Item 48 - 스트림 병렬화는 주의해서 적용하라
자바와 동시성 프로그래밍
동시성 프로그래밍 측면에서 자바는 항상 앞서갔다.
- 스레드, 동기화, wait/notify - 처음 릴리즈부터 지원
- 동시성 컬렉션(
java.util.concurrent), 실행자 프레임워크(Executor) - 자바 5부터 지원 - 고성능 병렬 분해 프레임워크(
parallel decom-position), 포크-조인 패키지 - 자바 7부터 지원 - 병렬 스트림 메서드(
parallel) - 자바 8부터 지원
동시성 프로그램을 작성하기는 쉬워지고 있지만, 올바르고 빠르게 작성하는 일은 여전히 어렵다.
동시성 프로그래밍을 할 때는 항상 안정성(safety)과 응답 가능(liveness) 상태를 유지해야 한다.
병렬 스트림 파이프라인 프로그래밍에서도 마찬가지다.
파이프라인 병렬화로 성능 개선을 기대하기 어려운 경우
스트림을 사용해 처음 20개의 메르센 소수를 생성하는 프로그램
1
2
3
4
5
6
7
8
9
10
11
12
13
14
public class MersennePrimes {
@Test
void MersennePrimesTest() {
primes().map(p -> TWO.pow(p.intValueExact()).subtract(ONE))
.filter(mersenne -> mersenne.isProbablePrime(50))
.limit(20)
.forEach(System.out::println);
}
static Stream<BigInteger> primes() {
return Stream.iterate(TWO, BigInteger::nextProbablePrime);
}
}
- 프로그램 수행 시, 약 7.5초 걸렸다.
속도를 높이고 싶어 parallel 을 호출해 병렬 처리를 한다고 해보자.
이 프로그램의 성능은 어떻게 변할까?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
public class MersennePrimes {
@Test
void ParallelMersennePrimesTest() {
primes().map(p -> TWO.pow(p.intValueExact()).subtract(ONE))
.parallel() // 스트림 병렬화
.filter(mersenne -> mersenne.isProbablePrime(50))
.limit(20)
.forEach(System.out::println);
}
static Stream<BigInteger> primes() {
return Stream.iterate(TWO, BigInteger::nextProbablePrime);
}
}
- 아무 것도 출력하지 못하고, 응답 불가 상태가 된다.
- 스트림 라이브러리가 파이프라인을 병렬화하는 방법을 찾아내지 못했기 때문이다.
- 데이터 소스가 Stream.iterate거나 중간 연산으로 limit를 쓰면 파이프라인 병렬화로는 성능 개선을 기대할 수 없다.
즉, 스트림 파이프라인을 마구잡이로 병렬화하면 오히려 성능이 나빠질 수 있다.
스트림 병렬화는 어떤 경우 사용해야 할까❓
✔️ 병렬화 효과가 좋은 스트림 소스
ArrayList,HashMap,HashSet,ConcurrentHashMap의 인스턴스, 배열, int 범위, long 범위
✔️ 병렬화 효과가 좋은 자료구조의 공통점
- 정확하고 쉽게 나눌 수 있다.
- 데이터를 원하는 크기로 정확하고 쉽게 나눌수 있다.
- 따라서 다수의 스레드에 분배하기 좋다.
- 나누는 작업은 Spliterator가 담당하며, Stream이나 Iterable의 spliterator 메서드로 얻는다.
- 참조 지역성이 뛰어나다.
- 이웃한 원소의 참조들이 메모리에 연속해서 저장되어 있다.
- 다량의 데이터를 처리하는 벌크 연산을 병렬화 할 때 유리하다.
참조 지역성이 가장 뛰어난 자료구조는 기본 타입 배열이다. 기본 타입 배열은 데이터 자체가 메모리에 연속적으로 저장되기 때문이다.
종단 연산과 병렬화
스트림 파이프라인의 종단 연산의 동작 방식 역시 병렬 수행 효율에 영향을 준다.
