【Java面试】ConcurrentHashMap再JDK7和8中的区别以及ConcurrentHashMap底层实现

曾经终败给现在 2024-03-31 13:37 73阅读 0赞

#### 文章目录 ####

*  ConcurrentHashMap在jdk1.7中的设计
 *  在jdk1.8中做的改进
 *  ConcurrentHashMap jdk1.7、jdk1.8性能比较
 *  谈谈ConcurrentHashMap1.7和1.8的不同实现
 *   *  JDK1.7
     *  JDK1.8
 *  深入分析ConcurrentHashMap1.8的扩容实现
 *   *  什么情况会触发扩容
     *  transfer实现
 *  底层实现原理
 *   *  ConcurrentHashMap的整体架构
     *  ConcurrentHashMap的基本功能
     *  ConcurrentHashMap在性能方面的优化

如果还不了解ConcurrentHashMap的可以看： [ConcurrentHashMap概述][ConcurrentHashMap]

## ConcurrentHashMap在jdk1.7中的设计 ##

再JDK7中，ConcurrentHashMap使用的是segments+table+链表的结构。  
其中对每一个segment进行加锁，那么只要访问的是不同的segment，就可以实现并发访问hashmap的能力了。  
每一个segment都是一个HashEntry<K,V>\[\] table， table中的每一个元素本质上都是一个HashEntry的  
单向队列。比如table\[3\]为首节点，table\[3\]->next为节点1，之后为节点2，依次类推。  
![在这里插入图片描述][fc72a2d22f53404bb37d99ebcecf54c5.png]  
如果不懂volatile 关键字的作用，可以看：[volatile关键字作用][volatile]

public class ConcurrentHashMap<K, V> extends AbstractMap<K, V>
    implements ConcurrentMap<K, V>, Serializable {
        
    	// 将整个hashmap分成几个小的map，每个segment都是一个锁；与hashtable相比，这么设计的目
    	的是对于put, remove等操作，可以减少并发冲突，对
    	// 不属于同一个片段的节点可以并发操作，大大提高了性能
    	final Segment<K,V>[] segments;
    	// 本质上Segment类就是一个小的hashmap，里面table数组存储了各个节点的数据，继承了
    	ReentrantLock, 可以作为互拆锁使用
    	static final class Segment<K,V> extends ReentrantLock implements Serializable
    	{
        
    	transient volatile HashEntry<K,V>[] table;
    	transient int count;
    	}
    	// 基本节点，存储Key， Value值
    	static final class HashEntry<K,V> {
        
    	final int hash;
    	final K key;
    	volatile V value;
    	volatile HashEntry<K,V> next;
    	}
    }

## 在jdk1.8中做的改进 ##

改进一：取消segments字段，直接采用transient volatile HashEntry<K,V>\[\] table保存数据，采用  
table数组元素作为锁，从而实现了对每一行数据进行加锁，进一步减少并发冲突的概率。

改进二：将原先table数组＋单向链表的数据结构，变更为table数组＋单向链表＋红黑树的结构。对于  
hash表来说，最核心的能力在于将key hash之后能均匀的分布在数组中。如果hash之后散列的很均  
匀，那么table数组中的每个队列长度主要为0或者1。但实际情况并非总是如此理想，虽然  
ConcurrentHashMap类默认的加载因子为0.75，但是在数据量过大或者运气不佳的情况下，还是会存  
在一些队列长度过长的情况，如果还是采用单向列表方式，那么查询某个节点的时间复杂度为O(n)；因此，对于个数超过8(默认值)的列表，jdk1.8中采用了红黑树的结构，那么查询的时间复杂度可以降低到O(logN)，可以改进性能。  
为了说明以上2个改动，看一下put操作是如何实现的。

final V putVal(K key, V value, boolean onlyIfAbsent) {
        
    if (key == null || value == null) throw new NullPointerException();
    int hash = spread(key.hashCode());
    int binCount = 0;
    for (Node<K,V>[] tab = table;;) {
        
