高併發下的計數效率：深入理解 LongAdder 詳情 - 後端,java,計數,atomic,多線程異常君動態日志

在開發多線程應用時，你是否曾遇到這樣的困擾：隨着併發量增加，系統性能不升反降？特別是在計數器場景下，本應簡單的自增操作卻成了性能瓶頸。這正是許多 Java 開發者共同面臨的痛點。當線程數超過 CPU 核心數或競爭激烈時，AtomicLong 的 CAS 操作不斷失敗重試，CPU 使用率飆升，而業務處理效率卻直線下降。這也是為什麼阿里巴巴在其開發規範中明確推薦使用 LongAdder 來替代傳統方案。

LongAdder 是什麼

LongAdder 是 Java 8 在java.util.concurrent.atomic包中引入的一個新的原子性操作類，專為高併發環境下的計數場景設計。與傳統的 AtomicLong 相比，它採用了更加優化的內部實現，能夠有效減少線程間的競爭，提高併發性能。

graph TD
    A[JUC原子類] --> B[基本類型原子類]
    A --> C[數組原子類]
    A --> D[引用原子類]
    A --> E[累加器]
    E --> F[LongAdder]
    E --> G[DoubleAdder]
    B --> H[AtomicLong]

為什麼需要 LongAdder

在分析 LongAdder 的優勢前，我們先了解傳統方案 AtomicLong 的問題：

AtomicLong 的性能瓶頸

AtomicLong 主要依賴 CAS（Compare-And-Swap）操作保證原子性。當多線程同時更新同一個計數器時，會出現以下問題：

激烈的競爭：所有線程競爭同一個值的更新權
頻繁的失敗和重試：CAS 操作在高併發下失敗率高
CPU 空轉：頻繁 CAS 重試導致 CPU 資源浪費
CAS 競爭熱點：多線程爭搶同一變量更新權，形成系統瓶頸

下面是 AtomicLong 的主要更新方法實現：

public final long incrementAndGet() {
    return unsafe.getAndAddLong(this, valueOffset, 1L) + 1L;
}

這種實現在高併發下會導致大量線程自旋等待，形成"CAS 競爭熱點"問題。

sequenceDiagram
    participant 線程1
    participant 線程2
    participant 線程3
    participant AtomicLong

    線程1->>AtomicLong: 嘗試CAS(期望值:0, 新值:1)
    AtomicLong-->>線程1: 成功(當前值:1)
    線程2->>AtomicLong: 嘗試CAS(期望值:0, 新值:1)
    AtomicLong-->>線程2: 失敗(當前值:1)
    線程2->>AtomicLong: 重試CAS(期望值:1, 新值:2)
    AtomicLong-->>線程2: 成功(當前值:2)
    線程3->>AtomicLong: 嘗試CAS(期望值:0, 新值:1)
    AtomicLong-->>線程3: 失敗(當前值:2)
    線程3->>AtomicLong: 重試CAS(期望值:2, 新值:3)
    AtomicLong-->>線程3: 成功(當前值:3)

LongAdder 的實現原理

LongAdder 採用了"分段累加"的設計思想，巧妙地避開了 AtomicLong 面臨的競爭問題。

核心設計：分段計數

LongAdder 內部維護了一個基礎值 base 和一個 Cell 數組。這裏可以把它想象成一個"分佈式計數器"：

graph LR
    A[LongAdder] --> B[base值]
    A --> C[Cell數組]
    C --> D["Cell[0]"]
    C --> E["Cell[1]"]
    C --> F["Cell[2]"]
    C --> G["Cell[...]"]

    線程1 -.->|無競爭時| B
    線程2 -.->|"線程哈希 & (n-1) = 0"| D
    線程3 -.->|"線程哈希 & (n-1) = 1"| E
    線程4 -.->|"線程哈希 & (n-1) = 2"| F

    style 線程1 fill:#f9f,stroke:#333
    style 線程2 fill:#bbf,stroke:#333
    style 線程3 fill:#bfb,stroke:#333
    style 線程4 fill:#fbb,stroke:#333

線程哈希計算偽代碼：

線程哈希 = ThreadLocalRandom.getProbe();
cellIndex = 線程哈希 & (cells.length - 1);  // 位運算提高效率

工作流程如下：

無競爭時很簡單：所有線程都更新 base 值，性能接近 AtomicLong
出現競爭後動態分流：不同線程被分配到不同的 Cell 格子去更新，互不干擾
結果計算設計簡潔：base 值加上所有 Cell 值的總和

