并发环境下的缓存容器性能优化

我们在项目中经常会遇到这样的场景：一些信息读取开销较大，但只需要生成一次便可反复使用，因此我们会将其永久地缓存起来。例如在ASP.NET MVC中，系统会根据Controller的名称来缓存对应的元数据。这些缓存容器都有一些共同的特点，便是存储的对象数量有限（少则几十，多不过数千），但都需要在并发环境下被大量地读取，因此必须是线程安全的。那么，我们该如何设计这样的容器呢？

一个非常常见的做法是使用字典（System.Collections.Generic.Dictionary<TKey, TValue>）进行存储。字典使用了“哈希表”这个数据结构，其读取和写入的时间复杂度几乎都是O(1)，性能可谓非常之高。只不过，字典不是线程安全的，例如它在添加元素的时候可能会对内部的bucket数组进行动态调整，这显然不是一个原子操作。因此，它无法直接用户并行环境的读写，我们对它的操作必须加锁。

说起加锁，最简单的方式便是在读和写方法中使用同一个互斥体（mutex）进行lock：

object mutex = new object();
Dictionary<int, int> dict = new Dictionary<int, int>();

// read with lock
lock (mutex)
{
var value = dict[1];
}

// write with lock
lock(mutex)
{
dict[1] = 1;
}

这么做可以保证在任意时刻只有单个线程在访问字典，无论读写，这自然做到了线程安全。但是，这么做的话对于并发环境并不友好。因为一个字典是完全可以同时被多个线程“读”的，也就是说，如果我们简单使用lock便会大大降低“读”操作的可并发性，从而对性能产生负面影响。

那么我们能否对“写”操作进行lock，而让“读”操作完全自由呢？例如：

object mutex = new object();
Dictionary<int, int> dict = new Dictionary<int, int>();

// read directly
var value = dict[1];

// write with lock
lock(mutex)
{
dict[1] = 1;
}

这也是不允许的。因为这样做无法避免在某个线程读取字典的同时，另一个线程正在修改字典。一旦出现读写操作同时进行的情况，字典就很可能被破坏了。因此，其实我们的要求有两点：
只能由单个线程写，但可以由多个线程同时读。
在进行读操作时，不可同时进行写操作。反之亦然。

这便是“读写锁”使用场景。只要使用“写”锁来保护修改操作，而使用“读”锁来保护读取操作，便可以让字典正确并高效地工作在并发环境下。“读写锁”在.NET框架中有着两个实现：ReaderWriterLock和ReaderWriterLockSlim。前者出现在.NET
1.x中，而后者随.NET 2.0发布。两者的区别在于前者性能低，后者性能高，因此在目前，基本上需要读写锁的场景都会建议使用ReaderWriterLockSlim（除了稍后会提到的情况）。

但是，ReaderWriterLockSlim并非不会带来开销，我们接下来的试验便要来验证这一点。首先，我们准备1000个数字，它们便是我们使用的测试数据源：

var source = Enumerable.Range(1, 1000).ToArray();
var dict = source.ToDictionary(i => i);

然后，我们使用CodeTimer测试它在三种情况下的性能：

int iteration = 10000;
CodeTimer.Initialize();

CodeTimer.Time("Read Free", iteration, () =>
{
foreach (var i in source)
{
var ignore = dict[i];
}
});

var rwLockSlim = new ReaderWriterLockSlim();
CodeTimer.Time("ReaderWriterLockSlim", iteration, () =>
{
foreach (var i in source)
{
rwLockSlim.EnterReadLock();
var ignore = dict[i];
rwLockSlim.ExitReadLock();
}
});

var rwLock = new ReaderWriterLock();
CodeTimer.Time("ReaderWriterLock", iteration, () =>
{
foreach (var i in source)
{
rwLock.AcquireReaderLock(0);
var ignore = dict[i];
rwLock.ReleaseReaderLock();
}
});

最后一种方式使用了性能较差的ReaderWriterLock，我的目的除了表现出它与ReaderWriterLockSlim的性能差距之外，还有一个原因在于.NET
3.5的ReaderWriterLockSlim类会在某些时候读取Environment.ProcesserCount，这在Medium Trust的环境下会引发SecurityException。因此您会发现，在目前的ASP.NET MVC框架中，所有需要读写锁的地方都使用了ReaderWriterLock而不是Slim组件。

