AQS(AbstractQueuedSynchronizer)源码分析:Java并发框架的核心设计
AQS(AbstractQueuedSynchronizer)是Java并发框架的终极核心组件,它为构建锁和同步器提供了完整的基础设施。理解AQS的设计原理,是掌握Java高并发编程的关键所在!🚀
作为Java并发包(java.util.concurrent)的基石,AQS支撑了ReentrantLock、Semaphore、CountDownLatch等众多同步工具的实现。本文将带你深入分析AQS源码,揭示其精妙的设计思想和实现机制。
AQS的核心数据结构解析
AQS内部使用了一个volatile的变量state来作为资源的标识,同时通过CLH队列(Craig-Lamport-Hagersten队列)来管理等待线程。这种设计保证了线程安全性和高效的资源调度。
从图中可以看出AQS的核心组成:
- 资源状态(state):用绿色矩形表示,通过
getState()、setState()、compareAndSetState()三个原子操作方法来管理 - CLH队列:FIFO的双向链表结构,包含head节点和tail节点
- 等待线程:每个节点对应一个等待获取资源的线程
AQS的两种资源共享模式
AQS支持两种不同的资源共享模式,满足不同的并发需求:
独占模式(Exclusive)
资源是独占的,一次只能一个线程获取。ReentrantLock就是典型的独占模式实现,它通过state变量记录锁的重入次数,实现可重入特性。
共享模式(Share)
同时可以被多个线程获取,具体的资源个数可以通过参数指定。Semaphore和CountDownLatch都是共享模式的代表。
AQS获取资源的完整流程
AQS获取资源的流程设计非常精妙,体现了模板方法模式的优雅应用:
步骤1:tryAcquire尝试直接获取
线程首先调用子类实现的tryAcquire(int)方法尝试直接获取资源。如果成功,流程结束;如果失败,进入下一步。
步骤2:addWaiter加入等待队列
如果直接获取失败,线程会通过addWaiter(Node.EXCLUSIVE)方法将自己封装为Node节点,并通过CAS自旋操作安全地插入到队列尾部。
步骤3:acquireQueued自旋等待
新节点加入队列后,进入acquireQueued循环。此时队列头部的节点会尝试唤醒下一个节点,该节点再次调用tryAcquire尝试获取资源。
// AQS获取资源的入口方法
public final void acquire(int arg) {
if (!tryAcquire(arg) &&
acquireQueued(addWaiter(Node.EXCLUSIVE), arg))
selfInterrupt();
}
AQS释放资源的简洁实现
相比于获取资源的复杂流程,AQS释放资源的实现相对简单:
public final boolean release(int arg) {
if (tryRelease(arg)) {
Node h = head;
if (h != null && h.waitStatus != 0)
unparkSuccessor(h);
return true;
}
return false;
}
释放资源时,AQS会唤醒等待队列中的下一个节点,让该节点有机会获取资源。
AQS与Java锁优化的关系
AQS的设计与Java的锁优化机制密切相关:
偏向锁适用于单线程重复获取锁的场景,通过对象头中的线程ID匹配来避免CAS操作的开销。
轻量级锁则适用于线程交替获取锁的场景,通过CAS操作替代重量级锁的阻塞。
为什么AQS如此重要?
-
性能优化:AQS通过CLH队列和CAS操作,避免了传统同步机制的性能瓶颈。
-
扩展性强:通过模板方法模式,子类只需要实现几个关键方法就能构建自定义同步器。
-
可靠性高:经过多年生产环境验证,是Java并发编程的稳定基石。
总结
AQS(AbstractQueuedSynchronizer)作为Java并发框架的核心,其设计体现了高效、可靠、可扩展的工程思想。掌握AQS的原理,不仅能够更好地理解Java并发工具的实现,还能为设计高性能并发系统提供重要参考。
通过本文的源码分析,相信你已经对AQS的核心机制有了深入理解。在实际开发中,合理利用AQS构建的同步工具,能够显著提升程序的并发性能和稳定性。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00



