前言

日常开发中，我们时常会听到什么IO密集型、CPU密集型任务...

那么这里提一个问题：大家知道什么样的任务或者代码会被认定为IO/CPU密集？又是用什么样的标准来认定IO/CPU密集？

如果你没有明确的答案，那么就随着这篇文章一起来聊一聊吧。

正文

最近团队里有基础技术的同学对项目中的线程池进行了重新设计，调整了IO线程池等线程池的优化。因此借助这个机会也就了解了一波开篇的那些问题。

一、宏观概念区分

这一部分经验丰富的同学都很熟悉。比如：

1.1、IO密集型任务

一般来说：文件读写、DB读写、网络请求等

1.2、CPU密集型任务

一般来说：计算型代码、Bitmap转换、Gson转换等

二、用代码区分

上一part都是咱们凭借经验划分的，这一part咱们就来用正经的指标来划分任务。

先看有哪些数据指标可以用来进行评估（以下方法以系统日志为准，加之开发经验为辅）：

1. wallTime

任务的整体运行时长（包括了running + runnable + sleep等所有时长）。获取方案：

run() {    
  long start = System.currentTimeMillis();    
  // 业务代码    
  long wallTime = System.currentTimeMillis() - start;
}

2. cpuTime

cputime是任务真正在cpu上跑的时长，即为running时长

获取方案1：

run() {    
  long start = SystemClock.currentThreadTimeMillis();    
  // 业务代码    
  long cpuTime = SystemClock.currentThreadTimeMillis() - start;
}

获取方案2：

/proc/pid/task/tid/schedse.sum_exec_runtime CPU上的运行时长

3. iowait time/count

指线程的iowait耗时。获取方案：

/proc/pid/task/tid/sched

se.statistics.iowait_sum IO等待累计时间
se.statistics.iowait_count IO等待累计次数

具体日志位置同上

4. runnable time

线程runnabel被调度的时长。获取方案：

/proc/pid/task/tid/sched

se.statistics.wait_sum 就绪队列等待累计时间

具体日志位置同上

5. sleep time

线程阻塞时长（包括Interruptible-sleep和Uninterruptible-sleep和iowait的时长）。获取方案：

/proc/pid/task/tid/sched

se.statistics.sum_sleep_runtime 阻塞累计时间

具体日志位置同上

6. utime/stime

utime是线程在用户态运行时长，stime是线程在内核态运行时长。获取方案：

/proc/pid/task/tid/stat

第14个字段是utime，第15个字段是stime

7. rchar/wchar

wchar是write和pwrite函数写入的byte数。获取方案：

/proc/pid/task/tid/io

rchar: ...wchar: ...

（没找到合适的日志，暂不讨论此情况）基于读写char数，我们可以将IO细分成读IO密集型和写IO密集型。

8. page_fault

缺页中断次数，分为major/minor fault。获取方案：

/proc/pid/task/tid/stat

第10个字段是minor_fault，第12个字段是major_fault

9. ctx_switches

线程在用户/内核态的切换次数，分为voluntary和involuntary两种切换。获取方案：

/proc/pid/task/tid/sched

nr_switches 总共切换次数
nr_voluntary_switches 自愿切换次数
nr_involuntary_switches 非自愿切换次数

日志位置同上

10. percpuload

平均每个cpu的执行时长。获取方案：

/proc/pid/task/tid/sched

avg_per_cpu

日志位置同上

有了上述这些指标，我们就可以开始我们的任务确定了。

以下内容，大家可以自行测试加深印象。

2.1、IO密集型任务

比如这段代码：

val br = BufferedReader(FileReader("xxxx"), 1024)
try {    
  while (br.readLine() != null) {
  }
} finally {    
  if (br != null) {        
    br.close()    
  }
}

基于上述部分3. iowait time/count，我们可以在对应的日志文件中看出这段代码有明显的iowait。

2.2、CPU密集型任务

比如这段代码：

var n = 0.0
for (i in 0..9999999) {    
  n = Math.cos(i.toDouble()
              )}

基于上述部分6. utime/stime的内容，看一看出这段代码utime会占比非常高，且几乎没有stime，此外没有io相关的耗时。

三、这玩意有啥用？

说白了，我们一切的优化手段都是为了服务于业务。对于业务开发来说：

为了不占用主线程 -> 所以启一个新线程 -> 频繁的new线程又会带来大量的开销 -> 所以使用线程池进行复用 -> 而不合理的线程池设计又会带来线程使用低效，甚至新加入的任务只能等待 -> 优化线程池

举个最简单的例子：线程池中放了最大允许俩个线程并行，那么假设运行中的俩个都是长IO的任务。那么新来的任务就只能等，哪怕它并不是特别耗时...