這種設計就像銀行櫃枱：人少時一個窗口就夠了(base)；人多時開放多個窗口(Cells)，每個客户去不同窗口辦理，互不影響，效率大大提高。

內存佔用對比

LongAdder 採用了空間換時間的設計思路，下面是 AtomicLong 與 LongAdder 的內存佔用對比：

graph LR
    subgraph 內存佔用對比
        A[AtomicLong] --> B[value變量: 8字節]
        A --> C[對象頭: 16字節]
        D[LongAdder] --> E[base: 8字節]
        D --> F["cells數組: N×128字節（每個Cell佔1個緩存行）"]
    end

Cell 類與偽共享問題

Cell 類是 LongAdder 內部的核心組件，它使用了@Contended註解避免偽共享問題：

@sun.misc.Contended
static final class Cell {
    volatile long value;
    Cell(long x) { value = x; }
    // CAS更新方法
    final boolean cas(long cmp, long val) {
        return UNSAFE.compareAndSwapLong(this, valueOffset, cmp, val);
    }
}

偽共享(False Sharing)：當多個線程頻繁修改位於同一 CPU 緩存行的不同變量時，即使變量無關，也會因緩存一致性協議導致緩存行頻繁失效，降低性能。@Contended通過填充字節使Cell實例獨佔緩存行，避免此問題。值得注意的是，在 OpenJDK 中，@Contended註解默認僅對 JDK 內部類生效，外部應用需通過-XX:-RestrictContended參數啓用。

這就像在超市購物：如果相鄰的收銀台共用一個出口通道，一個收銀台的顧客在結賬會影響另一個收銀台顧客的通行。@Contended註解相當於給每個收銀台都建立了獨立的出口通道，避免了這種無謂的等待。

動態擴容機制

LongAdder 不會一開始就創建很多 Cell，而是按需增長：

初始狀態節省內存：只有一個 base 值，所有線程都往這裏加數
競爭時才擴容：當發現 base 更新衝突，才初始化 Cell 數組(初始大小為 2)
持續優化分配：線程通過ThreadLocalRandom.getProbe()生成哈希值映射到對應 Cell

當 Cell 更新失敗時，longAccumulate方法會：

重試更新：通過ThreadLocalRandom.advanceProbe()生成新的哈希值，避持續衝突
擴容 cells 數組：若重試多次失敗，且 cells 長度小於2^24，則將數組長度翻倍（2→4→8），擴容上限為2^24，以避免無限制增長
處理極端情況：當擴容後仍衝突，或系統資源緊張時，會通過自旋（Thread.yield()）或短暫休眠減少 CPU 佔用，避免活鎖

需要注意的是，即使在最理想的情況下，當線程數極多時（如接近2^24），或者哈希衝突嚴重時，LongAdder 也可能退化為類似 AtomicLong 的競爭模式，只是概率大大降低。

關鍵代碼解析

LongAdder 的核心方法 add()實現(簡化版)：

public void add(long x) {
    Cell[] as; long b, v; int m; Cell a;
    // 如果Cells數組已初始化 或者 更新base值失敗（説明有競爭）
    if ((as = cells) != null || !casBase(b = base, b + x)) {
        boolean uncontended = true;
        // 如果Cells數組未初始化 或 當前線程的Cell未初始化 或 更新Cell失敗
        if (as == null || (m = as.length - 1) < 0 ||
            (a = as[getProbe() & m]) == null ||
            !(uncontended = a.cas(v = a.value, v + x)))
            longAccumulate(x, null, uncontended);
    }
}

sum()方法獲取最終值：

public long sum() {
    Cell[] as = cells; Cell a;
    long sum = base;
    if (as != null) {
        for (int i = 0; i < as.length; ++i) {
            if ((a = as[i]) != null)
                sum += a.value;
        }
    }
    return sum;
}

sum()方法本身是線程安全的（不需要額外同步），但呈現的是弱一致性結果，它在讀取時不會阻塞寫操作，可能讀到部分更新的中間狀態（如某Cell正在被更新時讀取其舊值）。這與 AtomicLong 的get()方法提供的強一致性形成對比。但當所有寫操作完成後，多次調用sum()結果會一致（最終一致性），這對統計類場景（如 QPS、總量計數）已經足夠。

工作原理圖解

sequenceDiagram
    participant 線程1
    participant 線程2
    participant 線程3
    participant LongAdder

