当前位置:首页 > 文章列表 > 文章 > java教程 > Java ReentrantLock 公平锁为什么吞吐量更低

Java ReentrantLock 公平锁为什么吞吐量更低

来源:17golang原创 2026-09-14 23:22:55 0浏览 收藏

先给结论:new ReentrantLock(true) 会在竞争时优先照顾等待时间更长的线程,但它需要更严格地维护排队秩序,线程更难“趁锁空闲时直接插入”,因此高竞争下通常比默认的非公平锁吞吐量低。公平换来的是更稳定的等待时间和较低的饥饿风险,不是更快。

官方地址:https://docs.oracle.com/en/java/javase/25/docs/api/java.base/java/util/concurrent/locks/ReentrantLock.html

这里的比较只讨论同一把互斥锁、相同临界区和相同线程压力。公平锁也不能改变操作系统的线程调度;线程是否真的及时运行,仍由调度器决定。

如果业务更在意总完成量,先使用非公平锁并把临界区做短;如果排队请求不能长期得不到服务,再考虑公平锁。最终选择应由真实负载下的吞吐量、平均等待和尾延迟共同决定。

公平锁到底保证了什么

无参构造等价于非公平模式,访问顺序没有特定保证。传入 true 后,竞争中的锁会倾向于授予等待时间最长的线程。这个策略减少了某个线程连续被插队的机会,但“倾向”不是线程调度承诺,也不是严格的请求先来先服务队列。

非公平锁的优势在于锁刚释放时,正在运行的线程可能立即再次获取它,少一次排队和唤醒协调。公平锁需要尊重已有等待者,当前线程即使已经运行,也更可能先让出机会。竞争越激烈、临界区越短,这些协调成本在总耗时中的比例越明显。

因此,公平模式常见的收益是等待时间波动更小、饥饿风险更低;代价是上下文切换、线程唤醒和队列维护更频繁。吞吐下降并不表示数据错误,而是锁策略把一部分性能预算用在了服务顺序上。

Java ReentrantLock 公平策略、等待队列和临界区的静态关系示意图
图1:公平策略、等待队列与临界区之间的静态关系示意图,不代表真实运行截图。

用相同临界区做一个可比实验

比较时不要同时修改线程数、循环次数和业务代码。下面的示例只切换构造参数,所有线程都对同一个计数器执行相同长度的临界区;输出是示例格式,实际数字需要在目标机器上自行测量。

import java.util.concurrent.CountDownLatch;
import java.util.concurrent.locks.ReentrantLock;

public class FairLockCompare {
    static long run(boolean fair, int workers, int rounds) throws InterruptedException {
        // 只改变公平参数,保证两组测试的临界区和工作量一致
        ReentrantLock lock = new ReentrantLock(fair);
        CountDownLatch start = new CountDownLatch(1);
        CountDownLatch done = new CountDownLatch(workers);
        long[] counter = {0};
        for (int i = 0; i  {
                try {
                    start.await(); // 同时放行,制造可比的竞争起点
                    for (int j = 0; j 

可以分别调用 run(false, 8, 200_000)run(true, 8, 200_000),重复多轮后比较每秒完成次数,而不是只看一次耗时。线程数较少或临界区较长时,差异可能不明显;线程数增加、竞争变密集且临界区很短时,公平模式的协调开销更容易显现。

两个容易误判的边界

第一,公平设置不会让所有线程严格轮流执行。线程拿到锁后可能被挂起,其他线程也可能还没获得运行机会,所以公平锁不能替代限流、调度或请求超时。

第二,无参的 tryLock() 不遵守公平设置:只要锁在调用瞬间可用,它就会立即成功,即使队列里已有等待线程。需要尊重公平策略时,可以使用带超时的形式,例如:

import java.util.concurrent.TimeUnit;

if (lock.tryLock(0, TimeUnit.SECONDS)) {
    try {
        // 中文说明:只在获得锁后访问共享状态
        updateSharedState();
    } finally {
        lock.unlock(); // 中文说明:在 finally 中释放锁,避免异常导致占用
    }
}

另外,锁内执行 I/O、网络请求或复杂计算,会让所有模式都变慢;先缩小临界区,通常比直接切换公平参数更有效。

Java ReentrantLock 两种公平参数的比较维度与结果判读示意图
图2:相同工作量下比较吞吐、平均等待和尾延迟的结果判读示意图,不是实测数据。

怎么选才不会牺牲错性能

默认优先考虑非公平锁:它适合短临界区、吞吐优先、允许等待时间有波动的缓存更新、批处理或内部协调场景。公平锁更适合请求必须轮流得到机会、不能接受长期饥饿,且尾延迟稳定性比峰值吞吐更重要的场景。

不要用“公平一定好”或“非公平一定快”替代测量。至少固定并记录线程数、临界区内容、成功次数、平均等待、P95/P99 等指标;同时观察队列长度和业务超时。若公平锁吞吐下降但尾延迟明显改善,代价可能是值得的;若两者都没有改善,应回头检查锁粒度和共享状态设计。

常见问题

公平锁是不是严格 FIFO?

不是。它在竞争时倾向于照顾最长等待线程,但线程调度、重入和具体调用方式都会影响最终顺序。

为什么短临界区更容易看出吞吐差异?

临界区越短,真正处理数据的时间越少,排队、唤醒和调度协调成本占比越高,所以公平策略的代价更容易被放大。

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
Go math/big.Rat.SetString 解析小数时如何确认精度Go math/big.Rat.SetString 解析小数时如何确认精度
上一篇
Go math/big.Rat.SetString 解析小数时如何确认精度
Go generate 调用的命令不在 PATH 时如何固定工具位置
下一篇
Go generate 调用的命令不在 PATH 时如何固定工具位置
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。
    26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。
    130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。
    62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。
    23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。
    81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