前言

Disruptor是一个开源框架，研发的初衷是为了解决高并发下队列锁的问题。

最早由LMAX提出并使用，能够在无锁的情况下实现队列的并发操作，并号称能够在一个线程里每秒处理6百万笔订单。

官网：http://lmax-exchange.github.io/disruptor/

目前，包括Apache Storm、Camel、Log4j2在内的很多知名项目都应用了Disruptor以获取高性能。

为什么会产生Disruptor框架

「目前Java内置队列保证线程安全的方式：」

ArrayBlockingQueue：基于数组形式的队列，通过加锁的方式，来保证多线程情况下数据的安全。

LinkedBlockingQueue：基于链表形式的队列，也通过加锁的方式，来保证多线程情况下数据的安全。

ConcurrentLinkedQueue：基于链表形式的队列，通过CAS的方式。

我们知道，在编程过程中，加锁通常会严重地影响性能，所以尽量用无锁方式，就产生了Disruptor这种无锁高并发框架。

基本概念

参考地址：https://github.com/LMAX-Exchange/disruptor/wiki/Introduction#core-concepts

RingBuffer：

Disruptor底层数据结构实现，核心类，是线程间交换数据的中转地。

Sequencer：

序号管理器，生产同步的实现者，负责消费者/生产者各自序号、序号栅栏的管理和协调。

• Sequencer有单生产者，多生产者两种不同的模式，里面实现了各种同步的算法。

Sequence：

序号，声明一个序号，用于跟踪ringbuffer中任务的变化和消费者的消费情况。

disruptor里面大部分的并发代码都是通过对Sequence的值同步修改实现的，而非锁，这是disruptor高性能的一个主要原因。

SequenceBarrier：

序号栅栏，管理和协调生产者的游标序号和各个消费者的序号，确保生产者不会覆盖消费者未来得及处理的消息。

• 确保存在依赖的消费者之间能够按照正确的顺序处理。

EventProcessor:

事件处理器，监听RingBuffer的事件，并消费可用事件，从RingBuffer读取的事件会交由实际的生产者实现类来消费。

• 它会一直侦听下一个可用的序号，直到该序号对应的事件已经准备好。

EventHandler：

业务处理器，是实际消费者的接口，完成具体的业务逻辑实现，第三方实现该接口，代表着消费者。

Producer：

生产者接口，第三方线程充当该角色，producer向RingBuffer写入事件。

Wait Strategy：

Wait Strategy决定了一个消费者怎么等待生产者将事件（Event）放入Disruptor中。

等待策略

源码地址：https://github.com/LMAX-Exchange/disruptor/blob/master/src/main/java/com/lmax/disruptor/WaitStrategy.java

「BlockingWaitStrategy」

Disruptor的默认策略是BlockingWaitStrategy。

在BlockingWaitStrategy内部是使用锁和condition来控制线程的唤醒。

• BlockingWaitStrategy是最低效的策略，但其对CPU的消耗最小并且在各种不同部署环境中能提供更加一致的性能表现。

「SleepingWaitStrategy」

SleepingWaitStrategy 的性能表现跟 BlockingWaitStrategy 差不多。

对 CPU 的消耗也类似，但其对生产者线程的影响最小，通过使用LockSupport.parkNanos(1)来实现循环等待。

「YieldingWaitStrategy」

YieldingWaitStrategy是可以使用在低延迟系统的策略之一。

YieldingWaitStrategy将自旋以等待序列增加到适当的值。

在循环体内，将调用Thread.yield()以允许其他排队的线程运行。

• 在要求极高性能且事件处理线数小于 CPU 逻辑核心数的场景中，推荐使用此策略，例如，CPU开启超线程的特性。

「BusySpinWaitStrategy」

性能最好，适合用于低延迟的系统。

在要求极高性能且事件处理线程数小于CPU逻辑核心数的场景中，推荐使用此策略，例如，CPU开启超线程的特性。

「PhasedBackoffWaitStrategy」

自旋 + yield + 自定义策略，CPU资源紧缺，吞吐量和延迟并不重要的场景。

使用举例

参考地址：https://github.com/LMAX-Exchange/disruptor/wiki/Getting-Started

<dependency>
      <groupId>com.lmax</groupId>
      <artifactId>disruptor</artifactId>
      <version>3.3.4</version>
   </dependency>

//定义事件event  通过Disruptor 进行交换的数据类型。
public class LongEvent {

    private Long value;

    public Long getValue() {
        return value;
    }

    public void setValue(Long value) {
        this.value = value;
    }

}

public class LongEventFactory implements EventFactory<LongEvent> {
    public LongEvent newInstance() {
        return new LongEvent();
    }
}

//定义事件消费者
public class LongEventHandler implements EventHandler<LongEvent>  {
    public void onEvent(LongEvent event, long sequence, boolean endOfBatch) throws Exception {
         System.out.println("消费者:"+event.getValue());
    }
}

