Rust futures-rs 项目中的异步 WaitGroup 实现探讨
2025-06-06 19:30:43作者:郁楠烈Hubert
在并发编程中,WaitGroup 是一种常见的同步原语,用于协调多个并发任务的完成。传统的 WaitGroup 实现(如 crossbeam 提供的版本)是针对同步上下文设计的,而在异步编程场景下,我们需要一个专门的异步 WaitGroup 实现。
异步 WaitGroup 的设计动机
异步 WaitGroup 的核心需求是在异步环境中实现类似 fork-join 模式的同步机制。典型使用场景包括:
- 服务器启动时等待所有组件初始化完成
- 并行任务执行后等待所有任务完成
- 分布式系统中等待多个节点响应
与同步版本不同,异步 WaitGroup 需要与异步运行时集成,能够被 await,并且高效地唤醒所有等待的任务。
实现方案分析
一个基本的异步 WaitGroup 实现可以基于 Arc 和 AtomicWaker 构建:
#[derive(Clone)]
pub struct WaitGroup {
inner: Arc<Inner>,
}
struct Inner {
waker: AtomicWaker,
}
这种实现的核心思想是:
- 每个 WaitGroup 持有一个 Arc 引用计数
- 克隆 WaitGroup 会增加引用计数
- 当所有克隆被 drop 后,引用计数归零,触发唤醒
关键实现细节
唤醒机制
最初的实现只唤醒最后一个注册的 Waker,这在多等待者场景下会有问题。正确的做法是:
- 使用多个 AtomicWaker 或类似结构存储所有等待者
- 在内部状态变化时唤醒所有注册的等待者
引用计数管理
WaitGroup 使用 Arc 的引用计数来跟踪活跃工作者的数量。通过 Arc::strong_count() 可以查询当前活跃工作者数量,这在调试和监控中很有用。
异步集成
通过实现 IntoFuture 和 Future trait,WaitGroup 可以直接被 await:
impl IntoFuture for WaitGroup {
type Output = ();
type IntoFuture = WaitGroupFuture;
// ...
}
impl Future for WaitGroupFuture {
type Output = ();
// ...
}
使用示例
典型的使用模式如下:
let wg = WaitGroup::new();
// 启动多个异步任务
for _ in 0..10 {
let wg = wg.clone();
runtime.spawn(async move {
// 执行任务...
drop(wg); // 任务完成
});
}
// 等待所有任务完成
wg.await;
实现考量
- 无标准库支持:当前实现不依赖标准库,可以在 no_std 环境中使用
- 线程安全:Arc 保证了跨线程的安全性
- 高效唤醒:精心设计的唤醒机制避免不必要的上下文切换
生态系统定位
目前,异步 WaitGroup 更适合作为一个独立库存在,而非直接进入标准库或 futures-rs,原因包括:
- 使用场景相对特定
- 实现细节可能随异步运行时发展而变化
- 社区尚未形成统一的最佳实践
开发者可以根据具体需求选择现有实现或自行构建,但需要注意正确处理多等待者场景下的唤醒逻辑。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
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
🔥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
62
20
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
384
3.7 K
暂无简介
Dart
633
143
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
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++
650
271
🎉 (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
1.12 K
627
React Native鸿蒙化仓库
JavaScript
243
316
Ascend Extension for PyTorch
Python
194
212