理解concurrencpp中的任务调度与阻塞问题
2025-06-30 01:20:46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
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust019
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- 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
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
项目优选
收起
暂无描述
Dockerfile
677
4.32 K
deepin linux kernel
C
28
16
Ascend Extension for PyTorch
Python
518
630
Oohos_react_native
React Native鸿蒙化仓库
C++
335
381
🎉 (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
1.57 K
910
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++
947
888
暂无简介
Dart
923
228
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
399
303
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
634
217
openGauss kernel ~ openGauss is an open source relational database management system
C++
183
260