标签：计数器   全局变量   long   seed   secondary   差距   其他   为什么   描述   

在Java中一提到随机数，很多人就会想到Random类，如果有生成随机数的需求的时候，大多数时候都会选择使用Random来进行随机数生成,虽然其内部使用CAS来实现，但是在多线程并发的情况下的时候它的表现并不是很好。在JDK1.7之后，JDK提供了提供了更好的解决方案，接下来让我们一起学习下到底为什么Random会慢？又是怎么解决的呢？

2.Random

Random这个类是JDK提供的用来生成随机数的一个类，这个类并不是真正的随机，而是伪随机，伪随机的意思是生成的随机数其实是有一定规律的，而这个规律出现的周期随着伪随机算法的优劣而不同，一般来说周期比较长，但是可以预测。通过下面的代码我们可以对Ramdom进行简单的使用:

2.1Ramdom原理

Ramdom中的方法比较多，这里就针对比较常见的nextInt()和nextInt(int bound)方法进行分析，前者会计算出int范围内随机数,后者如果我们传入10，那么他会求出[0,10)之间的int类型的随机数，左闭右开。在具体分析之前我们先看一下Ramdom()的构造方法:

可以看见在构造方法当中根据当前时间的种子生成了一个AtomicLong类型的seed，这也是我们后续的关键所在。

2.1.1 nextInt()

在nextInt()中代码如下:

这个里面直接调用的是next()方法，传入的32，这里的32指的是Int的位数。

这里会根据seed当前的值，通过一定的规则(伪随机)算出下一个seed，然后进行cas，如果cas失败继续循环上面的操作。最后根据我们需要的bit位数来进行返回。

2.1.2 nextInt(int bound)

在nextInt(int bound)中代码如下:

这个流程比nextInt()多了几步，具体步骤如下:

1. 首先获取31位的随机数，注意这里是31位，和上面32位不同，因为在nextInt()方法中可以获取到负数的随机数，而nextInt(int bound)规定只能获取到[0,bound)之前的随机数，也就是必须是正数，而int的第一位是符号位所以只获取了31位。
2. 然后进行取bound操作。
3. 如果bound是2的幂，那么直接将第一步获取的数据乘以bound然后右移31位，解释一下:如果bound是4那么,如果乘以4其实就是左移2位，那么其实就是变成了33位，那么再右移31位的话，就又会变成2位，那么2位的int的大小范围其实就是[0,4)了。
4. 如果不是2的幂，通过取余的操作进行处理。

   2.1.3 并发瓶颈

CAS: 可以看见在next(int bits)方法中，对AtomicLong进行CAS操作，如果失败则会对其进行循环重试。很多人一看见CAS，因为其不需要加锁，所以马上就想到高性能，高并发。但是在这里，他却成为了我们多线程并发性能的瓶颈，可以想象当我们多个线程都进行CAS的时候必定只有一个失败其他的继续会循环做CAS操作，当并发线程越多的时候，其性能肯定越低。

伪共享:有关于伪共享和缓存行的描述可以看我的还在用BlockingQueue？读这篇文章，了解下Disruptor吧，对于AtomicLong中的value并没有处理缓存行

3.ThreadLocalRandom

在JDK1.7之后提供了新的类ThreadLocalRandom用来代替Ramdom。使用方法比较简单:

在current方法中有:

可以看见如果没有初始化会对其进行初始化，而这里我们的seed不再是一个全局变量，在我们的Thread中有三个变量:

• threadLocalRandomSeed：这个是我们用来控制随机数的种子。
• threadLocalRandomProbe：这个是ThreadLocalRandom用来控制初始化。
• threadLocalRandomSecondarySeed：这个是二级种子。

可以看见所有的变量都加了@sun.misc.Contended这个注解，这个是用来处理伪共享的问题。

在nextInt()方法当中代码如下:

我们的关键代码如下:

UNSAFE
.
putLong
(
t 
=

Thread
.
currentThread
(),
 SEED
,
r
=
UNSAFE
.
getLong
(
t
,
 SEED
)

+
 GAMMA
);

可以看见由于我们每个线程各自都维护了种子，这个时候并不需要CAS，直接进行put，在这里利用线程之间隔离，减少了并发冲突，所以ThreadLocalRandom性能很高。

4.性能数据

使用JMH进行基准测试:

@BenchmarkMode
({
Mode
.
AverageTime
})
@OutputTimeUnit
(
TimeUnit
.
NANOSECONDS
)
@Warmup
(
iterations
=
3
,
 time 
=

5
,
 timeUnit 
=

TimeUnit
.
SECONDS
)
@Measurement
(
iterations
=
3
,
time 
=

5
)
@Threads
(
4
)
@Fork
(
1
)
@State
(
Scope
.
Benchmark
)
public

class

Myclass

{

Random
 random 
=

new

Random
();

ThreadLocalRandom
 threadLocalRandom 
=

ThreadLocalRandom
.
current
();

@Benchmark

public

int
 measureRandom
(){

return
 random
.
nextInt
();

}

@Benchmark

public

int
 threadLocalmeasureRandom
(){

return
 threadLocalRandom
.
nextInt
();

}
}

并发线程 Random ThreadLocalRandom
1 12.798 ns/op 4.690 ns/op
4 361.027 ns/op 5.930 ns/op
16 2288.391 ns/op 22.155 ns/op
32 4812.740 ns/op 49.144 ns/op

可以看见ThreadLocalRandom 基本上是完虐Random，并发程度越高差距越大。

最后

相信读完这篇文章以后，未来如果在实际应用中使用随机数你肯定会有新的选择。

最后打个广告，如果你觉得这篇文章对你有文章，可以关注我的技术公众号，最近作者收集了很多最新的学习资料视频以及面试资料，关注之后即可领取，你的关注和转发是对我最大的支持，O(∩_∩)O

往
期
精
彩

                                        如何优雅的使用缓存？
                                        Java并发计数器探秘
                                      你应该知道的缓存进化史
                            为什么开发人员必须要了解数据库锁？

揭秘Java高效随机数生成器

标签：计数器   全局变量   long   seed   secondary   差距   其他   为什么   描述   

原文地址：https://blog.51cto.com/14980978/2544820