Stream.reduce() 和 Stream.collect() 之间令人惊讶的性能差异

Question

我想比较两个Java8流终端操作reduce()和collect()的并行性能。

让我们看看下面的Java8并行流示例：

import java.math.BigInteger;
import java.util.function.BiConsumer;
import java.util.function.Function;
import java.util.function.Supplier;
import java.util.stream.Stream;

import static java.math.BigInteger.ONE;

public class StartMe {

    static Function<Long, BigInteger> fac;

    static {
        fac = x -> x==0? ONE : BigInteger.valueOf(x).multiply(fac.apply(x - 1));
    }

    static long N = 2000;

    static Supplier<BigInteger[]> one() {
        BigInteger[] result = new BigInteger[1];
        result[0] = ONE;
        return () -> result;
    }

    static BiConsumer<BigInteger[], ? super BigInteger> accumulator() {
        return (BigInteger[] ba, BigInteger b) -> {
            synchronized (fac) {
                ba[0] = ba[0].multiply(b);
            }
        };
    }

    static BiConsumer<BigInteger[], BigInteger[]> combiner() {
        return (BigInteger[] b1, BigInteger[] b2) -> {};
    }

    public static void main(String[] args) throws Exception {
        long t0 = System.currentTimeMillis();

        BigInteger result1 = Stream.iterate(ONE, x -> x.add(ONE)).parallel().limit(N).reduce(ONE, BigInteger::multiply);
        long t1 = System.currentTimeMillis();

        BigInteger[] result2 = Stream.iterate(ONE, x -> x.add(ONE)).parallel().limit(N).collect(one(), accumulator(), combiner());
        long t2 = System.currentTimeMillis();

        BigInteger result3 = fac.apply(N);
        long t3 = System.currentTimeMillis();

        System.out.println("reduce():  deltaT = " + (t1-t0) + "ms, result 1 = " + result1);
        System.out.println("collect(): deltaT = " + (t2-t1) + "ms, result 2 = " + result2[0]);
        System.out.println("recursive: deltaT = " + (t3-t2) + "ms, result 3 = " + result3);

    }
}

它计算 n!使用一些 - 诚然奇怪 ;-) - 算法。

然而，性能结果令人惊讶：

 reduce():  deltaT = 44ms, result 1 = 3316275...
 collect(): deltaT = 22ms, result 2 = 3316275...
 recursive: deltaT = 11ms, result 3 = 3316275...

一些备注：

• 我必须同步 accumulator()，因为它并行访问同一个数组。
• 我预计 reduce() 和 collect() 会产生相同的性能，但 reduce() 比 collect() 慢约 2 倍，即使 collect() 必须同步！
• 最快的算法是顺序和递归算法（这可能表明并行流管理的巨大开销）

没想到reduce()的表现会比collect()的差。为什么会这样？

Answer 1

基本上，您正在测量第一次执行的代码的初始开销。不仅优化器还没有工作，您还在测量加载、验证和初始化类的开销。

因此，由于每次评估都可以重用已经为之前的评估加载的类，因此评估时间减少也就不足为奇了。在一个循环中运行所有三个评估，甚至只是改变顺序会给你一个完全不同的画面。

唯一可预测的结果是简单的递归评估将具有最小的初始开销，因为它不需要加载 Stream API 类。

---

如果你多次运行代码，或者更好地使用复杂的基准测试工具，我猜你会得到与我类似的结果，reduce 明显优于collect，并且确实比单线程方法更快。

collect 较慢的原因是因为您完全错误地使用了它。将为每个线程查询Supplier 以获得不同的容器，因此累加器函数不需要 需要任何额外的同步。但重要的是，combiner 函数能够正确地将不同线程的结果容器连接到一个结果中。

正确的做法是：

BigInteger[] result2 = Stream.iterate(ONE, x -> x.add(ONE)).parallel().limit(N)
  .collect(()->new BigInteger[]{ONE},
           (a,v)->a[0]=a[0].multiply(v), (a,b)->a[0]=a[0].multiply(b[0]));

在我的系统上，它的性能与reduce 方法相当。由于使用数组作为可变容器不能改变BigInteger 的不可变性质，因此在此处使用collect 没有任何优势，使用reduce 是直截了当的，并且如前所述，当两种方法都使用时具有相同的性能正确使用。

---

顺便说一句，我不明白为什么这么多程序员尝试创建自引用 lambda 表达式。递归函数的直接方式仍然是一种方法：

static BigInteger fac(long x) {
    return x==0? ONE : BigInteger.valueOf(x).multiply(fac(x - 1));
}
static final Function<Long, BigInteger> fac=StartMe::fac;

（虽然在你的代码中，你根本不需要Function<Long, BigInteger>，直接调用fac(long)）。

---

最后一点，Stream.iterate 和 Stream.limit 都非常不适合并行执行。使用具有可预测大小和独立操作的流将显着优于您的解决方案：

BigInteger result4 = LongStream.rangeClosed(1, N).parallel()
    .mapToObj(BigInteger::valueOf).reduce(BigInteger::multiply).orElse(ONE);