深入理解async-book中的任务唤醒机制(Waker)
2025-06-20 17:30:53作者:伍霜盼Ellen
前言
在异步编程中,任务(task)的执行往往不是一蹴而就的。当任务无法立即完成时,如何高效地通知执行器(executor)再次调度这个任务就变得至关重要。本文将深入探讨async-book项目中关于任务唤醒机制(Waker)的实现原理,并通过构建一个定时器未来(timer future)的实例来展示其应用。
Waker的基本概念
Waker是Rust异步编程中的核心组件之一,它充当了任务与执行器之间的桥梁。当未来(future)被轮询(poll)时,如果它无法立即完成,就会获得一个Waker对象。这个Waker对象允许未来在准备好继续执行时通知执行器。
Waker的关键特性包括:
wake()方法:用于通知执行器关联的任务已准备好继续执行clone()实现:允许Waker被复制和存储- 轻量级:设计上非常高效,不会成为性能瓶颈
定时器未来的实现
让我们通过构建一个定时器未来来理解Waker的实际应用。这个定时器将在指定时间后完成,期间会利用Waker机制来通知执行器。
数据结构设计
首先定义我们的定时器未来类型:
pub struct TimerFuture {
shared_state: Arc<Mutex<SharedState>>,
}
struct SharedState {
completed: bool,
waker: Option<Waker>,
}
这里使用了Arc<Mutex<..>>来实现线程间的安全共享:
completed标志表示定时器是否已完成waker存储了用于唤醒任务的Waker
Future实现
定时器未来的核心是实现Futuretrait:
impl Future for TimerFuture {
type Output = ();
fn poll(self: Pin<&mut Self>, cx: &mut Context<'_>) -> Poll<Self::Output> {
let mut shared_state = self.shared_state.lock().unwrap();
if shared_state.completed {
Poll::Ready(())
} else {
shared_state.waker = Some(cx.waker().clone());
Poll::Pending
}
}
}
实现要点:
- 每次轮询时检查
completed状态 - 如果未完成,更新Waker并返回
Pending - 如果已完成,返回
Ready
定时器构造
创建定时器的API会启动一个新线程来实际执行等待:
impl TimerFuture {
pub fn new(duration: Duration) -> Self {
let shared_state = Arc::new(Mutex::new(SharedState {
completed: false,
waker: None,
}));
let thread_shared_state = shared_state.clone();
thread::spawn(move || {
thread::sleep(duration);
let mut shared_state = thread_shared_state.lock().unwrap();
shared_state.completed = true;
if let Some(waker) = shared_state.waker.take() {
waker.wake();
}
});
TimerFuture { shared_state }
}
}
关键步骤:
- 创建共享状态
- 启动后台线程执行实际等待
- 等待完成后设置状态并唤醒任务
Waker的最佳实践
在实际使用Waker时,有几个重要原则需要遵循:
- 及时更新Waker:每次轮询时都应更新Waker,因为任务可能已经移动到不同的执行上下文
- 避免过度唤醒:只在真正需要时才调用
wake(),减少不必要的调度开销 - 正确处理Waker生命周期:确保Waker在不再需要时被正确清理
总结
通过async-book中的定时器未来示例,我们深入理解了Waker在异步编程中的关键作用。Waker机制使得Rust的异步编程模型既高效又灵活,能够在不阻塞线程的情况下实现高效的协作式多任务。
掌握Waker的工作原理对于编写高性能的异步代码至关重要,它允许我们精确控制任务的调度时机,从而构建出响应迅速且资源利用率高的异步应用。
登录后查看全文
热门项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
570
3.84 K
Ascend Extension for PyTorch
Python
381
456
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++
894
679
暂无简介
Dart
803
198
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
353
209
昇腾LLM分布式训练框架
Python
119
146
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
🔥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
68
20
🎉 (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
1.37 K
781