当前位置:首页 > 文章列表 > Golang > Go教程 > Go atomic.Uint64 的 Add 与 Load 如何组成统计快照

Go atomic.Uint64 的 Add 与 Load 如何组成统计快照

来源:17golang原创 2026-09-14 17:20:48 0浏览 收藏

做并发指标时,经常只需要回答一个问题:到这一刻一共处理了多少次请求?如果多个 goroutine 同时增加计数,直接对普通 uint64++ 会产生数据竞争。sync/atomicatomic.Uint64 可以把这个状态变成一个独立的原子计数器:写入端用 Add,读取端用 Load

Add 原子地加上增量并返回加法完成后的新值,Load 原子地读取当前值。它们适合组成“单个指标”的统计快照;如果快照包含多个互相有关的字段,连续调用多个 Load 并不能自动得到同一时刻的整体状态。
要点速览
  • atomic.Uint64 的零值就是 0,适合放进长期存活的统计对象。
  • Add(1) 的返回值是递增后的值,Load() 是读取时观察到的当前值。
  • 计数器可以单独快照;多字段状态应整体原子发布,或用锁/其他同步方案定义一致性。

先把 Add 和 Load 的职责分开

Add 解决的是并发写入的竞争:多个 goroutine 同时调用时,每次增量都不会因为读改写交错而丢失。它返回的是更新后的数值,所以可以直接作为本次请求的序号或采样点。Load 不改变计数器,只把当前存储的数值原子地取出来。

下面的例子只演示计数器的关系,不代表在文章环境中实际运行。读取端拿到的是某次 Load 发生时的单值快照,写入端仍可在下一刻继续增加。

package main

import (
    "fmt"
    "sync/atomic"
)

type Metrics struct {
    requests atomic.Uint64 // 零值为 0;首次使用后不要复制整个 Metrics
}

func (m *Metrics) recordRequest() uint64 {
    return m.requests.Add(1) // 原子累加,并返回递增后的新值
}

func (m *Metrics) snapshot() uint64 {
    return m.requests.Load() // 原子读取当前计数,不修改状态
}

func main() {
    var metrics Metrics
    current := metrics.recordRequest()
    fmt.Println("本次序号:", current)
    fmt.Println("当前总数:", metrics.snapshot())
}
Go atomic.Uint64 统计计数器中 Add 写入与 Load 读取的静态结构示意
图1:Add 写入计数器、Load 读取计数器的关系示意;这是帮助理解代码的原创结构图,不是实际运行截图。

一个计数器的快照,边界就是一次 Load

Load 的返回值记录下来,就得到了一个可打印、可上报或可用于阈值判断的单计数器快照。它不会锁住后续的 Add,因此适合低成本地采集请求量、重试次数、字节数等单一指标。

调用改变状态返回值含义适合场景
Add(delta)加法完成后的新值记录事件、生成单调序号
Load()读取瞬间看到的值日志、指标上报、阈值判断

需要留意两个容易混淆的点。第一,Load 只保证这个计数器的原子读取,不会冻结其他字段。第二,Add 的增量类型是 uint64,长期累计时要评估溢出后的业务语义;如果计数允许回绕,阈值判断就不能只看简单的大小关系。

Go atomic.Uint64 单计数器快照与多字段整体快照边界对比示意
图2:单计数器可以由一次 Load 形成快照,而 requests 与 errors 等多字段需要整体发布才能表达同一版本。

多字段统计不要把连续 Load 当成整体快照

假设结构里还有 errors 计数器,先读取 requests,再读取 errors 的过程中,另一个 goroutine 可能已经完成了一次请求并更新其中一个字段。两个数字都各自没有数据竞争,但它们未必来自同一时刻。

如果业务只需要独立指标,继续分别使用 atomic.Uint64 最简单。若页面必须展示“请求数、错误数、成功数”同一版本的组合,可以在写入侧构造新的不可变结构,再通过 atomic.Pointer 一次发布;或者用互斥锁把组合读写包起来。关键不是把所有字段都改成原子类型,而是先定义读者要的“一致”到底是单值一致,还是整组状态一致。

上线前检查这份小清单

  • 统计对象中的 atomic.Uint64 是否在首次使用后被复制、按值返回或放入会复制的容器?官方文档明确要求首次使用后不要复制。
  • 调用方是否把 Add 返回值误当成加法前的旧值?需要旧值时,不能用它替代 Swap 等语义不同的操作。
  • 指标是否真的只有一个字段?如果要表达组合状态,先选择锁或原子发布整体对象。
  • 计数是否可能接近 uint64 上限?提前约定回绕、截断或重置策略。

常见问题

atomic.Uint64 的零值能直接使用吗?

可以。它的零值就是 0,通常把它作为结构体字段声明即可;但首次使用后不要复制包含它的结构体。

Add 和 Load 之间需要自己加互斥锁吗?

对于这个计数器本身,不需要再包一层锁。若同一业务操作还要修改普通字段,仍要为那些字段建立明确的同步关系。

Load 读到的值会不会倒退?

在同一个原子计数器上,原子操作遵循 Go 的顺序一致语义;但如果把值跨进程、跨实例或经过异步上报链路比较,观察顺序还会受到外部传输过程影响。

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
Redis MEMORY USAGE 的 samples 参数怎样估算集合内存Redis MEMORY USAGE 的 samples 参数怎样估算集合内存
上一篇
Redis MEMORY USAGE 的 samples 参数怎样估算集合内存
Docker Desktop 如何限制单个开发环境的 CPU 和内存
下一篇
Docker Desktop 如何限制单个开发环境的 CPU 和内存
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。
    23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。
    126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。
    51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。
    21次使用
  • OpenCompass大模型评测体系详解:功能、使用指南与应用场景
    OpenCompass
    OpenCompass是上海AI实验室推出的开源大模型评测平台,提供CompassKit、CompassHub和CompassRank三大核心组件,支持LLM及多模态模型的一站式标准化评估与排行榜查询。
    74次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议隐私政策
返回登录
  • 重置密码