    Node<K,V> f; int n, i, fh;
    // 如果table为空，初始化；否则，根据hash值计算得到数组索引i，如果tab[i]为空，直接新
    建节点Node即可。注：tab[i]实质为链表或者红黑树的首节点。
    if (tab == null || (n = tab.length) == 0)
    tab = initTable();
    else if ((f = tabAt(tab, i = (n - 1) & hash)) == null) {
        
    if (casTabAt(tab, i, null,
    new Node<K,V>(hash, key, value, null)))
    break; // no lock when adding to empty bin
    }
    // 如果tab[i]不为空并且hash值为MOVED，说明该链表正在进行transfer操作，返回扩容完成
    后的table。
    else if ((fh = f.hash) == MOVED)
    tab = helpTransfer(tab, f);
    else {
        
    V oldVal = null;
    // 针对首个节点进行加锁操作，而不是segment，进一步减少线程冲突
    synchronized (f) {
        
    if (tabAt(tab, i) == f) {
        
    if (fh >= 0) {
        
    binCount = 1;
    for (Node<K,V> e = f;; ++binCount) {
        
    K ek;
    // 如果在链表中找到值为key的节点e，直接设置e.val = value即
    可。
    if (e.hash == hash &&
    ((ek = e.key) == key ||
    (ek != null && key.equals(ek)))) {
        
    oldVal = e.val;
    if (!onlyIfAbsent)
    e.val = value;
    break;
    }
    // 如果没有找到值为key的节点，直接新建Node并加入链表即可。
    Node<K,V> pred = e;
    if ((e = e.next) == null) {
        
    pred.next = new Node<K,V>(hash, key,
    value, null);
    break;
    }
    }
    }
    // 如果首节点为TreeBin类型，说明为红黑树结构，执行putTreeVal操作。
    else if (f instanceof TreeBin) {
        
    Node<K,V> p;
    binCount = 2;
    if ((p = ((TreeBin<K,V>)f).putTreeVal(hash, key,
    value)) != null) {
        
    oldVal = p.val;
    if (!onlyIfAbsent)
    p.val = value;
    }
    }
    }
    }
    if (binCount != 0) {
        
    // 如果节点数>＝8，那么转换链表结构为红黑树结构。
    if (binCount >= TREEIFY_THRESHOLD)
    treeifyBin(tab, i);
    if (oldVal != null)
    return oldVal;
    break;
    }
    }
    }
    // 计数增加1，有可能触发transfer操作(扩容)。
    addCount(1L, binCount);
    return null;
    }

另外，在其他方面也有一些小的改进，比如新增字段 transient volatile CounterCell\[\] counterCells; 可  
方便的计算hashmap中所有元素的个数，性能大大优于jdk1.7中的size()方法。

## ConcurrentHashMap jdk1.7、jdk1.8性能比较 ##

public class CompareConcurrentHashMap {
        
    private static ConcurrentHashMap<String, Integer> map = new
    ConcurrentHashMap<String, Integer>(40000);
    public static void putPerformance(int index, int num) {
        
    for (int i = index; i < (num + index) ; i++)
    map.put(String.valueOf(i), i);
    }
    public static void getPerformance2() {
        
    long start = System.currentTimeMillis();
    for (int i = 0; i < 400000; i++)
    map.get(String.valueOf(i));
    long end = System.currentTimeMillis();
    System.out.println("get: it costs " + (end - start) + " ms");
    }
    public static void main(String[] args) throws InterruptedException {
        
    long start = System.currentTimeMillis();
    final CountDownLatch cdLatch = new CountDownLatch(4);
    for (int i = 0; i < 4; i++) {
        
    final int finalI = i;
    new Thread(new Runnable() {
        
    public void run() {
        
    CompareConcurrentHashMap.putPerformance(100000 * finalI,
    100000);
    cdLatch.countDown();
    }
    }).start();
    }
    cdLatch.await();
    long end = System.currentTimeMillis();
    System.out.println("put: it costs " + (end - start) + " ms");
    CompareConcurrentHashMap.getPerformance2();
    }
    }

程序运行多次后取平均值，结果如下：  
![在这里插入图片描述][1be213a03f7344eb8f258439d62c1210.png]

