Linux系统编程：对于线程概念的理解
目录
一. 预备知识
1.1 OS对于地址空间的细粒度划分管理
1.2 IO的基本单位
1.3 一级页表和二级页表
二. 线程的基本概念
2.1 什么是线程
2.2 Linux环境下对于进程和线程的重新理解
2.3 线程的创建
2.4 线程和进程的特性比较
三. 总结
一. 预备知识
1.1 OS对于地址空间的细粒度划分管理
我们知道，对于每一个正在运行的进程，OS都会为它创建一个PCB，并为其分匹配虚拟的进程地址空间和页表，而进程地址空间中，根据每个虚拟地址处数据类型的不同，又可以被划分为：内核空间、命令行参数和环境变量区、栈区、堆区、共享区、未初始化全局数据区、已初始化全局数据区和常量区。
我们以堆区为例，堆区空间是由用户 malloc / new 动态申请得来的，假设我们执行多次malloc / new，就可以在堆区申请到多块空间，但是，通过 malloc / new 动态申请内存，通过返回值只能获取到申请空间的起始位置，那么怎样知道每一块空间的起始地址和结束地址呢？
换言之，OS对进程地址空间中某个区域（堆区）的管理，是将其视为一个统一的整体来管理，还是将其划分为更小的区块，来进行细粒度的管理？
OS通过内核级数据结构struct vm_area_struct，来实现对进程地址空间的细粒度划分管理。vm_area_struct 中，存有指向前一个和后一个 vm_area_struct 的指针，其中还包括start和end，表示这个vm_area_struct所管理的地址空间的起始地址和结束地址，将每一个vm_area_struct当做一个双链表节点来处理，就可以实现对地址空间的细粒度划分管理。
据此，我们可以设想一下连续malloc在堆区申请5块动态空间，OS做了什么。OS会先后创建5个vm_area_struct对象，每次调用malloc创建空间后，就获得一个vm_area_struct，并将其插入到链表的中去，这样就将每次malloc申请的堆区空间进行了细粒度划分管理。
结论：Linux通过vm_area_struct记录进程地址空间中每个小块空间的属性信息，并通过特定的数据结构对每个vm_area_struct节点进行管理，以实现对进程地址空间的细粒度管理。
图1.1 采用vm_area_struct对进程地址空间进行细粒度管理
1.2 IO的基本单位
编译器对源代码进行编译后，会生成可执行文件，而一旦这个可执行文件被载入到内存之中去运行，就会形成一个进程，这个进程又有属于其自身的进程地址空间。
进程地址空间中的虚拟地址，是由编译器赋予的，而不是进程运行起来后由操作系统分配。每个可执行文件中的数据，都会由编译器以4KB为基本单位来进行划分，同时，OS对物理内存的管理，也是以4KB为单位的。如图1.2所示，可执行程序中的数据，在运行期间会以4KB为单位载入到内存中去，每个叶帧，对应一个页框。
结论：IO的基本单位为4KB。
- 页帧：可执行程序中每个4KB大小的空间。
- 页框：物理内存中，每个4KB大小的空间。
图1.2 可执行程序的IO
我们假设物理内存的大小为4G，物理内存按照4KB为单位划分为一个个页框，粗略估算，内存中大概有100W左右个页框。那么，这100W左右的页框是否要被管理起来呢？答案是要的！
Linux提供struct Page来对每个页框进行管理，每个页框都有一个struct Page与之对应，通过一定的内核数据结构，来对所有的页框进行管理。
据此，我们可以推断，可执行程序成为一个进程在CPU中运行时，映射关系的建立流程为：OS为进程分配地址空间和页表 -> 将虚拟地址写入页表中 -> 从磁盘中找数据，载入内存 -> 将载入到内存中的物理地址填入到页表。
如果在通过页表中虚拟地址映射的页面不在物理内存中，即：页表中的虚拟地址还没有和物理地址成功建立映射关系，就会触发缺页中断。缺页中断发生在进程运行起来之前，物理地址载入页表与虚拟地址建立映射的时候，图1.3为缺页中断的处理流程。
触发缺页中断的原因：页表中的虚拟地址没有映射到物理地址。
图1.3 缺页中断的处理流程
1.3 一级页表和二级页表
以32位环境为例，一个进程地址空间中有
个地址，假设只有一张页表来进行虚拟地址和物理地址之间的映射，就需要组映射关系，对于页表中的每组映射，至少要有一个虚拟地址(4bytes)、一个物理地址(4bytes)和一些描述信息，就假设一组映射关系需要8字节，那么组映射关系就需要约32G的页表空间，而页表是存储在内存中的，这显然无法实现！
为此，在32位环境下，操作系统给出的解决方案是将每个虚拟地址的32个二进制比特位划分为三组，第1 ~ 10个bit为对应一级页表，第11 ~ 20个比特位对应二级页表，最后12个bit位为偏移量。
用前10个bit位，建立的一级页表，去映射第 11 ~ 20 个bit位建立的二级页表，通过一级页表和二级页表的映射，可以找到物理内存中每个4KB页框的起始地址，最后12个bit位为实际要映射的物理地址相对于页框起始地址的偏移量，这样，通过 一级页表 + 二级页表 + 页内偏移量 的方式，就实现成了虚拟地址到物理地址的映射。
结论：虚拟地址映射到物理地址的方式为 一级页表 + 二级页表 + 页内偏移量
图1.4 虚拟地址到物理地址的映射方法
二. 线程的基本概念
2.1 什么是线程
线程：线程是在进程内部执行的执行流，是OS调度的基本单位。