试验结果如下：

Read Free
Time Elapsed:   228ms
CPU Cycles:     538,190,052
Gen 0:          0
Gen 1:          0
Gen 2:          0

ReaderWriterLockSlim
Time Elapsed:   1,161ms
CPU Cycles:     2,783,025,072
Gen 0:          0
Gen 1:          0
Gen 2:          0

ReaderWriterLock
Time Elapsed:   2,792ms
CPU Cycles:     6,682,368,396
Gen 0:          0
Gen 1:          0
Gen 2:          0

可见，尽管ReaderWriterLockSlim的性能比ReaderWriterLock要高出许多，但相对于无锁的读取还是有明显差距。这让我感到很不合算，因为这是由缓存容器的使用性质决定的。在一般情况下，这种容器都是“有限次地修改”，而几近“无限次地读取”，尤其到了程序运行后期，所以该使用的对象都已经缓存下来，字典内容更不会产生任何改变——但是，每一次读取还要继续承受ReaderWriterLockSlim的开销，这笔帐相信人人会算。那么，我们又如何能够做到“无锁”地读取呢？既然我们“锁”的目的是因为需要“修改”，那么我们使用“不可变（Immutable）”的容器是否就能有所帮助呢？为此，我向F#借来了Immutable
Map。

F#中的Map类定义在Microsoft.FSharp.Core.dll中，这需要安装F#
SDK for Visual Studio 2008，当然如果您直接安装了VS 2010自然也就有了相应的程序集——不过一些辅助类库（如Microsoft.FSharp.PowerPack），以及源文件（F#是个开源的语言）还是需要去之前的链接里下载一个压缩包。在项目中引用了程序集后，便可以使用Microsoft.FSharp.Collections命名空间下的FSharpMap类型了。我们也为它准备了同样的试验代码：

var map = source.Aggregate(FSharpMap<int, int>.Empty, (m, i) => m.Add(i, i));
CodeTimer.Time("Immutable Map", iteration, () =>
{
foreach (var i in source)
{
var ignore = map[i];
}
});

把它和ReaderWriterLockSlim相比，结果如下：

ReaderWriterLockSlim
Time Elapsed:   1,232ms
CPU Cycles:     2,963,830,380
Gen 0:          0
Gen 1:          0
Gen 2:          0

Immutable Map
Time Elapsed:   2,055ms
CPU Cycles:     4,956,894,996
Gen 0:          0
Gen 1:          0
Gen 2:          0

嗯？为什么使用Immutable Map之后，即便没有锁，性能还是不如ReaderWriterLockSlim的版本呢？阅读代码（fsharp\FSharp.Core\map.fs）之后发现，其原因在于数据结构的选取上。FSharpMap的数据结构是“AVL树”，即自平衡（self-balancing）的二叉搜索树，它的Get操作时间复杂度是O(logN)，N为节点个数——这自然比不过字典的O(1)时间复杂度了。那么，我们能否得到一个Get操作时间复杂度为O(1)的Immutable
Map呢？

我在推特上提出这个问题之后不多久，许式伟大牛谈了他的看法：

我的理解中，FP中线性数据结构如数组，Hash等都会失效，所以没有O(1)的Immutable Map。

我同意这个看法。字典的高性能，在于求得key的Hash之后，可以通过数组下标“瞬间”定位到元素所在的bucket，但是在FP中无法做到这一点。不过幸好，我们用的C#并非是FP，我们有自己的“保底”方案：添加元素时将现有的元素完整复制到新的字典中，最后返回的是新的字典。例如：

public static class DictionaryExtensions
{
public static Dictionary<TKey, TValue> AddImmutably<TKey, TValue>(
this Dictionary<TKey, TValue> source, TKey key, TValue value)
{
var result = source.ToDictionary(p => p.Key, p => p.Value);
result.Add(key, value);
return result;
}
}

这不就是一个“不可变的哈希表”吗？当然，对于真正可应用的缓存容器来说，还需要考虑更多一些东西。我在这里准备了两个缓存容器的基类，可用于此类容器的实现。其中ReadWriteCache类基于ReaderWriterLockSlim，而ReadFreeCache类则基于不可变的字典。那么，这两种做法的性能究竟如何，又分别适合什么样的场景，我们还有没有其他的做法呢？

