Rust Book Summary 项目解析:无畏并发编程指南
2025-06-24 16:43:27作者:裘晴惠Vivianne
本文基于 Rust Book Summary 项目中的第16章内容,深入讲解 Rust 语言中并发编程的核心概念和实践方法。Rust 以其"无畏并发"的特性著称,通过所有权系统和类型系统在编译期就能防止数据竞争等问题。
并发编程的挑战
在深入 Rust 并发特性前,我们需要理解并发编程面临的典型问题:
- 竞态条件:线程以不一致的顺序访问数据或资源
- 死锁:两个线程互相等待对方释放资源,导致程序停滞
这些问题在多线程环境中尤为常见,而 Rust 的设计目标就是在编译期就避免这些问题的发生。
Rust 的线程模型
Rust 标准库提供了两种线程模型选择:
-
1:1 模型(原生线程模型):
- 每个语言线程对应一个操作系统线程
- 标准库默认实现
- 优点:更接近操作系统原生行为,性能可预测
-
M:N 模型(绿色线程):
- M 个语言线程运行在 N 个操作系统线程上
- 需要通过第三方库实现(如 tokio)
- 优点:更轻量级,适合高并发场景
线程基础操作
Rust 提供了简洁的线程操作原语:
创建线程
use std::thread;
let handle = thread::spawn(|| {
// 线程执行的代码
});
等待线程完成
handle.join().unwrap();
线程所有权转移
使用 move 关键字将变量所有权转移到线程中:
let v = vec![1, 2, 3];
let handle = thread::spawn(move || {
println!("Vector: {:?}", v); // v 的所有权已转移
});
// 这里不能再使用 v
handle.join().unwrap();
如果不使用 move,编译器会阻止可能导致悬垂引用的代码,这是 Rust 安全并发的重要保障。
线程间通信:消息传递
Rust 采用"不要通过共享内存来通信,而要通过通信来共享内存"的理念,提供了通道(channel)机制:
use std::sync::mpsc; // 多生产者单消费者
let (tx, rx) = mpsc::channel();
thread::spawn(move || {
tx.send("消息".to_string()).unwrap();
});
let received = rx.recv().unwrap();
println!("收到: {}", received);
通道的特性:
- 多生产者,单消费者(mpsc)
- 发送端(tx)和接收端(rx)
- 当任一端被丢弃时,通道自动关闭
- 发送操作会转移所有权,确保线程安全
共享状态并发
虽然消息传递是首选,但 Rust 也支持通过互斥锁(Mutex)共享内存:
use std::sync::{Mutex, Arc};
let counter = Arc::new(Mutex::new(0));
let mut handles = vec![];
for _ in 0..10 {
let counter = Arc::clone(&counter);
let handle = thread::spawn(move || {
let mut num = counter.lock().unwrap();
*num += 1;
});
handles.push(handle);
}
for handle in handles {
handle.join().unwrap();
}
println!("结果: {}", *counter.lock().unwrap()); // 输出 10
关键点:
Arc<T>:原子引用计数,线程安全的智能指针Mutex<T>:提供内部可变性,保证线程安全访问- 必须显式获取和释放锁
- Rust 的类型系统确保你不会忘记加锁
Sync 和 Send 特质
Rust 通过两个标记特质(marker trait)来保证并发安全:
-
Send:
- 表示类型的所有权可以在线程间安全转移
- 大多数 Rust 类型都是 Send
- 例外:如 Rc 不是 Send
-
Sync:
- 表示类型的引用可以安全地在多个线程间共享
- 类型 T 是 Sync 当且仅当 &T 是 Send
- 例如:Mutex 是 Sync
这些特质由编译器自动推导,也可以手动实现(需确保线程安全)。
总结
Rust 的并发模型提供了:
- 安全性:编译时检查避免了数据竞争
- 灵活性:支持消息传递和共享内存两种模式
- 高效性:零成本抽象,性能接近底层实现
通过本章学习,开发者可以掌握 Rust 中安全高效的并发编程方法,充分利用多核处理器的计算能力,而不用担心常见的并发陷阱。
登录后查看全文
热门项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.19 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
680
160
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
Ascend Extension for PyTorch
Python
229
259
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
661