线程安全的数据缓冲区,用于批量插入大小可控的数据

本文关键字:数据 插入 用于 安全 缓冲区 线程 | 更新日期: 2023-09-27 18:04:36

我有一个模拟,生成的数据必须保存到数据库。

ParallelLoopResult res = Parallel.For(0, 1000000, options, (r, state) =>
{
    ComplexDataSet cds = GenerateData(r);
    SaveDataToDatabase(cds);
});

模拟生成大量数据,因此首先生成数据然后将其保存到数据库(最多1gb的数据)是不实际的,并且逐个保存到数据库也没有意义(太小的事务不实用)。我想把它们插入到数据库中,作为一个控制大小的批量插入(比如一次提交100个)。

然而,我认为我对并行计算的了解并不那么理论化。我想到了这个(正如你所看到的是非常有缺陷的):

DataBuffer buffer = new DataBuffer(...);
ParallelLoopResult res = Parallel.For(0, 10000000, options, (r, state) =>
{
    ComplexDataSet cds = GenerateData(r);
    buffer.SaveDataToBuffer(cds, i == r - 1);
});
public class DataBuffer
{
    int count = 0;
    int limit = 100
    object _locker = new object();
    ConcurrentQueue<ConcurrentBag<ComplexDataSet>> ComplexDataBagQueue{ get; set; }
    public void SaveDataToBuffer(ComplexDataSet data, bool isfinalcycle)
    {
            lock (_locker)
            {
                if(count >= limit)
                {
                    ConcurrentBag<ComplexDataSet> dequeueRef;
                    if(ComplexDataBagQueue.TryDequeue(out dequeueRef))
                    {
                        Commit(dequeueRef);
                    }
                    _lastItemRef = new ConcurrentBag<ComplexDataSet>{data};
                    ComplexDataSetsQueue.Enqueue(_lastItemRef);
                    count = 1;
                }
                else
                {
                    // First time
                    if(_lastItemRef == null)
                    {
                        _lastItemRef = new ConcurrentBag<ComplexDataSet>{data};
                        ComplexDataSetsQueue.Enqueue(_lastItemRef);
                        count = 1;
                    }
                    // If buffer isn't full
                    else
                    {
                        _lastItemRef.Add(data);
                        count++;
                    }
                }
                if(isfinalcycle)
                {
                        // Commit everything that hasn't been committed yet
                        ConcurrentBag<ComplexDataSet> dequeueRef;    
                    while (ComplexDataSetsQueue.TryDequeue(out dequeueRef))
                    {
                        Commit(dequeueRef);
                    }
                }
            }
    }
    public void Commit(ConcurrentBag<ComplexDataSet> data)
    {
        // Commit data to database..should this be somehow in another thread or something ?
    }
}

如您所见,我使用queue创建一个缓冲区,然后手动决定何时提交。然而,我有一种强烈的感觉,这不是很执行解决方案,我的问题。首先,我不确定我是否正确地进行了锁定。其次,我不确定这是否是完全线程安全的(或者根本不是)。

你能看一下并评论一下我应该怎么做吗?或者是否有更好的方法(使用某种生产者-消费者技术或其他方法)?

谢谢你,并致以最良好的祝愿。d .

线程安全的数据缓冲区,用于批量插入大小可控的数据

不需要使用锁或昂贵的并发安全数据结构。数据是完全独立的,所以引入锁和共享只会损害性能和可伸缩性。

Parallel.For有一个重载,允许您指定每个线程的数据。在这里,您可以存储私有队列和私有数据库连接。

还有:Parallel.For内部将您的范围划分为更小的块。传递一个大的范围是非常有效的,所以没有什么需要改变的。

Parallel.For(0, 10000000, () => new ThreadState(),
    (i, loopstate, threadstate) =>
{
    ComplexDataSet data = GenerateData(i);
    threadstate.Add(data);
    return threadstate;
}, threadstate => threadstate.Dispose());
sealed class ThreadState : IDisposable
{
    readonly IDisposable db;
    readonly Queue<ComplexDataSet> queue = new Queue<ComplexDataSet>();
    public ThreadState()
    {
        // initialize db with a private MongoDb connection.
    }
    public void Add(ComplexDataSet cds)
    {
        queue.Enqueue(cds);
        if(queue.Count == 100)
        {
            Commit();
        }
    }
    void Commit()
    {
        db.Write(queue);
        queue.Clear();
    }
    public void Dispose()
    {
        try
        {
            if(queue.Count > 0)
            {
                Commit();
            }
        }
        finally
        {
            db.Dispose();
        }
    }
}

现在,MongoDb目前不支持真正的并发插入——它在服务器上持有一些昂贵的锁,所以并行提交不会给你带来多少(如果有的话)速度。他们想在将来解决这个问题,所以有一天你可能会得到一个免费的加速。

如果你需要限制数据库连接的数量,一个生产者/消费者设置是一个很好的选择。您可以使用BlockingCollection队列来高效地完成此操作,而无需使用任何锁:

