影响java并行性能5个主要因素

文章最前： 我是Octopus，这个名字来源于我的中文名--章鱼；我热爱编程、热爱算法、热爱开源。所有源码在我的个人github ；这博客是记录我学习的点点滴滴，如果您对 Python、Java、AI、算法有兴趣，可以关注我的动态，一起学习，共同进步。

相关文章：

1. LeetCode：55. Jump Game（跳远比赛）
2. Leetcode：300. Longest Increasing Subsequence（最大增长序列）
3. LeetCode：560. Subarray Sum Equals K（找出数组中连续子串和等于k）

---

文章目录

1.数据大小

2. 源数据结构

 3.装箱

4.核的数量

5. 单元处理开销

---

1.数据大小

输入数据的大小会影响并行化处理对性能的提升。 将问题分解之后并行化处理， 再将结果合并会带来额外的开销。 因此只有数据足够大、 每个数据处理管道花费的时间足够多时， 并行化处理才有意义。

2. 源数据结构

      每个管道的操作都基于一些初始数据源， 通常是集合。 将不同的数据源分割相对容易，这里的开销影响了在管道中并行处理数据时到底能带来多少性能上的提升。

 3.装箱

处理基本类型比处理装箱类型要快。

4.核的数量

极端情况下， 只有一个核， 因此完全没必要并行化。 显然， 拥有的核越多， 获得潜在性能提升的幅度就越大。 在实践中， 核的数量不单指你的机器上有多少核， 更是指运行时你的机器能使用多少核。 这也就是说同时运行的其他进程， 或者线程关联性（ 强制线程在某些核或 CPU 上运行） 会影响性能。

5. 单元处理开销

比如数据大小， 这是一场并行执行花费时间和分解合并操作开销之间的战争。 花在流中每个元素身上的时间越长， 并行操作带来的性能提升越明显。