理解concurrencpp中的任务调度与阻塞问题
2025-06-30 22:46:26作者:姚月梅Lane
并发编程中的任务阻塞陷阱
在使用concurrencpp进行并发编程时,开发者可能会遇到一个看似奇怪的现象:当在任务内部阻塞等待其他任务完成时,某些子任务可能无法按预期执行。这种现象实际上揭示了并发编程中一个重要的设计原则。
问题现象分析
考虑以下代码示例:
int main() {
concurrencpp::runtime runtime;
auto tpe = runtime.thread_pool_executor();
auto result = tpe->submit([tpe]() {
std::cout << "Main Task" << '\n' << std::flush;
auto result1 = tpe->submit([]() { std::cout << "Task1" << '\n' << std::flush; });
auto result2 = tpe->submit([]() { std::cout << "Task2" << '\n' << std::flush; });
auto result3 = tpe->submit([]() { std::cout << "Task3" << '\n' << std::flush; });
result1.get();
result2.get();
result3.get();
});
result.get();
}
这段代码的输出可能只显示"Main Task"、"Task2"和"Task3",而"Task1"似乎被阻塞了。这种现象并非库的bug,而是由于不正确的阻塞操作导致的。
根本原因解析
问题的核心在于线程池中的阻塞操作。当我们在线程池任务中使用get()方法等待其他任务完成时,实际上是在阻塞当前工作线程。这会导致以下问题:
- 线程池中的工作线程被占用,无法执行其他任务
- 如果所有工作线程都被阻塞,可能导致死锁
- 违背了异步编程的非阻塞原则
正确的解决方案
concurrencpp推荐使用协程和co_await来避免阻塞操作。以下是改进后的正确实现:
concurrencpp::result<void> function(concurrencpp::executor_tag,
std::shared_ptr<concurrencpp::thread_pool_executor> tpe) {
std::cout << "Main Task" << '\n' << std::flush;
auto result1 = tpe->submit([]() { std::cout << "Task1" << '\n' << std::flush; });
auto result2 = tpe->submit([]() { std::cout << "Task2" << '\n' << std::flush; });
auto result3 = tpe->submit([]() { std::cout << "Task3" << '\n' << std::flush; });
co_await result1;
co_await result2;
co_await result3;
}
int main() {
concurrencpp::runtime runtime;
auto tpe = runtime.thread_pool_executor();
auto result = function({}, tpe);
result.get();
}
这个改进版本有以下优点:
- 使用协程而非阻塞调用
- 通过
executor_tag避免嵌套的result<result<void>>类型 - 使用
co_await而非get()来等待任务完成 - 保持了线程池工作线程的非阻塞特性
并发编程最佳实践
- 避免在非根任务中阻塞:阻塞操作只应在根级任务或特定允许的上下文中使用
- 优先使用协程:
co_await是处理异步操作的推荐方式 - 理解执行器类型:不同的执行器对阻塞操作有不同的容忍度
- 保持任务非阻塞:这是实现高效并发的基础
通过遵循这些原则,开发者可以充分利用concurrencpp提供的并发能力,构建高效可靠的异步应用程序。
登录后查看全文
热门项目推荐
相关项目推荐
kernelopenEuler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。C037
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
agent-studioopenJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力TSX0115
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
26
10
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
433
3.29 K
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
352
Ascend Extension for PyTorch
Python
237
271
暂无简介
Dart
690
162
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
仓颉编程语言运行时与标准库。
Cangjie
143
881
React Native鸿蒙化仓库
JavaScript
266
327
openJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力
TSX
211
115
仓颉编译器源码及 cjdb 调试工具。
C++
138
869