我们知道，OS会为每一个进程，都创建一个PCB，OS中各个进程都拥有独自的PCB，并且，每个进程都有属于其本身的数据和代码，以及一份地址空间，即使是父子进程之间的进程地址空间也是独立的。
如图2.1所示的场景，几个task_struct共享一份地址空间，分别通过页表，映射执行这个地址空间指向的不同的函数方法，即：通过一定的技术手段，将一个进程地址空间的资源分配给多个task_struct共享，共享同一份进程地址空间资源的task_struct，就是隶属于同一个进程的不同线程。
图2.1 线程调度
也就是说，Linux严格意义上讲并不区分进程和线程，只认PCB。如果几个线程属于同一个进程，那么它们的PCB会指向同一份地址空间，如果两个PCB属于不同的进程，那么他们所使用的的地址空间一定不是同一份。
可以这样理解，线程就是进程中的执行流，多线程环境下，每个线程可以执行进程中的不同方法以实现并发执行，这样就可以提高运行速度。
结论：Linux没有独立的线程数据结构，是通过进程来模拟线程的。
采用进程模拟线程是Linux独有的方式，在windows等其他操作系统中，还是会有专门的数据结构，用于描述线程的。
2.2 Linux环境下对于进程和线程的重新理解
根据2.1章节的内容，我跟可以归纳出这些结论：
- 线程是在进程内部执行的，线程是操作系统进行调度的基本单位。
- 严格意义上讲Linux不具有真正的线程，甚至不严格意义上区分进程和线程，是通过进程来模拟线程实现的。隶属于同一个进程的不同线程，具有独立的task_struct，但是它们共享同一份地址空间和页表。
- Linux操作系统在调度时，只关心PCB，不关系是进程还是线程。
在没有涉及到多线程的时候，我们认为一个进程内部只有一个执行流，这样的进程被称为单线程进程，同时，在不涉及多线程时，我们认为 进程 = PCB + 进程的代码和数据。
现在，我们有了多线程概念，知道了一个进程中可能有多个线程在运行，而每个线程都具有属于其自身的PCB，因此，在用户视角，可认为 进程 = 其内部所有线程的PCB + 进程的代码和数据。
一个进程内部的线程共享同一份地址空间的资源，而地址空间和页表对于进程来说是独立的，因此，在内核视角，可认为进程是资源分配的基本单位。
Linux采用进程PCB来模拟实现线程这种独特的方式，这样我们就可以认为，相对于其它的操作系统，Linux下的进程为轻量级进程。因为，如果一个进程中只有一个线程，那么这个线程的就对应进程地址空间的全部地址，而如果是多线程进程，那么进程中的不同方法可以由不同的线程来并发执行，这样一个线程就对应于进程地址空间的一部分，相对于其它操作系统采用专门的数据结构来管理线程，一个PCB就是对应于全部地址空间而言，Linux下的PCB可以对应较小的地址空间范围，而Linux又不严格意义上区分进程和线程，因此我们可以是Linux下的进程为轻量级进程。
也正是由于Linux采用这种“轻量级进程”的方式，所以Linux本身只会提供创建这种轻量级进程的系统调用接口。如果要创建线程，就需要使用Linux自带的第三方线程库，使用线程库必须包含头文件#include
2.3 线程的创建
线程创建函数：pthread_create
函数原型：int pthread_create(pthread_t *thread, const pthread_attr_t *attr, void* (*start_routine)(void*), void *args);
本文暂时不关心第一个参数和第二个参数，暂时先知道pthread_t为线程id就好，其中start_routine是线程的入口函数地址，args为传入到start_routine函数中的参数。
如代码2.1所示，在一个进程中调用pthread_create创建五个线程，这样算上main函数的执行流，就有6个线程在这个进程中运行，设置RunThread函数为线程入口，在RunThread中输出线程的pid，这样就可以看到，pthread_create创建的线程和原本就存在的主线程pid是相同的，这样就证明了这些线程隶属于同一进程。
结论：在同一进程中运行的线程，它们的pid相同。
代码2.1：调用pthread_create函数创建线程
#include
#include
#include
#include
void *pthreadRun(void *args)
{
std::cout << (char*)args << ", pid:" << getpid() << std::endl;
sleep(1);
}
int main()
{
pthread_t tid[5];
char para[64]; // 线程入口函数参数
for(int i = 0; i < 5; ++i)
{
snprintf(para, 64, "%s %d", "thread ", i);
pthread_create(tid + i, nullptr, pthreadRun, (void*)para);
sleep(1);
}
std::cout << "main thread, pid:" << getpid() << std::endl;
return 0;
} 
图2.2 代码2.1的运行结果
