前言

相信接触过并发系统的小伙伴们基本都使用过线程池，或多或少调整过对应的参数。以 Java 中的经典模型来说，能够配置核心线程数、最大线程数、队列容量等等参数。

public ThreadPoolExecutor(int corePoolSize,
                              int maximumPoolSize,
                              long keepAliveTime,
                              TimeUnit unit,
                              BlockingQueue<Runnable> workQueue) {
  this(corePoolSize, maximumPoolSize, keepAliveTime, unit, workQueue,
       Executors.defaultThreadFactory(), defaultHandler);
}

一般情况下，我们设置参数步骤是：

1. 确定业务属性，比如IO密集型、CPU密集型、混合型等。

2. 参考理想化的线程计算模型算出理论值。如《Java并发编程实战》一书中的理想化模型：

3. 辅之以压测等手段对参数进行逐步调优。

4. 再高级点，我们也可以对线程池进行监控，并实时对参数进行调整，也即参数动态化方案。可参考：Java线程池实现原理及其在美团业务中的实践

工具推荐

本文则推荐一款工具，它不关心任务内部是如何实现的，而是通过计算运行时的各种系统指标（包括 CPU计算时间、IO等待时间、内存占用等）来直接计算线程池参数的。我们可以直接在这些参数的基础上，再配合压测进行调优，避免盲目调参。

这个工具叫做 dark_magic，直译就是黑魔法，源码参见 https://github.com/sunshanpeng/dark_magic。里面的备注已经很详细，本文不再赘述。只提一下系统指标的计算方式。

指标的计算方式

CPU计算时间 和 IO等待时间 的计算：

• 先执行两遍任务，进行预热。

• 获取当前线程的 CPU计算时间，记为 C1

• 再执行一遍任务

• 获取当前线程的 CPU计算时间，记为 C2

• 计算当前任务执行需要的 CPU计算时间：C2 - C1

• 计算当前任务执行中的 IO等待 时间：总耗时 - CPU计算时间

其中，计算当前线程的 CPU计算时间使用 rt.jar 包中的方法：

ManagementFactory.getThreadMXBean().getCurrentThreadCpuTime()

内存占用的计算：

• 生成1000个（可配置）任务加入到阻塞队列中

• 循环调用 15次（可配置） System.gc() 函数，触发gc

• 记录目前的内存使用情况，记为 M0

• 再次生成1000个（可配置）任务加入到阻塞队列中

• 循环调用 15次（可配置） System.gc() 函数，触发gc

• 记录目前的内存使用情况，记为 M1

• 计算当前任务执行需要的内存：M1 - M0

其中，计算内存使用 rt.jar 包中方法：

Runtime.getRuntime().totalMemory() - Runtime.getRuntime().freeMemory()

使用方法

该工具的使用方法也很简单：

1. 把你的业务代码封装为一个函数，放到 createTask 函数中。

2. 设定 CPU使用率的期望值、队列占用内存的期望值。

3. 执行，等待结果输出。

下面分别展示一个CPU密集型和IO密集型的输出（我们设置的 CPU 使用率期望值为 60%，队列占用内存的期望值为 10MB ）：

# CPU密集型

Target queue memory usage (bytes): 10240
createTask() produced threadpool.AsyncCPUTask which took 40 bytes in a queue
Formula: 10240 / 40
* Recommended queue capacity (bytes): 256
Number of CPU: 8
Target utilization: 0.59999999999999997779553950749686919152736663818359375
Elapsed time (nanos): 3000000000
Compute time (nanos): 2949786000
Wait time (nanos): 50214000
Formula: 8 * 0.59999999999999997779553950749686919152736663818359375 * (1 + 50214000 / 2949786000)
* Optimal thread count: 4.79999999999999982236431605997495353221893310546875000

# IO密集型

Target queue memory usage (bytes): 10240
createTask() produced threadpool.AsyncIOTask which took 40 bytes in a queue
Formula: 10240 / 40
* Recommended queue capacity (bytes): 256
Number of CPU: 8
Target utilization: 0.59999999999999997779553950749686919152736663818359375
Elapsed time (nanos): 3000000000
Compute time (nanos): 55528000
Wait time (nanos): 2944472000
Formula: 8 * 0.59999999999999997779553950749686919152736663818359375 * (1 + 2944472000 / 55528000)
* Optimal thread count: 259.19999999999999040767306723864749073982238769531250000

针对线程数的计算而言：

• 对于 CPU 密集型任务，IO等待时间（Wait time） 远远小于 CPU计算时间（Compute time）。计算出来的推荐核心线程数为 4.8。

• 对于 IO 密集型任务，IO等待时间（Wait time） 远远大于 CPU计算时间（Compute time）。计算出来的推荐核心线程数为 259。

而队列大小与任务中使用的对象大小有关，这里的内存使用是通过计算 gc 执行前后的内存大小差异得到的（本文中的例子均为 40 B）。由于该算法内部使用 System.gc() 触发 gc。但由于 gc 不一定真的会立刻执行，所以拿到的队列结果可能不一定准确，只能作为粗略参考。

总结

总的来说，dark_magic 这款工具以任务执行时的系统指标数据为基础，计算出比较合理的线程池参数，给我们进行后续的压测调参提供了相对比较合理的参考，值得推荐。