병렬화에 적합한 종단 연산 ⭕
- 축소 종단 연산(파이프라인에서 만들어진 모든 원소를 하나로 합치는 작업)
- Stream의
reduce메서드 중 하나, 혹은min,max,count,sum anyMatch,allMatch,noneMatch- 조건에 맞으면 바로 반환되는 메서드
병렬화에 적합하지 않은 종단 연산 ❌
- 가변 축소(mutable reduction)를 수행하는 Stream의
collect메서드는 병렬화에 적합하지 않다. - 컬렉션을 합치는 부담이 크기 때문이다.
🔑 병렬화 올바르게 사용하기
안전 실패(safety failure)
- 안전 실패란, 스트림을 잘못 병렬화 했을 때 성능이 나빠질 뿐 아니라, 결과 자체가 잘못되거나 예상치 못한 동작이 발생하는 것을 말한다.
- 병렬화한 파이프라인이 사용하는
mappers,filters, 혹은 프로그래머가 제공한 다른 함수 객체가 명세대로 동작하지 않을 때 벌어질 수 있다. - Stream 명세는 함수 객체에 관한 엄중한 규약을 정의해놨다.
✔️ Stream 명세 규약
Stream의 reduce 연산에 건네지는 누적기와 결합기 함수는 반드시 결합 법칙을 만족해야 한다.
결합 법칙 : (a op b) op c == a op (b op c)
간섭받지 않아야 한다. (non-intefering)
파이프라인이 수행되는 동안 데이터 소스가 변경되지 않아야 한다.
상태를 갖지 않아야 한다. (stateless)
이러한 요구사항을 지키지 못하는 상태에서 병렬로 파이프라인을 수행하면 실패로 이어지기 쉽다.
병렬화를 사용할 가치가 있는지 판단하자
- 스트림 병렬화는 오직 성능 최적화 수단임을 기억하자.
- 변경 전후로 반드시 성능을 테스트해서 병렬화를 사용할 가치가 있는지 판단해야한다.
병렬화를 효과적으로 사용한 예제
조건이 잘 갖춰지면 parallel 메서드 호출 하나로 굉장한 성능 향상을 기대할 수 있다.
아래 예제는 병렬화 하기 좋은 조건을 갖춘 소수 계산 스트림 파이프라인 코드이다.
n보다 작거나 같은 소수의 개수를 계산하는 함수
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
public class PrimeCounting {
// 소수 계산 스트림 파이프라인
static long pi(long n) {
return LongStream.rangeClosed(2, n)
.mapToObj(BigInteger::valueOf)
.filter(i -> i.isProbablePrime(50))
.count();
}
@Test
void primeCountingTest() {
System.out.println(pi(10_000_000));
}
}
- 10^7 계산 시, 30초가 걸렸다.
parallel 메서드를 추가해서 병렬화 해보자
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
public class PrimeCounting {
// 병렬화 버전
static long parallelPi(long n) {
return LongStream.rangeClosed(2, n)
.parallel()
.mapToObj(BigInteger::valueOf)
.filter(i -> i.isProbablePrime(50))
.count();
}
@Test
void parallelPrimeCountingTest() {
System.out.println(parallelPi(10_000_000));
}
}
- 10^7 계산 시, 9.7초가 걸렸다.
parallel호출을 추가한 것뿐이지만, 시간이 2배 이상 단축됐다.
무작위 수들로 이루어진 스트림 병렬화
SplittableRandom인스턴스를 활용해서 병렬화하자. 성능이 선형으로 좋아진다.Random을 사용하는 경우 병렬화를 해선 안된다.
모든 연산을 동기화하기 때문에 최악의 성능으로 이어진다.
- 무작위 수 병렬화 연산 속도 (
SplittableRandom>ThreadLocalRandom>Random)
💡 정리
- 계산도 정확하고 성능도 좋아질 거라는 확신 없이는 스트림 파이프라인 병렬화를 하지 말자.
- 수정 후 코드가 여전히 정확한지 확인하고 병렬화 사용 가치가 있는지 확인하자.
- 위의 조건들이 확실해졌을 때, 병렬화 버전 코드를 운영 코드에 반영하자.