深入理解async-book中的Future执行器实现
2025-06-20 15:14:53作者:齐冠琰
前言
在异步编程中,Future是Rust异步生态的核心抽象。然而,Future本身是惰性的,需要被主动驱动才能执行。本文将深入探讨如何构建一个高效的Future执行器(Executor),这是理解Rust异步运行时机制的关键。
Future执行器基础概念
为什么需要执行器
Rust的Future具有惰性求值特性,这意味着:
- 创建Future并不会立即执行
- Future需要被主动轮询(poll)才能推进状态
- 顶层Future需要执行器来驱动
执行器核心职责
一个基本的执行器需要完成以下工作:
- 管理一组待执行的Future任务
- 在适当时候调用poll方法推进Future执行
- 处理wake通知,调度就绪的任务
构建简易执行器
项目结构与依赖
首先需要添加futures crate依赖,它提供了构建Waker所需的工具:
[dependencies]
futures = "0.3"
核心数据结构
执行器主要由两部分组成:
- Executor:负责从任务通道接收并执行任务
- Spawner:提供生成新任务的接口
struct Executor {
ready_queue: Receiver<Arc<Task>>,
}
struct Spawner {
task_sender: SyncSender<Arc<Task>>,
}
struct Task {
future: Mutex<Option<BoxFuture<'static, ()>>>,
task_sender: SyncSender<Arc<Task>>,
}
任务调度原理
- 每个Task包含一个待执行的Future和一个发送器
- 当Future需要被唤醒时,通过发送器将自己重新加入队列
- 执行器不断从队列取出任务并执行
Waker的实现关键
Waker是连接Future和Executor的桥梁:
impl ArcWake for Task {
fn wake_by_ref(arc_self: &Arc<Self>) {
arc_self.task_sender.send(arc_self.clone()).expect("任务队列已满");
}
}
当Future内部调用wake()时,会触发将任务重新加入队列的操作。
执行器工作流程
任务生成
通过Spawner创建新任务:
fn spawn(&self, future: impl Future<Output = ()> + 'static + Send) {
let future = future.boxed();
let task = Arc::new(Task {
future: Mutex::new(Some(future)),
task_sender: self.task_sender.clone(),
});
self.task_sender.send(task).expect("任务队列已满");
}
执行主循环
Executor的核心运行逻辑:
fn run(&self) {
while let Ok(task) = self.ready_queue.recv() {
let mut future_slot = task.future.lock().unwrap();
if let Some(mut future) = future_slot.take() {
let waker = waker_ref(&task);
let context = &mut Context::from_waker(&waker);
if future.as_mut().poll(context).is_pending() {
*future_slot = Some(future);
}
}
}
}
实际应用示例
我们可以使用这个执行器来运行自定义Future:
fn main() {
let (executor, spawner) = new_executor();
// 生成一个定时器Future
spawner.spawn(async {
println!("开始定时器!");
TimerFuture::new(Duration::new(2, 0)).await;
println!("定时器结束!");
});
// 生成一个简单任务
spawner.spawn(async {
println!("你好来自Future!");
task::yield_now().await;
println!("任务完成!");
});
executor.run();
}
执行器设计要点
- 任务调度:使用通道实现简单的任务队列
- 唤醒机制:通过ArcWake实现高效的任务唤醒
- 线程安全:确保Send和Sync约束满足多线程要求
- 资源管理:合理使用Arc进行引用计数
进阶思考
这个基础执行器可以进一步扩展:
- 添加多线程支持
- 实现工作窃取调度
- 增加任务优先级
- 集成IO事件驱动
总结
通过实现一个简易的Future执行器,我们深入理解了Rust异步运行时的核心机制。执行器负责调度和驱动Future执行,而Waker机制则实现了高效的唤醒通知。这种设计使得Rust能够构建高性能的异步运行时系统。
理解这些底层机制对于编写高效的异步代码和调试复杂的异步问题都有很大帮助。希望本文能够帮助你更好地掌握Rust异步编程的核心概念。
登录后查看全文
热门项目推荐
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00
最新内容推荐
Tflite模型资源下载:轻松获取高效Tflite模型,助力AI开发 云知声离线TTS使用Demo:离线文本转语音,让应用更具人性 16路并行输入4096点FFT:FPGA源代码助力高速信号处理 华为HS8546V固件工具包全网通光猫升级利器:全网通光猫升级利器 高等电磁理论教材资源:为研究生打造的理论与实践结合教程 字模提取V2.2资源文件介绍:LED显示字模提取工具,助力高效开发 系统辨识及其MATLAB仿真书籍资源介绍 flex-2.5.37.tar.gz资源文件介绍:flex工具,编译器构建利器 COMTOKEY-串口输入模拟键盘输入工具 成都市矢量图shp格式-高清资源:地图制作与城市规划的理想选择
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
522
3.71 K
Ascend Extension for PyTorch
Python
327
384
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++
875
576
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
334
161
暂无简介
Dart
762
184
🎉 (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
1.32 K
744
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
12
1
React Native鸿蒙化仓库
JavaScript
302
349
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
112
134