当前位置:首页 > 文章列表 > Golang > Go问答 > RWMutex 一定比 Mutex 快吗,怎样根据临界区做选择

RWMutex 一定比 Mutex 快吗,怎样根据临界区做选择

来源:17golang原创 2026-10-07 09:04:04 0浏览 收藏

不一定。sync.RWMutex 只有在读操作明显多于写操作、读临界区足够长、并且多个 goroutine 确实会同时竞争同一把锁时,才可能比 sync.Mutex 更合适。若临界区很短、写入不少,读写锁额外的读者计数与等待协调反而可能让它更慢。

要点速览
  • 先看临界区和竞争程度,再看读写比例,不能把 RWMutex 当成 Mutex 的升级版。
  • 有写者等待时,新的 RLock 会停下来;读锁不能升级为写锁,写锁也不能降级为读锁。
  • 用可调整的 benchmark 比较真实读写比例,最后用 go test -race 检查保护范围。

先把选择条件说清楚

Mutex 的语义简单:同一时刻只允许一个持有者进入临界区。RWMutex 则允许多个读者同时进入,但写者必须独占。这里的“读”不是函数名里出现了 Get 就算读,而是这段代码是否只观察共享状态、不会修改它。

现场特征优先考虑原因
临界区短,读写比例接近,写入会频繁发生Mutex路径短,简单独占通常更容易预测
读远多于写,多个读者会同时等待RWMutex读者可以共享持锁时间
读锁中还要等待网络、磁盘或下游服务先重构,再选锁长时间持锁会放大阻塞,锁类型不是根治方案
数据几乎只读且可整体替换比较 atomic.Value 等方案可能用复制换取更短的读路径

用一个并发配置缓存看临界区

下面的缓存把“查值”和“更新值”分开。读路径只复制字符串,避免把锁带到调用方;写路径在锁内替换一个键的值。示例使用 RWMutex,改成 Mutex 时只需要把两个读锁方法换成普通锁方法。

package configcache

import "sync"

type Cache struct {
	mu   sync.RWMutex // 保护 items,读多写少时允许多个读者并行
	items map[string]string
}

func New(items map[string]string) *Cache {
	return &Cache{items: items}
}

func (c *Cache) Get(key string) (string, bool) {
	c.mu.RLock()         // 只观察 map,不修改共享状态
	value, ok := c.items[key]
	c.mu.RUnlock()       // 先释放锁,再把结果交给调用方
	return value, ok
}

func (c *Cache) Set(key, value string) {
	c.mu.Lock()          // 写入必须阻挡读者和其他写者
	c.items[key] = value
	c.mu.Unlock()        // 即使后续逻辑失败,也不要把外部调用放在锁内
}

这个例子最重要的不是把 RLock 换成 Lock,而是明确锁的边界:哈希查找和赋值在锁内,格式化、网络请求、日志拼接等与共享 map 无关的工作放在锁外。真实项目里可以先用 Mutex 写对,再用基准证明是否需要拆成读写锁。

Go RWMutex 并发配置缓存中读路径共享、写路径独占的边界说明图
图1:Go RWMutex 读路径共享、写路径独占的结构说明图;这是原创静态说明图,不是运行截图或性能证据。

待写者出现后,读锁并不是永远并行

Go 官方文档明确说明:当某个 goroutine 调用 RWMutex.Lock 时,如果当前已有读者,后续的 RLock 会等待,直到这个写者获得并释放锁。这样做是为了让写者最终有机会进入,也意味着“读很多”不等于“所有读请求都能一直并行”。

因此,下面两种写法都不可靠:在持有读锁时再次递归 RLock,或者先 RLock 再直接改成 Lock。读锁不能升级,写锁也不能降级;需要改变访问模式时,应先释放旧锁,再按新的顺序获取,并重新确认共享状态是否仍然满足条件。

Go RWMutex 待写者阻塞新读者以及不可升级降级的关系说明图
图2:Go RWMutex 待写者与新读者的等待边界说明图;它表达静态同步关系,不是运行证据。

用基准验证,而不是凭感觉换锁

可以为同一个缓存写两种实现,固定数据规模和临界区工作量,只改变锁类型、读写比例和并发数。下面的基准模板没有假装给出通用数字,运行者应在目标机器和真实数据形态下记录结果。

func BenchmarkCacheReadMostly(b *testing.B) {
	cache := newCache() // 预先准备数据,避免把初始化时间算进锁性能
	b.SetParallelism(4) // 放大并发竞争;实际项目按服务并发模型调整
	b.RunParallel(func(pb *testing.PB) {
		for pb.Next() {
			if rand.Intn(100) 

比较时至少记录 ns/op、B/op 和 allocs/op,并分别试 50/50、90/10、99/1 三种比例。若 RWMutex 只在极端读多且高竞争场景获胜,就不要为了理论上的并行读把所有小对象都改成它。

上线前的四项检查

  1. 确认锁保护的是同一份共享状态,defer Unlock 不要掩盖过大的临界区。
  2. 确认读路径没有隐藏写入,例如懒加载、缓存刷新或统计计数。
  3. 确认锁对象没有在首次使用后被复制;不要把含锁结构体按值传递。
  4. 运行 go test -race ./...,再结合基准和 pprof 判断锁竞争,而不是只看单次耗时。

相关问题

RWMutex 读多写少就一定更快吗?

不一定。还要看临界区长度、CPU 核数、竞争强度、写者到达频率和数据是否能复制。短临界区常常让 Mutex 的简单路径更有优势。

可以在 RLock 里面调用 Lock 吗?

不可以把它当作升级操作。先释放读锁会引入状态变化窗口,直接调用则可能等待自己释放读锁,应该重新设计操作顺序。

什么时候考虑 atomic.Value?

当数据适合整体替换、读路径只需要拿到不可变快照时,可以把它作为对照方案;如果需要原地修改多个字段,仍需明确同步边界。

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
递归 CTE 生成组织树:终止条件、层级与循环防护递归 CTE 生成组织树:终止条件、层级与循环防护
上一篇
递归 CTE 生成组织树:终止条件、层级与循环防护
Sorted Set 排行榜如何处理同分、翻页与历史榜单
下一篇
Sorted Set 排行榜如何处理同分、翻页与历史榜单
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。
    362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。
    417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。
    430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。
    384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。
    210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