Java 8 嵌套循环与流和性能

performance java nested-loops java-8 java-stream

2022-09-04 07:33:57

为了练习 Java 8 流，我尝试将以下嵌套循环转换为 Java 8 流 API。它计算a^b的最大数字总和（a，b<100），并在我的Core i5 760上取~0.135s。

public static int digitSum(BigInteger x)
{
    int sum = 0;
    for(char c: x.toString().toCharArray()) {sum+=Integer.valueOf(c+"");}
    return sum;
}

@Test public void solve()
    {
        int max = 0;
        for(int i=1;i<100;i++)
            for(int j=1;j<100;j++)
                max = Math.max(max,digitSum(BigInteger.valueOf(i).pow(j)));
        System.out.println(max);
    }

我的解决方案，由于paralellism，我期望更快，实际上需要0.25s（没有0.19s）：parallel()

int max =   IntStream.range(1,100).parallel()
            .map(i -> IntStream.range(1, 100)
            .map(j->digitSum(BigInteger.valueOf(i).pow(j)))
            .max().getAsInt()).max().getAsInt();

我的问题

我是否正确地进行了转换，或者是否有更好的方法将嵌套循环转换为流计算？
为什么流变体比旧变体慢得多？
为什么 parallel（）语句实际上将时间从 0.19 秒增加到 0.25 秒？

我知道微基准是脆弱的，并行性只值得解决大问题，但对于CPU来说，即使是0.1s也是永恒的，对吧？

更新

我使用Eclipse Kepler中的Junit 4框架进行测量（它显示了执行测试所需的时间）。

我对 a，b<1000 而不是 100 的结果：

传统循环 186s
顺序流 193s
并行流 55s

更新 2替换为（感谢彼得！）减少了10整秒的并行方法，使其达到45秒。没想到会有这么大的性能影响！sum+=Integer.valueOf(c+"");sum+= c - '0';

此外，将并行度减少到CPU内核的数量（在我的例子中为4）并没有多大作用，因为它将时间减少到44.8s（是的，它增加了a和b = 0，但我认为这不会对性能产生太大影响）：

int max = IntStream.range(0, 3).parallel().
          .map(m -> IntStream.range(0,250)
          .map(i -> IntStream.range(1, 1000)
          .map(j->.digitSum(BigInteger.valueOf(250*m+i).pow(j)))
          .max().getAsInt()).max().getAsInt()).max().getAsInt();

答案 1

我基于您的代码创建了一个快速而肮脏的微基准测试。结果是：

循环： 3192
lambda： 3140
lambda 并行： 868

因此，循环和 lambda 是等效的，并行流显著提高了性能。我怀疑由于您的基准测试方法，您的结果不可靠。

public static void main(String[] args) {
    int sum = 0;

    //warmup
    for (int i = 0; i < 100; i++) {
        solve();
        solveLambda();
        solveLambdaParallel();
    }

    {
        long start = System.nanoTime();
        for (int i = 0; i < 100; i++) {
            sum += solve();
        }
        long end = System.nanoTime();
        System.out.println("loop: " + (end - start) / 1_000_000);
    }
    {
        long start = System.nanoTime();
        for (int i = 0; i < 100; i++) {
            sum += solveLambda();
        }
        long end = System.nanoTime();
        System.out.println("lambda: " + (end - start) / 1_000_000);
    }
    {
        long start = System.nanoTime();
        for (int i = 0; i < 100; i++) {
            sum += solveLambdaParallel();
        }
        long end = System.nanoTime();
        System.out.println("lambda parallel : " + (end - start) / 1_000_000);
    }
    System.out.println(sum);
}

public static int digitSum(BigInteger x) {
    int sum = 0;
    for (char c : x.toString().toCharArray()) {
        sum += Integer.valueOf(c + "");
    }
    return sum;
}

public static int solve() {
    int max = 0;
    for (int i = 1; i < 100; i++) {
        for (int j = 1; j < 100; j++) {
            max = Math.max(max, digitSum(BigInteger.valueOf(i).pow(j)));
        }
    }
    return max;
}

public static int solveLambda() {
    return  IntStream.range(1, 100)
            .map(i -> IntStream.range(1, 100).map(j -> digitSum(BigInteger.valueOf(i).pow(j))).max().getAsInt())
            .max().getAsInt();
}

public static int solveLambdaParallel() {
    return  IntStream.range(1, 100)
            .parallel()
            .map(i -> IntStream.range(1, 100).map(j -> digitSum(BigInteger.valueOf(i).pow(j))).max().getAsInt())
            .max().getAsInt();
}

我也用jmh运行它，这比手动测试更可靠。结果与上述结果一致（每次通话的微秒）：

Benchmark                                Mode   Mean        Units
c.a.p.SO21968918.solve                   avgt   32367.592   us/op
c.a.p.SO21968918.solveLambda             avgt   31423.123   us/op
c.a.p.SO21968918.solveLambdaParallel     avgt   8125.600    us/op

答案 2

你遇到的问题是你正在查看次优代码。当你的代码可能被高度优化时，你非常依赖于JVM是否足够智能来优化你的代码。循环已经存在了更长的时间，并且得到了更好的理解。

循环代码的一大区别是，你的工作集非常小。您一次只考虑一个最大数字总和。这意味着代码是缓存友好的，并且您有非常短暂的对象。在 stream（）案例中，您正在构建集合，这些集合在任何时候都有更多的工作集中，使用更多的缓存，具有更多的开销。我希望你的GC时间更长和/或更频繁。

为什么流变体比旧变体慢得多？

循环是相当优化的，从Java开发之前就已经存在了。它们可以非常有效地映射到硬件。流是相当新的，没有那么严格优化。

为什么 parallel（）语句实际上将时间从 0.19 秒增加到 0.25 秒？

最有可能的是，您在共享资源上有瓶颈。你创造了相当多的垃圾，但这通常是相当并发的。使用更多的线程，只能保证您将拥有更多的开销，并不能确保您可以利用您拥有的额外CPU能力。