爱站程序员基地这是由 Java 官方发布，Oracle JDK 研发 Nipafx 制作的节目，包含 JDK 近期的研发进展和新特性展望和使用，这里加上个人译制的字幕搬运而来。我把 Nipafx 的扩展资料详细研读并提取精华做了个人详细解读：视频地址（熟肉）
⎯⎯⎯⎯⎯⎯ Chapters ⎯⎯⎯⎯⎯⎯
- 0:00 – Intro
- 0:33 – Vector API
- 0:56 – Vector API – SIMD and Vector Instructions
- 2:22 – Vector API – Current State
- 3:10 – Vector API – MoreInside Java podcast Ep. 7
- 3:59 – Records Serialization
- 5:22 – JDK 17 – Enhanced Pseudo-Random Number Generators
- 6:06 – Outro
这一节的内容不是很多，但是都比较有意思。
Vector API
相关 JEP：
- JEP 338: Vector API (Incubator)
- JEP 414: Vector API (Second Incubator)：Java 17 中的
- JEP 417: Vector API (Third Incubator)：Java 18 中的
其中最主要的应用就是使用了 CPU 的 SIMD（单指令多数据）处理，它提供了通过程序的多通道数据流，可能有 4 条通道或 8 条通道或任意数量的单个数据元素流经的通道。并且 CPU 一次在所有通道上并行组织操作，这可以极大增加 CPU 吞吐量。通过 Vector API，Java 团队正在努力让 Java 程序员使用 Java 代码直接访问它；过去，他们必须在汇编代码级别对向量数学进行编程，或者使用 C/C++ 与 Intrinsic 一起使用，然后通过 JNI 提供给 Java。
一个主要的优化点就是循环，过去的循环（标量循环），一次在一个元素上执行，那很慢。现在，您可以使用 Vector API 将标量算法转换为速度更快的数据并行算法。一个使用 Vector 的例子：
//测试指标为吞吐量@BenchmarkMode(Mode.Throughput)//需要预热，排除 jit 即时编译以及 JVM 采集各种指标带来的影响，由于我们单次循环很多次，所以预热一次就行@Warmup(iterations = 1)//单线程即可@Fork(1)//测试次数，我们测试10次@Measurement(iterations = 10)//定义了一个类实例的生命周期，所有测试线程共享一个实例@State(value = Scope.Benchmark)public class VectorTest {private static final VectorSpecies<Float> SPECIES =FloatVector.SPECIES_256;final int size = 1000;final float[] a = new float[size];final float[] b = new float[size];final float[] c = new float[size];public VectorTest() {for (int i = 0; i < size; i++) {a[i] = ThreadLocalRandom.current().nextFloat(0.0001f, 100.0f);b[i] = ThreadLocalRandom.current().nextFloat(0.0001f, 100.0f);}}@Benchmarkpublic void testScalar(Blackhole blackhole) throws Exception {for (int i = 0; i < a.length; i++) {c[i] = (a[i] * a[i] + b[i] * b[i]) * -1.0f;}}@Benchmarkpublic void testVector(Blackhole blackhole) {int i = 0;//高于数组长度的 SPECIES 一次处理数据长度的倍数int upperBound = SPECIES.loopBound(a.length);//每次循环处理 SPECIES.length() 这么多的数据for (; i < upperBound; i += SPECIES.length()) {// FloatVector va, vb, vc;var va = FloatVector.fromArray(SPECIES, a, i);var vb = FloatVector.fromArray(SPECIES, b, i);var vc = va.mul(va).add(vb.mul(vb)).neg();vc.intoArray(c, i);}for (; i < a.length; i++) {c[i] = (a[i] * a[i] + b[i] * b[i]) * -1.0f;}}public static void main(String[] args) throws RunnerException {Options opt = new OptionsBuilder().include(VectorTest.class.getSimpleName()).build();new Runner(opt).run();}}
注意使用处于孵化的 Java 特性需要加上额外的启动参数将模块暴露，这里是
--add-modules jdk.incubator.vector
，需要在 javac 编译和 java 运行都加上这些参数，使用 IDEA 即：
测试结果：
Benchmark Mode Cnt Score Error UnitsVectorTest.testScalar thrpt 10 7380697.998 ± 1018277.914 ops/sVectorTest.testVector thrpt 10 37151609.182 ± 1011336.900 ops/s
其他使用，请参考：fizzbuzz-simd-style，这是一篇比较有意思的文章（虽然这个性能优化感觉不只由于 SIMD，还有算法优化的功劳，哈哈）
关于一些更加详细的使用，以及设计思路，可以参考这个音频：https://www.youtube.com/watch?v=VYo3p4R66N8&t=427s
Records Serialization
关于 Java Record 的序列化，我也写过一篇文章进行分析，参考：Java Record 的一些思考 – 序列化相关
其中，最重要的是一些主流的序列化框架的兼容
由于 Record 限制了序列化与反序列化的唯一方式，所以其实兼容起来很简单，比起 Java Class 改个结构，加个特性导致的序列化框架更改来说还要简单。
-
Jackson:
Issue: Support for record types in JDK 14
- Pull Request: Support for record types in JDK 14
- 对应版本：jackson-databind-2.12.0
Kryo
- Issue: Java 14 records : how to deal with them?
