C++原子操作实现 多线程同步基础

原子操作的本质是不可分割性,它保证对共享变量的操作不会被中断,从而避免数据竞争。C++通过std::atomic提供原子类型,支持load、store、exchange、compare_exchange_weak/strong及fetch_add等操作,适用于计数、无锁算法等场景。内存顺序如memory_order_relaxed、acquire、release和seq_cst控制操作的可见性和顺序,需根据同步需求权衡性能与正确性。原子操作性能通常优于互斥锁,但复杂操作或低并发场景下应避免使用。

原子操作是C++多线程编程中实现同步的基础工具,它允许我们在没有锁的情况下安全地修改共享变量。理解和正确使用原子操作对于构建高效、无死锁的多线程应用至关重要。

使用C++原子操作实现多线程同步。

原子操作的本质是什么?为什么它能实现线程安全?

原子操作的本质是不可分割性。一个原子操作在执行过程中不会被其他线程中断。这种特性保证了对共享变量的修改要么完全完成,要么完全不发生,避免了数据竞争和不一致性。C++11引入了


头文件,提供了

std::atomic

模板类,允许我们对基本数据类型(如

int

bool

、指针等)进行原子操作。

例如,考虑一个简单的计数器:

#include 
#include 
#include 

std::atomic counter(0);

void increment_counter() {
  for (int i = 0; i < 10000; ++i) {
    counter++; // 原子递增操作
  }
}

int main() {
  std::thread t1(increment_counter);
  std::thread t2(increment_counter);

  t1.join();
  t2.join();

  std::cout << "Counter value: " << counter << std::endl; // 预期输出:20000
  return 0;
}

在这个例子中,

counter++

实际上是一个原子操作,它等价于

counter.fetch_add(1)

。如果没有原子操作,我们可能需要使用互斥锁来保护计数器,这会带来额外的性能开销。

原子操作有哪些常见的操作类型?它们分别适用于什么场景?

std::atomic

提供了多种原子操作,常见的包括:

  • load()

    : 原子地读取变量的值。

  • store()

    : 原子地存储一个新值到变量。

  • exchange()

    : 原子地用一个新值替换变量的旧值,并返回旧值。

  • compare_exchange_weak()

    compare_exchange_strong()

    : 原子地比较变量的当前值和一个期望值,如果相等,则用一个新值替换变量。否则,将期望值更新为变量的当前值。这两种变体的区别在于,

    weak

    版本可能在变量值没有改变的情况下也失败(所谓的“伪失败”),而

    strong

    版本保证只有在变量值确实改变时才会失败。

  • fetch_add()

    ,

    fetch_sub()

    ,

    fetch_and()

    ,

    fetch_or()

    ,

    fetch_xor()

    : 原子地进行加、减、与、或、异或操作,并返回操作前的值。

选择哪种操作取决于具体的应用场景。例如,

load()

store()

适用于简单的读写操作,

exchange()

适用于需要获取旧值的场景,

compare_exchange_weak()

/

strong()

适用于实现无锁算法,而

fetch_add()

等适用于原子计数。

compare_exchange_weak()

compare_exchange_strong()

经常用于实现无锁数据结构,例如无锁队列或栈。它们通过循环重试的方式,确保在并发修改的情况下也能正确地更新变量。

原子操作的内存顺序是什么?如何选择合适的内存顺序?

原子操作的内存顺序(Memory Order)决定了原子操作相对于其他读写操作的可见性。C++11 提供了多种内存顺序选项,包括:

  • std::memory_order_relaxed

    : 最宽松的内存顺序,只保证原子性,不保证任何顺序性。

  • std::memory_order_consume

    : 保证当前线程中依赖于本次读取操作的后续读取操作可以看到本次读取的结果。

  • std::memory_order_acquire

    : 保证当前线程中后续的读取操作可以看到本次读取的结果。

  • std::memory_order_release

    : 保证当前线程中之前的写入操作对其他线程可见。

  • std::memory_order_acq_rel

    : 同时具有

    acquire

    release

    的语义。

  • std::memory_order_seq_cst

    : 默认的内存顺序,提供最强的顺序性保证,所有线程按照全局一致的顺序看到所有原子操作。

选择合适的内存顺序需要仔细考虑并发场景。通常情况下,

std::memory_order_seq_cst

是一个安全的选择,但它也是性能开销最高的。在某些情况下,可以使用更宽松的内存顺序来提高性能,但需要确保程序的正确性。

例如,考虑一个简单的生产者-消费者模型:

#include 
#include 
#include 
#include 

std::atomic data_ready(false);
std::vector data;

void producer() {
  data.push_back(42);
  data_ready.store(true, std::memory_order_release);
}

void consumer() {
  while (!data_ready.load(std::memory_order_acquire)) {
    // 等待数据准备好
  }
  std::cout << "Data received: " << data[0] << std::endl;
}

int main() {
  std::thread t1(producer);
  std::thread t2(consumer);

  t1.join();
  t2.join();

  return 0;
}

在这个例子中,生产者使用

std::memory_order_release

来存储

data_ready

,保证在

data_ready

设置为

true

之前,所有对

data

的修改都对其他线程可见。消费者使用

std::memory_order_acquire

来读取

data_ready

,保证在读取到

data_ready

true

之后,可以看到生产者对

data

的修改。

原子操作的性能开销如何?什么时候应该避免使用原子操作?