// Specify a maximum of 1000 items in the collection so that we don't
// run out of memory if we get data faster than we can commit it.
// Add() will wait if it is full.
BlockingCollection<ComplexDataSet> commits =
    new BlockingCollection<ComplexDataSet>(1000);
Task consumer = Task.Factory.StartNew(() =>
    {
        // This is the consumer.  It processes the
        // "commits" queue until it signals completion.
        while(!commits.IsCompleted)
        {
            ComplexDataSet cds;
            // Timeout of -1 will wait for an item or IsCompleted == true.
            if(commits.TryTake(out cds, -1))
            {
                // Got at least one item, write it.
                db.Write(cds);
                // Continue dequeuing until the queue is empty, where it will
                // timeout instantly and return false, or until we've dequeued
                // 100 items.
                for(int i = 1; i < 100 && commits.TryTake(out cds, 0); ++i)
                {
                    db.Write(cds);
                }
                // Now that we're waiting for more items or have dequeued 100
                // of them, commit.  More can be continue to be added to the
                // queue by other threads while this commit is processing.
                db.Commit();
            }
        }
    }, TaskCreationOptions.LongRunning);
try
{
    // This is the producer.
    Parallel.For(0, 1000000, i =>
        {
            ComplexDataSet data = GenerateData(i);
            commits.Add(data);
        });
}
finally // put in a finally to ensure the task closes down.
{
    commits.CompleteAdding(); // set commits.IsFinished = true.
    consumer.Wait(); // wait for task to finish committing all the items.
}

在您的示例中,您有10 000 000个工作包。每一个都需要分配给一个线程。假设您没有真正的大量的cpu内核,这不是最佳的。您还必须在每次buffer.SaveDataToBuffer调用时同步线程(通过使用锁)。此外,您应该意识到,在时序视图中,变量r不一定要增加1(例如:Thread1执行1、2、3,Thread2执行4、5、6)。按时间顺序,这将导致r依次传递到SaveDataToBuffer(大约)(1、4、2、5、3、6)。

我会使工作包更大,然后一次提交每个包。这样做的另一个好处是,您不必经常锁定/同步所有内容。

下面是一个例子:

int total = 10000000;
int step = 1000;
Parallel.For(0, total / step, (r, state) =>
{
    int start = r * start;
    int end = start + step;
    ComplexDataSet[] result = new ComplexDataSet[step];
    for (int i = start; i < end; i++)
    {
        result[i - start] = GenerateData(i);
    }
    Commit(result);
});

在这个例子中,整个工作被分成10000个包(并行执行),每个包生成1000个数据项,并将它们提交给数据库。

对于这个解决方案,Commit方法可能是一个瓶颈,如果不明智的设计。最好是使其线程安全而不使用任何锁。如果在需要同步的线程之间不使用公共对象,这是可以实现的。

。对于sql server后端,这意味着在每个Commit()调用的上下文中创建自己的sql连接:

private void Commit(ComplexDataSet[] data)
{
    using (var connection = new SqlConnection("connection string..."))
    {
        connection.Open();
        // insert your data here...
    }
}

与其增加软件的复杂性,不如考虑简化。您可以将代码重构为三个部分:

  1. 排队的工作

    这是concurrent GenerateData in Parallel。对于进行一些繁重的计算并生成ComplexDataSet

  2. 实际队列
  3. 一个存储来自[1]的结果的并发队列——那么多ComplexDataSet。这里我假设一个ComplexDataSet的实例实际上并不真正消耗资源,而且相当轻。只要队列是并发的,它就支持并行的"插入"answers"删除"。

  4. 退出队列的worker

    从处理队列[2]中获取一个ComplexDataSet实例并将其放入并发包(或其他存储)的代码。一旦袋子有N个您阻塞的项目,停止退出队列,将袋子的内容刷新到数据库中并清除它。最后,解除阻塞并继续排队列。

这是一些元代码(它仍然可以编译,但需要改进)

[1]

// [1] - Class is responsible for generating complex data sets and 
// adding them to processing queue
class EnqueueWorker
{
    //generate data and add to queue
    internal void ParrallelEnqueue(ConcurrentQueue<ComplexDataSet> resultQueue)
    {
        Parallel.For(1, 10000, (i) =>
        {
            ComplexDataSet cds = GenerateData(i);
            resultQueue.Enqueue(cds);
        });
    }
    //generate data
    ComplexDataSet GenerateData(int i)
    {
        return new ComplexDataSet();
    }
}

[3]

//[3] This guy takes sets from the processing queue and flush results when 
// N items have been generated
class DequeueWorker
{
    //buffer that holds processed dequeued data
    private static ConcurrentBag<ComplexDataSet> buffer;
    //lock to flush the data to the db once in a while
    private static object syncRoot = new object();
    //take item from processing queue and add it to internal buffer storage
    //once buffer is full - flush it to the database
    internal void ParrallelDequeue(ConcurrentQueue<ComplexDataSet> resultQueue)
    {
        buffer = new ConcurrentBag<ComplexDataSet>();
        int N = 100;
        Parallel.For(1, 10000, (i) =>
        {
            //try dequeue
            ComplexDataSet cds = null;
            var spinWait = new SpinWait();
            while (cds == null)
            {
                resultQueue.TryDequeue(out cds);
                spinWait.SpinOnce();
            }
            //add to buffer
            buffer.Add(cds);
            //flush to database if needed
            if (buffer.Count == N)
            {
                lock (syncRoot)
                {
                    IEnumerable<ComplexDataSet> data = buffer.ToArray();
                    // flush data to database
                    buffer = new ConcurrentBag<ComplexDataSet>();
                }
            }
        });
    }        
}

[2]和用法

class ComplexDataSet { }
class Program
{
    //processing queueu - [2]
    private static ConcurrentQueue<ComplexDataSet> processingQueue;
    static void Main(string[] args)
    {
        // create new processing queue - single instance for whole app
        processingQueue = new ConcurrentQueue<ComplexDataSet>();
        //enqueue worker
        Task enqueueTask = Task.Factory.StartNew(() =>
            {
                EnqueueWorker enqueueWorker = new EnqueueWorker();
                enqueueWorker.ParrallelEnqueue(processingQueue);
            });
        //dequeue worker
        Task dequeueTask = Task.Factory.StartNew(() =>
        {
            DequeueWorker dequeueWorker = new DequeueWorker();
            dequeueWorker.ParrallelDequeue(processingQueue);
        });            
    }
}