当前位置:首页 > 文章列表 > Golang > Go教程 > Go sync/atomic.Uint64 计数器怎么做并发统计:读写边界、溢出与快照一致性

Go sync/atomic.Uint64 计数器怎么做并发统计:读写边界、溢出与快照一致性

来源:17golang原创 2026-08-27 05:42:38 0浏览 收藏

接口请求量从每秒几百涨到几万后,把一个普通整数塞进共享结构体,最先出问题的往往不是计算,而是并发读写。Go 的 sync/atomic.Uint64 能把这个场景压缩成几行清楚的代码:写入用 Add,读取用 Load,需要取走当前值并重新计数时用 Swap。它解决的是单个数值的原子性,不会自动让一组指标变成同一时刻的事务快照。

要点速览
  • atomic.Uint64 应通过方法读写,不能把字段当普通整数直接访问。
  • Load 适合无损快照,Swap(0) 适合按窗口取数,但两者都只保证单计数器原子。
  • 多个计数器要保证同一窗口一致,应使用单一打包值、版本标记或接受近似快照。
  • 无符号整数溢出会按模 264 回绕,业务上需要在阈值接近时主动处理。

高并发计数为什么先从一个 Uint64 开始

假设服务只需要记录收到的请求数。用普通 uint64 配合 counter++,多个 goroutine 会同时读出旧值、各自加一,再把结果写回去,最终计数小于真实请求数。给它加互斥锁可以修复竞争,但每次请求都要经过锁;如果这个数字只用于轻量观测,原子计数通常更合适。

package main

import "sync/atomic"

type RequestStats struct {
	total atomic.Uint64
}

func (s *RequestStats) Inc() {
	s.total.Add(1)
}

func (s *RequestStats) Total() uint64 {
	return s.total.Load()
}

这里的重点是让 RequestStats 只暴露行为,不把内部字段交给调用方。Inc 每次原子加一,Total 读到的是某个时刻已经完成的值;它不是“暂停所有写入后拍照”,所以读取期间仍可能有新请求到达。

Go sync/atomic.Uint64 从请求到 Add 写入再到 Load 快照的流程条,展示并发计数的读写边界

从单机统计扩展到按时间窗口取数

如果监控每分钟需要取出这一分钟的请求量,单纯 Load 会拿到进程启动以来的累计值。此时可以用 Swap(0):它一次性返回旧值,并把计数器置零。新请求不会因为清零而被抹掉,它们会落入下一个窗口。

type WindowCounter struct {
	hits atomic.Uint64
}

func (c *WindowCounter) Hit() {
	c.hits.Add(1)
}

func (c *WindowCounter) Take() uint64 {
	return c.hits.Swap(0)
}

要注意窗口边界:Take 返回的数字只代表“交换发生前已经完成的加法”。如果业务要求严格按自然分钟对齐,还需要在采集端记录交换时间,并接受边界瞬间的归属规则;不要把它误写成精确的分布式分钟统计。

Go 原子计数器使用 Swap(0) 切换统计窗口,展示旧窗口取数和新窗口继续累加的因果流程

计数器方法与规模化取舍

方法用途要确认的边界
Add(delta)并发累加delta 为无符号数,减法需另行设计
Load()读取累计值只保证这个计数器自身的原子读取
Store(value)覆盖当前值会丢掉尚未纳入新值的累计量
Swap(value)取旧值并替换适合窗口切换,不代表全局事务

单个指标用一个原子值很轻;当指标扩展为成功数、失败数、耗时总和三个字段时,三个 Load 之间可能被请求插入。若消费方只需要趋势图,这种近似快照通常够用;若要做计费或对账,应该把状态放进互斥保护的结构,或设计带版本号的发布协议。

并发验收:确认没有竞争和意外回绕

测试不要只在单 goroutine 下比较结果。让多个 goroutine 各自增加固定次数,最后用 Load 与理论总数比较,并使用竞态检测器运行测试。

func TestRequestStats(t *testing.T) {
	const workers, each = 8, 10000
	var stats RequestStats
	var wg sync.WaitGroup
	for i := 0; i 

验收时至少跑一次 go test -race ./...。竞态检测器能发现普通字段的并发读写,但它不能证明你的窗口边界符合业务定义,也不能替你判断多字段快照是否可用于结算。

uint64 快到上限时怎么办

Uint64 的最大值是 18446744073709551615。继续 Add 后会回到较小的数,这是语言层面的无符号回绕,不会抛异常。长时间运行的服务不应等到监控图突然归零才处理,可以在读取时设阈值,或按窗口用 Swap(0) 把累计量控制在较小范围。

如果业务必须得到永不回绕的总量,就不要让原子值承担无限增长的语义:接近上限时停止累加并记录告警,或者把多个窗口值交给支持大整数/持久化的统计层。只把 uint64 换成带锁的大整数并不能自动解决跨进程、重启和落盘问题。

相关问题

Load 能不能同时读取多个计数器?

可以分别读取,但多个结果不保证来自同一个瞬间。需要严格一致时,应把它们放到统一的同步协议里。

Swap(0) 会不会漏掉交换瞬间的请求?

不会漏掉已经完成的原子加法;交换之后发生的加法会进入新窗口。边界归属需要在业务上明确。

atomic.Uint64 能替代所有互斥锁吗?

不能。它适合独立数值的原子读写,涉及多个字段、条件检查加修改或复杂不变量时仍应使用锁或更高层协议。

把计数器留在它擅长的范围

把 atomic.Uint64 封装成少量明确方法,再用 Load 或 Swap 对齐读数目的,代码通常就足够稳。真正需要警惕的是把一个轻量观测工具误当成事务快照、持久化总账或跨节点聚合器;边界写进接口和测试,后续扩展指标时才不会悄悄改变统计含义。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
MySQL 窗口函数排序后如何稳定取每组第一条:ROW_NUMBER 与并列值处理MySQL 窗口函数排序后如何稳定取每组第一条:ROW_NUMBER 与并列值处理
上一篇
MySQL 窗口函数排序后如何稳定取每组第一条:ROW_NUMBER 与并列值处理
GitHub 仓库网页端如何新建文件并提交:文件路径、内容编辑与提交分支核对
下一篇
GitHub 仓库网页端如何新建文件并提交:文件路径、内容编辑与提交分支核对
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    418次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    500次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    507次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    454次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    282次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码