本篇文章为你整理了推荐一款工具，辅助估算线程池参数（线程池计数器）的详细内容，包含有线程池计算 线程池计数器 线程池计算公式 线程池配置参数数值如何确定 推荐一款工具，辅助估算线程池参数，希望能帮助你了解 推荐一款工具，辅助估算线程池参数。
Master programmers think of systems as stories to be told rather than programs to be written.
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：
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
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：
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：
其中，计算内存使用 rt.jar 包中方法：
Runtime.getRuntime().totalMemory() - Runtime.getRuntime().freeMemory()
该工具的使用方法也很简单：
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。
『注:本文来自“小溪的博客”，若非声明均为原创内容，请勿用于商业用途，转载请注明出处http:///xiaoxi666/』
以上就是推荐一款工具，辅助估算线程池参数（线程池计数器）的详细内容，想要了解更多 推荐一款工具，辅助估算线程池参数的内容，请持续关注盛行IT软件开发工作室。
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。