    線程1->>LongAdder: add(1)
    LongAdder-->>LongAdder: 嘗試更新base
    LongAdder-->>線程1: 成功(base=1)

    線程2->>LongAdder: add(1)
    LongAdder-->>LongAdder: 嘗試更新base(失敗，競爭)
    LongAdder-->>LongAdder: 初始化cells數組
    LongAdder-->>LongAdder: 更新Cell[0]=1
    LongAdder-->>線程2: 成功

    線程3->>LongAdder: add(1)
    LongAdder-->>LongAdder: 嘗試更新base(已有cells數組)
    LongAdder-->>LongAdder: 通過線程哈希映射到Cell[1]
    LongAdder-->>LongAdder: 更新Cell[1]=1
    LongAdder-->>線程3: 成功

    Note over LongAdder: 最終結果 = base(1) + Cell[0](1) + Cell[1](1) = 3

性能測試與對比

下面通過一個簡單的性能測試，對比 LongAdder 和 AtomicLong：

import java.util.concurrent.*;
import java.util.concurrent.atomic.*;

public class CounterPerformanceTest {
    private static final int ITERATIONS = 100000;

    public static void main(String[] args) throws Exception {
        // 測試不同線程數下的性能
        for (int threadCount : new int[]{10, 100, 500, 1000, 2000}) {
            System.out.println("測試線程數: " + threadCount);
            testAtomicLong(threadCount);
            testLongAdder(threadCount);
            System.out.println();
        }
    }

    private static void testAtomicLong(int threadCount) throws Exception {
        final AtomicLong counter = new AtomicLong(0);
        long start = System.currentTimeMillis();

        ExecutorService executorService = Executors.newFixedThreadPool(threadCount);
        for (int i = 0; i < threadCount; i++) {
            executorService.submit(() -> {
                for (int j = 0; j < ITERATIONS; j++) {
                    counter.incrementAndGet();
                }
            });
        }

        executorService.shutdown();
        executorService.awaitTermination(1, TimeUnit.HOURS);

        long end = System.currentTimeMillis();
        System.out.println("AtomicLong: " + (end - start) + "ms, Result: " + counter.get());
    }

    private static void testLongAdder(int threadCount) throws Exception {
        final LongAdder counter = new LongAdder();
        long start = System.currentTimeMillis();

        ExecutorService executorService = Executors.newFixedThreadPool(threadCount);
        for (int i = 0; i < threadCount; i++) {
            executorService.submit(() -> {
                for (int j = 0; j < ITERATIONS; j++) {
                    counter.increment();
                }
            });
        }

        executorService.shutdown();
        executorService.awaitTermination(1, TimeUnit.HOURS);

        long end = System.currentTimeMillis();
        System.out.println("LongAdder: " + (end - start) + "ms, Result: " + counter.sum());
    }
}

測試結果

測試環境：Intel i7-10700K（8 核 16 線程），JDK 11.0.12，OpenJDK 64 位，內存 16GB

可以看到幾個有趣的現象：

在低併發（10 線程）時，AtomicLong 甚至略快於 LongAdder，這是因為 LongAdder 有額外的判斷邏輯
隨着線程數的增加，AtomicLong 性能直線下降，而 LongAdder 的性能下降相對平緩
在 2000 線程的場景下，在測試環境中 LongAdder 的性能約為 AtomicLong 的 7 倍

這就像高峯時段的馬路：單車道會越來越堵，而多車道則能保持較高的通行效率。但在車輛稀少時，單車道反而更簡單高效。

性能差異原因分析

減少爭用：LongAdder 通過分散更新不同的 Cell，大大減少了線程間的競爭
降低失敗率：每個線程更可能操作不同的 Cell，CAS 操作成功率更高
提高並行度：多個線程可以並行更新不同的計數單元，而不是串行等待
避免偽共享：Cell 類使用了@Contended 註解，避免了緩存行偽共享問題

實際應用場景

LongAdder 特別適合以下場景：

高併發計數：如系統運行狀態監控、QPS 統計
性能指標收集：統計接口調用次數、成功率等
限流計數器：短時間內的請求量統計
緩存命中率統計：記錄緩存命中和未命中次數

選擇正確的計數器

根據不同場景選擇合適的計數器工具：

// 場景1: 需要原子條件更新的場景 - 使用AtomicLong
AtomicLong sequencer = new AtomicLong(0);
// 生成下一個序列號，同時確保不超過最大值
long nextId = sequencer.updateAndGet(current ->
    current < MAX_SEQUENCE ? current + 1 : current);