因此这玩意有啥用，还不是为更好的线程池设计做指导思想，更好的提升线程运行效率，降低业务上不必要的等待。

这里提供一些可供参考的工具方法和线程池设计：

3.1、判断任务类型

这里贴一些核心的思路，毕竟全部方案数据公司的代码，我也不方便全部贴出来：

class TaskInfo {    
  var cpuTimeStamp = 0.0    
 var timeStamp = 0.0    var iowaitTime = 0.0    var sleepTime = 0.0    var runnableTime = 0.0    var totalSwitches = 0.0    var voluntarySwitches = 0.0}

object TaskInfoUtils {    
  private const val SUM_SLEEP_RUNTIME = "se.statistics.sum_sleep_runtime"    
  private const val WAIT_SUM = "se.statistics.wait_sum"    
  private const val IOWAIT_SUM = "se.statistics.iowait_sum"    
  private const val NR_SWITCHES = "nr_switches "    
  private const val NR_VOLUNTARY_SWITCHES = "nr_voluntary_switches"    
  private var schedPath = ThreadLocal<String>()    
  
  fun buildCurTaskInfo(): TaskInfo {        
    val threadInfo = TaskInfo()        
    threadInfo.timeStamp = System.currentTimeMillis().toDouble()        
    threadInfo.cpuTimeStamp = SystemClock.currentThreadTimeMillis().toDouble()        
    if (schedPath.get() == null) {            
      schedPath.set("/proc/${android.os.Process.myPid()}/task/${getTid()}/sched")        
    }        
    BufferedReader(FileReader(schedPath.get()), 
                   READ_BUFFER_SIZE).use { br ->            br.readLines().forEach { line ->                when {                    line.startsWith(SUM_SLEEP_RUNTIME) -> threadInfo.sleepTime = line.split(":")[1].toDouble()                    line.startsWith(WAIT_SUM) -> threadInfo.runnableTime = line.split(":")[1].toDouble()                    line.startsWith(IOWAIT_SUM) -> threadInfo.iowaitTime = line.split(":")[1].toDouble()                    line.startsWith(NR_SWITCHES) -> threadInfo.totalSwitches = line.split(":")[1].toDouble()                    line.startsWith(NR_VOLUNTARY_SWITCHES) -> threadInfo.voluntarySwitches = line.split(":")[1].toDouble()                }            }        }        return threadInfo    }}

object TaskBoundJudge {
    private const val CPU_CPUTIME_INTERVAL = 0.8
    private const val CPU_SWITCHES_INTERVAL = 0.1
    private const val CPU_IOWAIT_INTERVAL = 0.01
    private const val CPU_SLEEP_INTERVAL = 0.02
    private const val CPU_CPUTIME_WEIGHTS = 0.1
    private const val CPU_SWITCHES_WEIGHTS = 0.35
    private const val CPU_IOWAIT_WEIGHTS = 0.15
    private const val CPU_SLEEP_WEIGHTS = 0.40

    private const val IO_CPUTIME_INTERVAL = 0.5
    private const val IO_SWITCHES_INTERVAL = 0.4
    private const val IO_IOWAIT_INTERVAL = 0.1
    private const val IO_SLEEP_INTERVAL = 0.15
    private const val IO_CPUTIME_WEIGHTS = 0.1
    private const val IO_SWITCHES_WEIGHTS = 0.35
    private const val IO_IOWAIT_WEIGHTS = 0.35
    private const val IO_SLEEP_WEIGHTS = 0.2

    fun isCpuTask(start: TaskInfo?, end: TaskInfo?): Boolean {
        if (start == null || end == null) {
            return false
        }
        val wallTime  = end.timeStamp - start.timeStamp
        val cpuTime = end.cpuTimeStamp - start.cpuTimeStamp
        val runnableTime = end.runnableTime - start.runnableTime
        val totalSwitches = end.totalSwitches - start.totalSwitches
        val voluntarySwitches = end.voluntarySwitches - start.voluntarySwitches
        val iowaitTime = end.iowaitTime - start.iowaitTime
        val sleepTime = end.sleepTime - start.sleepTime
        var result = 0.0
        if (cpuTime / (wallTime - runnableTime) > CPU_CPUTIME_INTERVAL) {
            result += CPU_CPUTIME_WEIGHTS
        }
        if (voluntarySwitches / totalSwitches < CPU_SWITCHES_INTERVAL) {
            result += CPU_SWITCHES_WEIGHTS
        }
        if (iowaitTime / sleepTime < CPU_IOWAIT_INTERVAL) {
            result += CPU_IOWAIT_WEIGHTS
        }
        if (sleepTime / (wallTime - runnableTime) < CPU_SLEEP_INTERVAL) {
            result += CPU_SLEEP_WEIGHTS
        }
        return result > 0.5
    }

