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- 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
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- 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
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
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
572
3.85 K
Ascend Extension for PyTorch
Python
388
459
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
682
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
354
213
昇腾LLM分布式训练框架
Python
120
146
暂无简介
Dart
807
198
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
1.38 K
781