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
jiuwenclawJiuwenClaw 是一款基于openJiuwen开发的智能AI Agent,它能够将大语言模型的强大能力,通过你日常使用的各类通讯应用,直接延伸至你的指尖。Python0220- 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
AtomGit城市坐标计划AtomGit 城市坐标计划开启!让开源有坐标,让城市有星火。致力于与城市合伙人共同构建并长期运营一个健康、活跃的本地开发者生态。01
AntSK基于.Net9 + AntBlazor + SemanticKernel 和KernelMemory 打造的AI知识库/智能体,支持本地离线AI大模型。可以不联网离线运行。支持aspire观测应用数据CSS01
热门内容推荐
最新内容推荐
项目优选
收起
deepin linux kernel
C
27
13
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
626
4.12 K
Ascend Extension for PyTorch
Python
464
554
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++
930
802
🔥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
69
21
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
114
181
暂无简介
Dart
871
207
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
130
189
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
1.43 K
378
昇腾LLM分布式训练框架
Python
136
160