XStream
- Issue: Support for record types in JDK 14
这三个框架中实现对于 Record 的兼容思路都很类似，也比较简单，即：
- 实现一个针对 Record 的专用的 Serializer 以及Deserializer。
- 通过反射（Java Reflection）或者句柄（Java MethodHandle）验证当前版本的 Java 是否支持 Record，以及获取 Record 的规范构造函数（canonical constructor）以及各种 field 的 getter 进行反序列化和序列化。
JDK 17 – Enhanced Pseudo-Random Number Generators
Java 17 针对随机数生成器做了统一接口封装，并且内置了 Xoshiro 算法以及自己研发的 LXM 算法，可以参考我的这个系列文章：
- 硬核 – Java 随机数相关 API 的演进与思考（上）
- 硬核 – Java 随机数相关 API 的演进与思考（下）
这里截取一部分分析：
根据之前的分析，应该还是 SplittableRandom 在单线程环境下最快，多线程环境下使用 ThreadLocalRandom 最快。新增的随机算法实现类，Period 约大需要的计算越多， LXM 的实现需要更多计算，加入这些算法是为了适应更多的随机应用，而不是为了更快。不过为了满足大家的好奇心，还是写了如下的代码进行测试，从下面的代码也可以看出，新的 RandomGenerator API 使用更加简便：
package prng;import java.util.random.RandomGenerator;import java.util.random.RandomGeneratorFactory;import org.openjdk.jmh.annotations.Benchmark;import org.openjdk.jmh.annotations.BenchmarkMode;import org.openjdk.jmh.annotations.Fork;import org.openjdk.jmh.annotations.Measurement;import org.openjdk.jmh.annotations.Mode;import org.openjdk.jmh.annotations.Param;import org.openjdk.jmh.annotations.Scope;import org.openjdk.jmh.annotations.Setup;import org.openjdk.jmh.annotations.State;import org.openjdk.jmh.annotations.Threads;import org.openjdk.jmh.annotations.Warmup;import org.openjdk.jmh.infra.Blackhole;import org.openjdk.jmh.runner.Runner;import org.openjdk.jmh.runner.RunnerException;import org.openjdk.jmh.runner.options.Options;import org.openjdk.jmh.runner.options.OptionsBuilder;//测试指标为吞吐量@BenchmarkMode(Mode.Throughput)//需要预热，排除 jit 即时编译以及 JVM 采集各种指标带来的影响，由于我们单次循环很多次，所以预热一次就行@Warmup(iterations = 1)//线程个数@Threads(10)@Fork(1)//测试次数，我们测试50次@Measurement(iterations = 50)//定义了一个类实例的生命周期，所有测试线程共享一个实例@State(value = Scope.Benchmark)public class TestRandomGenerator {@Param({"Random", "SecureRandom", "SplittableRandom", "Xoroshiro128PlusPlus", "Xoshiro256PlusPlus", "L64X256MixRandom","L64X128StarStarRandom", "L64X128MixRandom", "L64X1024MixRandom", "L32X64MixRandom", "L128X256MixRandom","L128X128MixRandom", "L128X1024MixRandom"})private String name;ThreadLocal<RandomGenerator> randomGenerator;@Setuppublic void setup() {final String finalName = this.name;randomGenerator = ThreadLocal.withInitial(() -> RandomGeneratorFactory.of(finalName).create());}@Benchmarkpublic void testRandomInt(Blackhole blackhole) throws Exception {blackhole.consume(randomGenerator.get().nextInt());}@Benchmarkpublic void testRandomIntWithBound(Blackhole blackhole) throws Exception {//注意不取 2^n 这种数字，因为这种数字一般不会作为实际应用的范围，但是底层针对这种数字有优化blackhole.consume(randomGenerator.get().nextInt(1, 100));}public static void main(String[] args) throws RunnerException {Options opt = new OptionsBuilder().include(TestRandomGenerator.class.getSimpleName()).build();new Runner(opt).run();}}
测试结果：