// 場景2: 高併發計數統計場景 - 使用LongAdder
LongAdder totalRequests = new LongAdder();
// 多線程併發調用
totalRequests.increment();
// 定時任務彙總打印
scheduler.scheduleAtFixedRate(() -> {
    System.out.println("當前總請求數: " + totalRequests.sum());
}, 0, 5, TimeUnit.SECONDS);

應用示例：接口監控計數器

import java.util.concurrent.ConcurrentHashMap;
import java.util.concurrent.LongAdder;
import java.util.concurrent.Executors;
import java.util.concurrent.ExecutorService;
import java.util.concurrent.TimeUnit;

public class ApiMetricsCounter {
    private final ConcurrentHashMap<String, LongAdder> apiCounters = new ConcurrentHashMap<>();

    public void recordApiCall(String apiName) {
        // 獲取或創建對應API的計數器
        apiCounters.computeIfAbsent(apiName, k -> new LongAdder()).increment();
    }

    public long getApiCount(String apiName) {
        LongAdder counter = apiCounters.get(apiName);
        return counter == null ? 0 : counter.sum();
    }

    public void printAllMetrics() {
        apiCounters.forEach((api, counter) ->
            System.out.println(api + ": " + counter.sum() + " calls"));
    }

    // 使用示例
    public static void main(String[] args) throws Exception {
        ApiMetricsCounter metrics = new ApiMetricsCounter();

        // 模擬多線程調用
        ExecutorService executor = Executors.newFixedThreadPool(100);
        for (int i = 0; i < 1000; i++) {
            final int index = i % 3;
            executor.submit(() -> {
                String api = "api" + index;
                metrics.recordApiCall(api);
            });
        }

        executor.shutdown();
        executor.awaitTermination(10, TimeUnit.SECONDS);

        // 打印結果
        metrics.printAllMetrics();
    }
}

生產環境監控集成

在實際的生產環境中，可以使用 Micrometer 等監控框架來採集 LongAdder 的數據，避免頻繁調用sum()：

// 使用Micrometer監控LongAdder
import io.micrometer.core.instrument.MeterRegistry;
import io.micrometer.core.instrument.FunctionCounter;

public class MetricsService {
    private final LongAdder requestCounter = new LongAdder();

    public MetricsService(MeterRegistry registry) {
        // 註冊LongAdder到Micrometer，自動定期採集數據
        FunctionCounter.builder("api.requests", requestCounter, LongAdder::sum)
            .description("API請求總數")
            .register(registry);
    }

    public void recordRequest() {
        requestCounter.increment();
    }
}

LongAdder 的注意事項

雖然 LongAdder 性能優越，但也有一些使用注意事項：

內存佔用：LongAdder 內部的 Cell 數組會佔用更多內存。AtomicLong 只有一個 value 變量(約 24 字節)，而 LongAdder 的每個 Cell 因為@Contended 註解佔用約 128 字節(一個緩存行大小)。就像高速公路：單車道省地但容易堵，多車道通行效率高但佔地多。
非精確讀取：在高併發更新時調用sum()，結果可能不是實時準確的，因為求和過程中可能有新的更新發生。這就像統計進出商場的人數，你在數的過程中可能有人進出，導致結果有輕微偏差。
哈希衝突：當線程數遠超 Cell 數組大小時，可能多個線程映射到同一個 Cell，造成局部熱點。以下是一個簡單的工具，幫助你檢查 Cell 數組狀態：

// 調試用：查看LongAdder的Cell分佈情況
// 注意：反射調用非公開API，可能導致兼容性問題，僅用於調試分析
private static void checkCellDistribution(LongAdder adder) {
    try {
        // 反射獲取cells字段
        Field cellsField = LongAdder.class.getDeclaredField("cells");
        cellsField.setAccessible(true);
        Object[] cells = (Object[]) cellsField.get(adder);

        if (cells == null) {
            System.out.println("cells數組未初始化，所有線程更新base值");
            return;
        }

        System.out.println("Cell數組大小: " + cells.length);
        for (int i = 0; i < cells.length; i++) {
            if (cells[i] != null) {
                Field valueField = cells[i].getClass().getDeclaredField("value");
                valueField.setAccessible(true);
                long value = (long) valueField.get(cells[i]);
                System.out.println("Cell[" + i + "] 值: " + value);
            } else {
                System.out.println("Cell[" + i + "] 未創建");
            }
        }
    } catch (Exception e) {
        e.printStackTrace();
    }
}