关于这些问题，就留到下次再讨论吧。

并发环境下的缓存容器性能优化（下）：性能测试

2009-11-16 00:29 by 老赵, 16700 visits

上一篇文章里，我谈到对于某些场景中的缓存容器，其写操作非常少，到了程序后期甚至为零，而对它的读操作却几乎是密集连续且无穷无尽的。对于这样的容器，如果使用ReaderWriterLockSlim去进行保护每个“读”操作，这开销是在有些多余。因此我提出了“不可变”的哈希表，目的是在保持读操作的时间复杂度为O(1)的情况下，尽可能避免多余的开销。现在我们便将它和其他几种时间进行一个性能的对比。
需要强调一点的是，我们这里讨论的仅仅是符合我提出的特定场景的缓存容器，而不是一个“线程安全的字典”。或者说，其实我这里更强调的是“并发环境下”的“读”性能，而不涉及IDictionary<TKey, TValue>的其他操作（如Count），更不会关心如CopyTo、Remove这类功能的性能。
上一篇文章结束时，我给出了两个缓存容器的基类，可用于此类容器的实现。其中ReadWriteCache类基于ReaderWriterLockSlim，而ReadFreeCache类则基于不可变的字典。不过这两种做法不太适合进行性能测试，因此我这里的实验使用了这样的接口：

public interface IConcurrentCache<TKey, TValue>
{
TValue Get(TKey key);
void Set(TKey key, TValue value);
}

我为这个接口提供了几种最基本实现，无论是“读”还是“写”，都是最直接的，并不对任何特殊的情况（如key缺失，key重复）进行处理。例如ImmutableMapCache：

public class ImmutableMapCache<TKey, TValue> : IConcurrentCache<TKey, TValue>
{
private object m_writeLock = new object();
private FSharpMap<TKey, TValue> m_map = FSharpMap<TKey, TValue>.Empty;

public TValue Get(TKey key)
{
return this.m_map[key];
}

public void Set(TKey key, TValue value)
{
lock (this.m_writeLock)
{
this.m_map = this.m_map.Add(key, value);
}
}
}

ImmutableMapCache是基于F#中的Map而实现的读写操作。由于是Immutable的集合，因此对它的读操作不需要任何并发方面的保护——而写操作理论上也是线程安全的，但是我这里还是使用了lock。这是因为如果没有lock的话，在实际并发的场景中容易出现“摇摆”的情况出现。试想，同时有2个线程正在添加元素，它们同时读取了集合的当前状态，但是在写回的时候只后一个线程的操作生效，先写回的线程的修改丢失了。当并发程度高的情况下，“摇摆”会更加严重。因此，无论是ImmutableMapCache，还是基于Immutable
Dictionary的实现，在Set操作中都使用lock进行保护。
测试代码如下：

static void CacheBenchmark<TCache>()
where TCache : IConcurrentCache<int, int>, new()
{
var typeName = typeof(TCache).Name;
var index = typeName.IndexOf('`');
var cacheName = typeName.Substring(0, index);

// warm up
TCache cache = new TCache();
cache.Set(1, 1);
cache.Get(1);

for (int n = 100; n <= 1000; n += 100)
{
cache = new TCache();

CodeTimer.Time(cacheName + " (Set " + n + " elements)", 100, () =>
{
for (var i = 0; i < n; i++)
{
cache.Set(i, i);
}
});

CodeTimer.Time(cacheName + " (Get from " + n + " elements)", 1, () =>
{
var key = 0;
for (int i = 0; i < 1000 * 1000 * 5; i++)
{
cache.Get(key);
key = (key + 1) % n;
}
});
}
}

请注意，这里的测试都是在单线程环境下的。严格来说，这并不表示每种容器在多线程环境下的表现。事实上，即便是多线程环境下，不同实现随并发程度的高低也会有所变化。因此，除了进行实验和观察结果之外，也必须结合实际情况进行思考，而不能简单的“采纳”这次实验的结果。在这里我们总共测试5种不同的实现：