    fun isIOTask(start: TaskInfo?, end: TaskInfo?): Boolean {
        if (start == null || end == null) {
            return false
        }
        val wallTime = end.timeStamp - start.timeStamp
        val cpuTime = end.cpuTimeStamp - start.cpuTimeStamp
        val runnableTime = end.runnableTime - start.runnableTime
        val totalSwitches = end.totalSwitches - start.totalSwitches
        val voluntarySwitches = end.voluntarySwitches - start.voluntarySwitches
        val iowaitTime = end.iowaitTime - start.iowaitTime
        val sleepTime = end.sleepTime - start.sleepTime

        var result = 0.0
        if (cpuTime / (wallTime - runnableTime) < IO_CPUTIME_INTERVAL) {
            result += IO_CPUTIME_WEIGHTS
        }
        if (voluntarySwitches / totalSwitches > IO_SWITCHES_INTERVAL) {
            result += IO_SWITCHES_WEIGHTS
        }
        if (iowaitTime / sleepTime > IO_IOWAIT_INTERVAL) {
            result += IO_IOWAIT_WEIGHTS
        }
        if (sleepTime / (wallTime - runnableTime) > IO_SLEEP_INTERVAL) {
            result += IO_SLEEP_WEIGHTS
        }
        return result > 0.5
    }
}

当我们想对某个方法进行计算是CPU还是IO。可以在这个方法的开始、结束调用 TaskInfoUtils.buildCurTaskInfo()；然后调用 TaskBoundJudge.isCpuTask(start,end)， TaskBoundJudge.isIOTask(start,end)即可。

3.2、线程池

IO密集型参考线程池：

public static final ExecutorService IO_EXECUTOR = new ThreadPoolExecutor(
    2, 
    128, 
    15, 
    TimeUnit.SECONDS, 
    new SynchronousQueue<>(), 
    new CustomThreadFactory("MDove-IO", CustomThreadPriority.NORMAL),
    AbortPolicy() // 根据业务情况，自行定义拒绝实现。比如上报监控平台
);

CPU密集型参考线程池：

public static final int CPU_COUNT = Runtime.getRuntime().availableProcessors();
public static final int MAXIMUM_POOL_SIZE = CPU_COUNT * 2 + 1;
private static final int CPU_CORE_POOL_SIZE = Math.max(Math.min(MAXIMUM_POOL_SIZE, 4), Math.min(CPU_COUNT + 1, 9));

public static final ExecutorService CPU_EXECUTOR = new ThreadPoolExecutor(
    CPU_CORE_POOL_SIZE,
    CPU_COUNT * 2 + 1,
    30, 
    TimeUnit.SECONDS,
    new LinkedBlockingQueue<>(256),
    new SSThreadFactory("MDove-CPU", CustomThreadPriority.NORMAL),
    AbortPolicy() // 根据业务情况，自行定义拒绝实现。比如上报监控平台
);

上述线程池中设计的额外代码：

class CustomThreadFactory : ThreadFactory {
    var name: String
        private set
    private var priority = CustomThreadPriority.NORMAL

    constructor(name: String, priority: CustomThreadPriority) {
        this.name = name
        this.priority = priority
    }

    override fun newThread(r: Runnable): Thread {
        val name = name + "-" + sCount.incrementAndGet()
        return object : Thread(r, name) {
            override fun run() {
                if (priority == CustomThreadPriority.LOW) {
                    Process.setThreadPriority(Process.THREAD_PRIORITY_BACKGROUND)
                } else if (priority == CustomThreadPriority.HIGH) {
                    Process.setThreadPriority(Process.THREAD_PRIORITY_DISPLAY)
                }
                super.run()
            }
        }
    }

    companion object {
        private val sCount = AtomicInteger(0)
    }
}

enum class CustomThreadPriority {
    LOW, NORMAL, HIGH, IMMEDIATE
}

尾声

OK，这篇文章到这里就结束了。希望这篇文章能给大家在线程的使用和线程池的设计上带来帮助。

最后，让我们一起加油吧，“打工人”！