//定义生产者
public class LongEventProducer {
    public final RingBuffer<LongEvent> ringBuffer;
    public LongEventProducer(RingBuffer<LongEvent> ringBuffer) {
        this.ringBuffer = ringBuffer;
    }
    public void onData(ByteBuffer byteBuffer) {
        // 1.ringBuffer 事件队列 下一个槽
        long sequence = ringBuffer.next();
        Long data = null;
        try {
            //2.取出空的事件队列
            LongEvent longEvent = ringBuffer.get(sequence);
            data = byteBuffer.getLong(0);
            //3.获取事件队列传递的数据
            longEvent.setValue(data);
            try {
                Thread.sleep(10);
            } catch (InterruptedException e) {
                // TODO Auto-generated catch block
                e.printStackTrace();
            }
        } finally {
            System.out.println("生产这准备发送数据");
            //4.发布事件
            ringBuffer.publish(sequence);
        }
    }
}

public class DisruptorMain {
    public static void main(String[] args) {
        // 1.创建一个可缓存的线程 提供线程来出发Consumer 的事件处理
        ExecutorService executor = Executors.newCachedThreadPool();
        // 2.创建工厂
        EventFactory<LongEvent> eventFactory = new LongEventFactory();
        // 3.创建ringBuffer 大小
        int ringBufferSize = 1024 * 1024; // ringBufferSize大小一定要是2的N次方
        // 4.创建Disruptor
        Disruptor<LongEvent> disruptor = new Disruptor<LongEvent>(eventFactory, ringBufferSize, executor,
                ProducerType.SINGLE, new YieldingWaitStrategy());
        // 5.连接消费端方法
        disruptor.handleEventsWith(new LongEventHandler());
        // 6.启动
        disruptor.start();
        // 7.创建RingBuffer容器
        RingBuffer<LongEvent> ringBuffer = disruptor.getRingBuffer();
        // 8.创建生产者
        LongEventProducer producer = new LongEventProducer(ringBuffer);
        // 9.指定缓冲区大小
        ByteBuffer byteBuffer = ByteBuffer.allocate(8);
        for (int i = 1; i <= 100; i++) {
            byteBuffer.putLong(0, i);
            producer.onData(byteBuffer);
        }
        //10.关闭disruptor和executor
        disruptor.shutdown();
        executor.shutdown();
    }
}

设计原理

Disruptor通过以下设计来解决队列速度慢的问题。

「环形数组结构：」

为了避免垃圾回收，采用数组而非链表，同时，数组对处理器的缓存机制更加友好。

原因：CPU缓存是由很多个缓存行组成的。

每个缓存行通常是64字节，并且它有效地引用主内存中的一块儿地址。

一个Java的long类型变量是8字节，因此在一个缓存行中可以存8个long类型的变量。

• CPU每次从主存中拉取数据时，会把相邻的数据也存入同一个缓存行。

在访问一个long数组的时候，如果数组中的一个值被加载到缓存中，它会自动加载另外7个。

• 因此你能非常快的遍历这个数组。

「元素位置定位：」

数组长度2^n，通过位运算，加快定位的速度，下标采取递增的形式。

不用担心index溢出的问题。

• index是long类型，即使100万QPS的处理速度，也需要30万年才能用完。

「无锁设计：」

每个生产者或者消费者线程，会先申请可以操作的元素在数组中的位置，申请到之后，直接在该位置写入或者读取数据。

• 整个过程通过原子变量CAS，保证操作的线程安全。

数据结构

框架使用RingBuffer来作为队列的数据结构，RingBuffer就是一个可自定义大小的环形数组。

除数组外还有一个序列号(sequence)，用以指向下一个可用的元素，供生产者与消费者使用。

原理图如下所示：

Sequence

mark：Disruptor通过顺序递增的序号来编号管理通过其进行交换的数据（事件）。

• 对数据(事件)的处理过程总是沿着序号逐个递增处理。

「数组+序列号设计的优势是什么呢？」

回顾一下HashMap，在知道索引(index)下标的情况下，存与取数组上的元素时间复杂度只有O(1)。

而这个index我们可以通过序列号与数组的长度取模来计算得出，index=sequence % table.length。

• 当然也可以用位运算来计算效率更高，此时table.length必须是2的幂次方。

写数据流程

单线程写数据的流程：

申请写入m个元素。

若是有m个元素可以入，则返回最大的序列号。

• 这儿主要判断是否会覆盖未读的元素。

若是返回的正确，则生产者开始写入元素。

使用场景

经过测试，Disruptor的的延时和吞吐量都比ArrayBlockingQueue优秀很多。

• 所以，当你在使用ArrayBlockingQueue出现性能瓶颈的时候，你就可以考虑采用Disruptor的代替。

参考：https://github.com/LMAX-Exchange/disruptor/wiki/Performance-Results

当然，Disruptor性能高并不是必然的，所以，是否使用还得经过测试。

Disruptor的最常用的场景就是生产者-消费者场景，对场景的就是一个生产者、多个消费者的场景，并且要求顺序处理。

举个例子：

我们从MySQL的BigLog文件中顺序读取数据，然后写入到ElasticSearch（搜索引擎）中。

在这种场景下，BigLog要求一个文件一个生产者，那个是一个生产者。

而写入到ElasticSearch，则严格要求顺序，否则会出现问题。

• 所以通常意义上的多消费者线程无法解决该问题，如果通过加锁，则性能大打折扣。