我们对代码2.1进行更改如代码2.2所示，在pthreadRun函数和main函数的结尾都加入while(true)死循环，如图2.3所示，另起一个终端，通过指令 ps axj | head -1 && ps axj | grep mythread.exe | grep -v grep来监视mythread.exe进程，可以看到，虽然有多个线程被创建，也就是说创建了多个PCB，但依旧只能看到一个进程。如果希望看到每一个线程信息，则需要-L选项，-L选项的功能是查看轻量级进程，通过ps -aL | head -1 && ps -aL | grep mythread.exe | grep -v grep指令，就可以看到6个线程了。
其中，LWP的意义是Light Weight Process，轻量级进程pid。
我们可以看到，主线程的LWP和线程的PID是相同的，而通过pthread_create创建的线程，它们的LWP和进程的PID则是不同的。
代码2.2：用于监视多线程PID和LWP的代码
#include
#include
#include
#include
void *pthreadRun(void *args)
{
std::cout << (char*)args << ", pid:" << getpid() << std::endl;
sleep(1);
while(true);
}
int main()
{
pthread_t tid[5];
char para[64]; // 线程入口函数参数
for(int i = 0; i < 5; ++i)
{
snprintf(para, 64, "%s %d", "thread ", i);
pthread_create(tid + i, nullptr, pthreadRun, (void*)para);
sleep(1);
}
std::cout << "main thread, pid:" << getpid() << std::endl;
while(true);
return 0;
} 
图2.3 对代码2.2的运行和监视结果
三. 线程的特性
3.1 多线程间共享和独有的资源
多线程共享的资源：
- 同一地址空间的全局的数据、变量等资源。
- 文件描述符表fd_array。
- 对于信号的处理方法（SIG_DFL、SIG_IG、user_handler）。
- 当前工作目录，用户id和组id。
每个线程独有的资源：
- 栈区 -- 执行pthreadRun函数需要为它在栈区开一块空间，这块空间独属于pthreadRun函数。
- 一组寄存器 -- 记录线程的上下文数据。
- 轻量级进程（线程）id -- LWP
- 错误码 errno
- 信号屏蔽字
- 调度优先级
3.2 线程切换和进程切换的效率比较
- 线程切换的效率要高于进程切换，原因在于以下两个方面。
- 线程切换不需要切换地址空间和页表，但是由于地址PCB中指向地址空间的指针mm_struct*和页表MMU，都是存放在CPU寄存器中的，而CPU寄存器效率极高，因此，这并不是线程切换效率高于进程切换的主要原因。
- 主要原因：CPU中有 1 ~ 3 级cache，根据局部性原理，访问物理内存某个位置处的数据时，会将其周围的数据也同时加载到CPU的cache中，这样就可以减少对物理内存的访问，提高运行效率。在线程切换时，由于共享同一地址空间中的资源，切换后很有可能就不需要更新cache中的数据，而进程切换切换后cache几乎不可能再次命中，那么就一定要切换cache中的数据，造成进程切换的效率低于线程切换。
3.3 线程相比于进程的优缺点
线程的优点：
- 创建一个新线程的成本要低于创建一个新进程。
- 一个线程占用的资源要小于一个进程占用的资源。
- CPU切换线程的效率要高于切换进程的效率。
- 能够充分利用多处理器进行并行处理，提高效率。
- 在计算密集型和IO密集型的应用场景中，多线程并行计算或IO，可以提高效率。
线程的缺点：
- 在某些时候降低效率：如果创建的线程过多，那么线程之间频繁的切换，就会消耗成本，造成整体的效率下降。创建线程数目的共识为：线程数量 = CPU核数
- 降低健壮性：在多线程程序中，由于时间分配的细微差异或者错误的资源共享，容易造成线程之间难以预期的问题，且代码的调试难度大。
- 缺乏访问控制：进程之间是相互独立的，而线程之间并不独立，一个线程的某些计算操作，可能会对整个进程中的所有线程产生影响。
- 编程难度大：编写出安全的多线程代码比单线程困难的多，调试难度也更大。
四. 总结
- OS通过vm_area_struct实现对进程地址空间资源的细粒度划分管理。
- IO的基本单位是4KB，如果某个虚拟地址无法在页表中找到与之对应的物理地址，那么就会触发缺页中断。
- 虚拟地址到物理地址，是通过 一级页表 + 二级页表 + 页内偏移量 来映射的。
- 线程是在进程内部运行的，线程是OS调度的基本单位。
- Linux不从严格意义上区分进程和线程，其采用PCB的来模拟线程，如果多个PCB共同使用一份地址空间资源，那么，这些PCB就属于同一进程。
- Linux调度其实不关注调度的是进程还是线程，只关心PCB。
- 通过pthread_create，可以创建线程，多线程中每个线程有独立的LWP，但它们的pid相同。
- 同一进程中的每个线程，有一些资源是共享的，有一些资源是每个线程独占的，线程切换的效率要高于进程切换。
- 虽然线程能够充分利用多处理器并行运算提高效率，但是，多线程也存在代码健壮性低、缺乏访问控制等缺陷。