深入理解async-book中的任务唤醒机制(Waker)
2025-06-20 13:47:06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
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
660