Benchmark (name) Mode Cnt Score Error UnitsTestRandomGenerator.testRandomInt Random thrpt 50 276250026.985 ± 240164319.588 ops/sTestRandomGenerator.testRandomInt SecureRandom thrpt 50 2362066.269 ± 1277699.965 ops/sTestRandomGenerator.testRandomInt SplittableRandom thrpt 50 365417656.247 ± 377568150.497 ops/sTestRandomGenerator.testRandomInt Xoroshiro128PlusPlus thrpt 50 341640250.941 ± 287261684.079 ops/sTestRandomGenerator.testRandomInt Xoshiro256PlusPlus thrpt 50 343279172.542 ± 247888916.092 ops/sTestRandomGenerator.testRandomInt L64X256MixRandom thrpt 50 317749688.838 ± 245196331.079 ops/sTestRandomGenerator.testRandomInt L64X128StarStarRandom thrpt 50 294727346.284 ± 283056025.396 ops/sTestRandomGenerator.testRandomInt L64X128MixRandom thrpt 50 314790625.909 ± 257860657.824 ops/sTestRandomGenerator.testRandomInt L64X1024MixRandom thrpt 50 315040504.948 ± 101354716.147 ops/sTestRandomGenerator.testRandomInt L32X64MixRandom thrpt 50 311507435.009 ± 315893651.601 ops/sTestRandomGenerator.testRandomInt L128X256MixRandom thrpt 50 187922591.311 ± 137220695.866 ops/sTestRandomGenerator.testRandomInt L128X128MixRandom thrpt 50 218433110.870 ± 164229361.010 ops/sTestRandomGenerator.testRandomInt L128X1024MixRandom thrpt 50 220855813.894 ± 47531327.692 ops/sTestRandomGenerator.testRandomIntWithBound Random thrpt 50 248088572.243 ± 206899706.862 ops/sTestRandomGenerator.testRandomIntWithBound SecureRandom thrpt 50 1926592.946 ± 2060477.065 ops/sTestRandomGenerator.testRandomIntWithBound SplittableRandom thrpt 50 334863388.450 ± 92778213.010 ops/sTestRandomGenerator.testRandomIntWithBound Xoroshiro128PlusPlus thrpt 50 252787781.866 ± 200544008.824 ops/sTestRandomGenerator.testRandomIntWithBound Xoshiro256PlusPlus thrpt 50 247673155.126 ± 164068511.968 ops/sTestRandomGenerator.testRandomIntWithBound L64X256MixRandom thrpt 50 273735605.410 ± 87195037.181 ops/sTestRandomGenerator.testRandomIntWithBound L64X128StarStarRandom thrpt 50 291151383.164 ± 192343348.429 ops/sTestRandomGenerator.testRandomIntWithBound L64X128MixRandom thrpt 50 217051928.549 ± 177462405.951 ops/sTestRandomGenerator.testRandomIntWithBound L64X1024MixRandom thrpt 50 222495366.798 ± 180718625.063 ops/sTestRandomGenerator.testRandomIntWithBound L32X64MixRandom thrpt 50 305716905.710 ± 51030948.739 ops/sTestRandomGenerator.testRandomIntWithBound L128X256MixRandom thrpt 50 174719656.589 ± 148285151.049 ops/sTestRandomGenerator.testRandomIntWithBound L128X128MixRandom thrpt 50 176431895.622 ± 143002504.266 ops/sTestRandomGenerator.testRandomIntWithBound L128X1024MixRandom thrpt 50 198282642.786 ± 24204852.619 ops/s
在之前的结果验证中，我们已经知道了 SplittableRandom 的在单线程中的性能最好，多线程环境下表现最好的是算法与它类似但是做了多线程优化的 ThreadLocalRandom.
如何选择随机算法
原则是，看你的业务场景，所有的随机组合到底有多少个，在什么范围内。然后找大于这个范围的 Period 中，性能最好的算法。例如，业务场景是一副扑克除了大小王 52 张牌，通过随机数决定发牌顺序：
- 第一张牌：
randomGenerator.nextInt(0, 52)
，从剩余的 52 张牌选
- 第二张牌：
randomGenerator.nextInt(0, 51)
，从剩余的 51 张牌选
- 以此类推
那么一共有 52! 这么多结果，范围在 2225 ~ 2226 之间。如果我们使用的随机数生成器的 Period 小于这个结果集，那么某些牌的顺序，我们可能永远生成不了。所以，我们需要选择一个 Period > 54! 的随机数生成器。
微信搜索“我的编程喵”关注公众号，每日一刷，轻松提升技术，斩获各种offer：