性能優化建議

若通過調試工具發現某Cell競爭激烈（如Cell[0]值遠高於其他Cell），可通過 JVM 參數預設初始cells大小：

-Djava.util.concurrent.atomic.LongAdder.cellSize=32

此參數需謹慎使用，默認初始cellSize為 2，擴容策略與線程競爭程度相關。通常不建議設置超過 CPU 核心數的 2-4 倍，盲目增大可能導致內存浪費，建議僅在確認存在嚴重哈希衝突時調整。

當sum()調用非常頻繁時（如高頻監控），可考慮使用sumThenReset()方法獲取並重置計數器，減少多次累加的開銷：

long total = counter.sumThenReset(); // 獲取當前總數並清零

實際應用建議

基於以上分析，在實際開發中可以遵循以下建議：

在高併發統計場景（寫多讀少）下，優先使用 LongAdder 而非 AtomicLong
對於計數器類場景（如統計、度量），使用 LongAdder 能帶來顯著性能提升
需要精確原子操作（如序列號生成）的場景，仍然使用 AtomicLong
低併發場景下，兩者性能差異不大，可以根據實際需求選擇

總結

特性	AtomicLong	LongAdder
併發性能	較低，高併發下性能下降明顯	優秀，線程數越多優勢越明顯
內存佔用	低（約 24 字節）	較高（base + N 個 Cell，每個 Cell 約 128 字節）
精確性	實時精確（`get()`強一致）	最終一致（`sum()`允許短暫不一致）
適用場景	需要原子條件更新	統計類場景（高併發計數）
實現複雜度	簡單，基於單個變量的 CAS 操作	複雜，涉及 base、Cell 數組、動態擴容、哈希映射等
Java 版本	Java 5+	Java 8+
低並發表現	性能略好（實現簡單）	略有額外開銷（判斷邏輯）

LongAdder 通過巧妙的分段設計，有效解決了高併發下 AtomicLong 的性能瓶頸。這也是阿里巴巴在 Java 開發手冊中推薦使用 LongAdder 的主要原因。

在實際開發中，我們應根據應用場景選擇合適的工具。就像選擇交通工具：短途可以騎自行車(AtomicLong 簡單夠用)，長途擁堵路段就需要高鐵(LongAdder 突破瓶頸)。對於監控、統計類高併發場景，LongAdder 通常是更優選擇；而對於需要精確原子操作的場景，AtomicLong 仍然是必要的。

異常君動態日志

@chen_67f9ccbe6f07b

標簽

後端 (616)

JAVA (556)

數據庫 (310)

MySQL (192)

Linux (168)

算法 (135)

springboot (120)

spring (87)

SQL (72)

性能優化 (53)

設計模式 (50)

多線程 (43)

動態

高併發下的計數效率：深入理解 LongAdder - 動態詳情

LongAdder 是什麼

為什麼需要 LongAdder

AtomicLong 的性能瓶頸

LongAdder 的實現原理

核心設計：分段計數

內存佔用對比

Cell 類與偽共享問題

動態擴容機制

關鍵代碼解析

工作原理圖解

性能測試與對比

測試結果

性能差異原因分析

實際應用場景

選擇正確的計數器

應用示例：接口監控計數器

生產環境監控集成

LongAdder 的注意事項

性能優化建議

實際應用建議

總結

Add a new 評論

異常君 動態日志

@chen_67f9ccbe6f07b

標簽

後端 (616)

JAVA (556)

數據庫 (310)

MySQL (192)

Linux (168)

算法 (135)

springboot (120)

spring (87)

SQL (72)

性能優化 (53)

設計模式 (50)

多線程 (43)

動態

高併發下的計數效率：深入理解 LongAdder - 動態 詳情

LongAdder 是什麼

為什麼需要 LongAdder

AtomicLong 的性能瓶頸

LongAdder 的實現原理

核心設計：分段計數

內存佔用對比

Cell 類與偽共享問題

動態擴容機制

關鍵代碼解析

工作原理圖解

性能測試與對比

測試結果

性能差異原因分析

實際應用場景

選擇正確的計數器

應用示例：接口監控計數器

生產環境監控集成

LongAdder 的注意事項

性能優化建議

實際應用建議

總結

Add a new 評論

異常君動態日志

高併發下的計數效率：深入理解 LongAdder - 動態詳情