, Integer>();
for ( int i = 0 ; i < lockNum; i++) {
map.put(i, 0 );
}
for ( int i = 0 ; i < testNum; i++) {
Integer key = splitLock.index(RandomStringUtils.random( 128 ));
map.put(key, map.get(key) + 1 );
}
for (Map.Entry<Integer, Integer> entry : map.entrySet()) {
System.out.println(entry.getKey() + " : " + entry.getValue());
}
}
public void test1() {
method( 50 , 1000 );}
}
|
结果:1000个随机key的hash只是映射到8个Lock上,而不是平均到50个Lock上。
而且是固定分布到0,1,16,17,32,33,48,49的数组下标对应的Lock上面,这是为什么呢?
如果改为:
1 2 3 | public void test1() {
method( 32 , 1000 );
}
|
结果:1000个随机key的hash 映射到32个Lock上,而且基本上是平均分布的。
问题:为什么50和32的hash的效果差别那么大呢?
再次测试2,4,8,16,64,128. 发现基本上都是平均分布到所有的Lock上面。
得到平均分布的这些数都是2的次幂,难道hash算法和二进制有关?
看看hash算法:
1 2 3 4 5 6 7 8 9 | int index(String key) {
int hash = hash(key.hashCode());
return hash & (LOCK_NUM - 1 );
}
int hash( int h) {
h ^= (h >>> 20 ) ^ (h >>> 12 );
return h ^ (h >>> 7 ) ^ (h >>> 4 );
}
|
先是经过神奇的(ps:不知道为什么这么运算,无知的我只能用神奇来形容)的位运算,最后和LOCK_NUM - 1来进行与运算。
本帖的关键点就是在于这个与运算中,如果要想运算后的结果是否平均分布,在于LOCK_NUM-1的二进制中1的位数有几个。如果都是1,那么肯定是平均分布到0至LOCK_NUM-1上面。否则仅仅分布指定的几位。
下面以50和32说明:
假设Key进行hash运行得到hash值为h,
比如:我测试的数据中的一些h的二进制值:
1100000010000110110101010001001
10111100001001110111000100010001
11111011111010101010000111001001
11001010011000100110110111011111
10001010100010111101011010011110
50的二进制值:110010.减去1后的二进制:110001
32的二进制值: 100000.减去1后的二进制:11111
因此h和 49 (即110001)与的结果只能为
000000 : 0
000001 : 1
010000 : 16
010001 : 17
100000 : 32
100001 : 33
110000 : 48
110001 : 49
而h和31 (即11111)与的结果为:
00000
00001
00010
....
11110
11111
这下知道原因了吧。LOCK_NUM -1 二进制中为1的位数越多,那么分布就平均。
这也就是为什么HashMap默认大小为2的次幂,并且添加元素时,如果超过了一定的数量,那么就将数量增大到原来的两倍,其中非常重要的原因就是为了hash的平均分布。
|