原子操作通常比互斥锁的开销更低,但仍然存在一定的性能开销。原子操作的性能取决于硬件架构和具体的原子操作类型。在某些情况下,原子操作可能需要使用锁来实现,或者需要进行总线锁定,这会带来较高的开销。

应该避免在以下情况下使用原子操作:

  • 需要保护的操作非常复杂,无法用原子操作实现。
  • 对性能要求不高,使用互斥锁已经足够。
  • 并发访问的频率非常低,原子操作带来的性能提升不明显。

总的来说,原子操作是一种强大的多线程同步工具,但需要仔细评估其性能开销,并根据具体的应用场景选择合适的原子操作类型和内存顺序。理解原子操作的本质和原理,才能更好地利用它来构建高效、可靠的多线程应用。

以上就是C++原子操作实现 多线程同步基础的详细内容,更多请关注骃骐网【www.myinqi.com】。

相关推荐:

怎样提升Python解包大型Zip文件的速度_利用zipfile配合多线程

单纯用zipfile.ZipFile.extractall()解大型ZIP文件速度慢,因其本质是单线程顺序处理,不支持并发;有效提速方式是用ThreadPoolExecutor并发调用extract(),每个线程独立打开ZIP文件处理单个条目,并注意编码兼容、内存控制与线程安全。 单纯用 zipfile.ZipFile.extractall() 解大型 ZIP 文件,基本就是单核硬扛,速度瓶颈明显...

如何在Python中测试多线程并发安全性_利用pytest结合threading模块调试

pytest测多线程安全会“测不准”是因为其单线程执行机制导致测试函数返回即判定完成,后台线程可能未结束;必须用join显式同步、Event/Lock制造竞态、捕获线程异常并共享被测对象。 为什么直接用 pytest 测多线程安全会“测不准” 因为 pytest 默认是单线程执行测试函数,即使你在测试里手动启动多个 threading.Thread,它也不会自动等待所有线程结束就判定测试通过——t...

TensorFlow怎么在多GPU下同步梯度_Python利用MirroredStrategy实现

MirroredStrategy的梯度同步并非真正“自动完成”,因其依赖严格的作用域约束:模型构建、编译、数据集分发(需experimental_distribute_dataset)、训练执行(fit或自定义循环)均须在strategy.scope()内,否则梯度无法被策略接管而致同步失效。 为什么 MirroredStrategy 的梯度同步不是“自动完成”的? TensorFlow 的 Mi...

Django怎么实现异步邮件发送_Python多线程或Celery解耦耗时任务

Django 的 send_mail 是同步阻塞调用,会导致视图卡住、HTTP 超时、worker 占满等问题;应改用 threading(轻量)或 Celery+Redis(生产),并优先使用 EmailMessage 支持 HTML、附件等功能。 同步 send_mail 会卡住视图,别直接用 Django 的 send_mail 是纯同步阻塞调用,SMTP 连接、TLS 协商、认证、发信全程...

PyODBC 并行数据库操作:多进程与多线程的正确实践

pyodbc 支持多进程和多线程并行数据库操作,但连接必须在各进程/线程内独立创建;直接复用连接会导致错误。实际性能瓶颈常在 i/o 而非 cpu,因此线程池通常比进程池更高效、资源更轻量。 pyodbc 支持多进程和多线程并行数据库操作,但连接必须在各进程/线程内独立创建;直接复用连接会导致错误。实际性能瓶颈常在 i/o 而非 cpu,因此线程池通常比进程池更高效、资源更轻量。 在 Python...

为什么Python TensorFlow多卡训练Loss不收敛_通过同步学习率分发解决

Loss不收敛主因是学习率未随GPU数线性放大:单机多卡时strategy.num_replicas_in_sync返回设备总数(如4卡为4),若仍用原始学习率,等效于步子变大但方向不准,导致优化剧烈抖动、loss震荡;须设learning_rate = 基础学习率 × strategy.num_replicas_in_sync。 Loss不收敛是因为学习率没随GPU数线性放大 单机多卡时,str...

Python中多线程怎么实现 Python中多线程编程指南

Python多线程适用于I/O密集型任务,因GIL在I/O等待时释放,允许其他线程运行,从而提升并发效率;但CPU密集型任务应使用multiprocessing模块实现真正并行。 Python中实现多线程,主要依赖内置的threading模块。它的核心思想是让程序在同一进程内并发执行多个任务,尤其适合处理那些需要等待外部资源响应(比如网络请求、文件读写)的I/O密集型操作。不过,Python的全局...

Python如何实现多线程_Python多线程编程指南分享

Python多线程依赖threading模块,适用于I/O密集型任务,但受GIL限制无法在CPU密集型任务中实现真正并行;通过Lock、Queue等机制可解决共享数据的竞态条件;对于并行计算需求,应选用multiprocessing或多线程结合异步IO的混合模型。 Python实现多线程主要依赖于内置的threading模块。它提供了一种在同一进程内并发执行多个任务的机制,让程序在处理I/O密集型...

如何在PHP在线执行中实现多线程?模拟PHP多线程的实现方法详解

答案:PHP无原生多线程,但可通过多进程、异步I/O或任务队列模拟并发。1. PCNTL扩展实现多进程,适用于CLI环境,但Web环境下易引发资源管理问题;2. 异步编程(如ReactPHP、Amphp)利用事件循环处理I/O密集型任务,提升单进程吞吐量,但不适用于CPU密集型场景;3. 任务队列(如Redis、RabbitMQ)结合后台工作者,将耗时任务解耦,保障请求快速响应,是Web应用中最实...

如何优化Golang的锁竞争问题 使用sync.Pool与原子操作替代方案

优化golang中的锁竞争需从减少共享资源独占时间、采用细粒度同步机制及无锁方案入手。1. 缩小锁粒度,仅对必要数据加锁,如拆分map或使用独立锁;2. 使用sync.pool复用临时对象,降低gc压力从而减少锁竞争;3. 利用atomic包进行原子操作,适用于简单变量的并发安全操作;4. 选用合适并发原语如sync.map、waitgroup等;5. 基于通道的csp模型替代显式锁;6. 审视代...