CacheBenchmark<RwLockSlimDictionaryCache<int, int>>();
CacheBenchmark<RwLockDictionaryCache<int, int>>();
CacheBenchmark<ImmutableMapCache<int, int>>();
CacheBenchmark<ImmutableDictionaryCache<int, int>>();
CacheBenchmark<ConcurrentDictionaryCache<int, int>>();

它们分别是：
RwLockSlimDictionary：基于Dictionary，使用ReaderWriterLockSlim进行保护的缓存容器。
RwLockDictionary：基于Dictionary，使用ReaderWriterLock进行保护的缓存容器。
Immutable Map：基于F#中Map实现的缓存容器。
Immutable Dictionary：基于不可变的哈希表实现的缓存容器。
Concurrent Dictionary：基于.NET 4.0中提供的Concurrent Dictionary实现的缓存容器。
运行环境是.NET 4.0 Beta 2，实验进行三次。我们首先关注“写”操作的结果，如下：
取平均值作为最后结果，并绘制成图表：


在这结果里我并没有包含基于Immutable Dictionary的实现，因为它的结果实在太惨，如果一并放入的话，其他实现方式就几乎看不出来了。我们在来看一下我们的测试代码，它是统计向一个空容器内添加n个元素所花的时间（n等于100、200、...、1000）。对于基于字典的实现来说，添加1个元素的时间复杂度是O(1)，因此添加n个元素的时间复杂度是O(n)。而基于Immutable Map的实现，其添加1个元素的时间复杂度是O(log(n))，于是添加n个元素的时间复杂度是O(n
* log(n))。这两种时间复杂度都可以从图表中表现出来——当然，这个表现形式是“趋势”也就是“形状”，同样的时间复杂度的常数还是不一样的。
那么Immutable Dictionary又是什么样的呢？我们为其单独进行一番实验，减小实验粒度，希望可以得到更清晰的结果：

for (int n = 100; n <= 10000; n += 100)
{
CodeTimer.Time(String.Format("add {0} elements", n), 1, () =>
{
var cache = new ImmutableDictionaryCache<int, int>();
for (int i = 0; i < n; i++)
{
cache.Set(i, i);
}
});
}

将其结果绘制成图表：


向Immutable Dictionary中添加1个元素的时间复杂度是O(n)，于是添加n个元素的时间复杂度则是O(n2)，从图表上看，这趋势也是相当明显的。而且，与基于Dictionary的实现方式不同，由于Immutable Dictionary每次都要重新复制元素，它对于GC的压力也是非常可观的，如下：


从图中可以看到一个有趣的结果，那就是GC的频率在n为8000到9000的某一个时刻的收集频率突然开始加快了，莫非这就是传说中GC的自我调节能力吗？不过这并非是本次实验的关键，我们只需要发现说，Immutable Dictionary与Dictionary相比，前者对GC的消耗较大，而后者则几乎没有GC方面的压力。
在写方面，Immutable Dictionary的表现可谓残不忍睹，但如果是“读”的话，一切就都不一样了：
将结果绘制成图表：


与“写”操作的测试方式不同，“读”操作测试的是“从包含n个元素的容器中读取元素”所需要的时间。除了Immutable Map是O(logN)的时间复杂度外，其余4种容器都是基于Get操作时间复杂度为O(1)的哈希表。换句话说，基于Immutable Map的容器会随着元素数量而耗时增加，而其他4种容器，它们“读”操作的耗时和其中有多少元素并没有关系。
从结果上我们可以得出一些有趣的结论。首先，ReaderWriterLockSlim似乎会进行“自我调节”，一开始它的Write Lock开销较大，但是随着实验的进行，它的开销变小了很多。其次，基于Immutable Dictionary的实现自然因为其“Read Free”而表现最好，但是.NET中Concurrent Dictionary的表现也相当出色，可谓遥遥领先于基于ReaderWriterLockSlim的实现。而在“写”操作测试时，它的表现也可圈可点，仅次于RwLockSlimDictionary。我并不清楚Concurrent
Dictionary的实现方式，有人说是Lock Free，也有人说是小粒度的锁。这点可以通过阅读代码来得知，在这里就不多作展开了。
http://blog.zhaojie.me/2009/11/concurrent-cache-performance-improvement-2-benchmark.html