## 谈谈ConcurrentHashMap1.7和1.8的不同实现 ##

在多线程环境下，使用 HashMap 进行 put 操作时存在丢失数据的情况，为了避免这种bug的隐患，强烈建议使用 ConcurrentHashMap 代替 HashMap ，为了对更深入的了解，本文将对JDK1.7和1.8的不同实现进行分析。

### JDK1.7 ###

数据结构  
jdk1.7中采用 Segment + HashEntry 的方式进行实现，结构如下：  
![在这里插入图片描述][d17618d2ce0a404691ebf9d63be4eefa.png]  
ConcurrentHashMap 初始化时，计算出 Segment 数组的大小 ssize 和每个 Segment 中 HashEntry 数  
组的大小 cap ，并初始化 Segment 数组的第一个元素；其中 ssize 大小为2的幂次方，默认为16， cap大小也是2的幂次方，最小值为2，最终结果根据根据初始化容量 initialCapacity 进行计算，计算过  
程如下：

if (c * ssize < initialCapacity)
    	++c;
    int cap = MIN_SEGMENT_TABLE_CAPACITY;
    while (cap < c)
    	cap <<= 1;

其中 Segment 在实现上继承了 ReentrantLock ，这样就自带了锁的功能。

**put实现**  
当执行 put 方法插入数据时，根据key的hash值，在 Segment 数组中找到相应的位置，如果相应位置的Segment 还未初始化，则通过CAS（Compare and Swap，是一个原子操作）进行赋值，接着执行 Segment 对象的 put 方法通过加锁机制插入数据，实现如下：  
场景：线程A和线程B同时执行相同 Segment 对象的 put 方法  
1、线程A执行 tryLock() 方法成功获取锁，则把 HashEntry 对象插入到相应的位置；  
2、线程B获取锁失败，则执行 scanAndLockForPut() 方法，在 scanAndLockForPut 方法中，会通过  
重复执行 tryLock() 方法尝试获取锁，在多处理器环境下，重复次数为64，单处理器重复次数为1，当  
执行 tryLock() 方法的次数超过上限时，则执行 lock() 方法挂起线程B；  
3、当线程A执行完插入操作时，会通过 unlock() 方法释放锁，接着唤醒线程B继续执行；

**size实现**  
因为 ConcurrentHashMap 是可以并发插入数据的，所以在准确计算元素时存在一定的难度，一般的思路是统计每个 Segment 对象中的元素个数，然后进行累加，但是这种方式计算出来的结果并不一样的准确的，因为在计算后面几个 Segment 的元素个数时，已经计算过的 Segment 同时可能有数据的插入或者删除，在1.7的实现中，采用了如下方式：

try {
        
    	for (;;) {
        
    	if (retries++ == RETRIES_BEFORE_LOCK) {
        
    		for (int j = 0; j < segments.length; ++j)
    			ensureSegment(j).lock(); // force creation
    		}
    		sum = 0L;
    		size = 0;
    		overflow = false;
    		for (int j = 0; j < segments.length; ++j) {
        
    		Segment<K,V> seg = segmentAt(segments, j);
    		if (seg != null) {
        
    			sum += seg.modCount;
    			int c = seg.count;
    			if (c < 0 || (size += c) < 0)
    				overflow = true;
    			}
    		}
    	if (sum == last)
    		break;
    		last = sum;
    	}
    } finally {
        
    	if (retries > RETRIES_BEFORE_LOCK) {
        
    		for (int j = 0; j < segments.length; ++j)
    		segmentAt(segments, j).unlock();
    		}
    	}

先采用不加锁的方式，连续计算元素的个数，最多计算3次：  
1、如果前后两次计算结果相同，则说明计算出来的元素个数是准确的；  
2、如果前后两次计算结果都不同，则给每个 Segment 进行加锁，再计算一次元素的个数；

### JDK1.8 ###

数据结构  
1.8中放弃了 Segment 臃肿的设计，取而代之的是采用 Node + CAS + Synchronized （JDK1.6之后优化了锁机制）来保证并发安全进行实现，结构如下：  
![在这里插入图片描述][81c023ee2224412999095dc6f35a8d52.png]

只有在执行第一次 put 方法时才会调用 initTable() 初始化 Node 数组，实现如下：

private final Node<K,V>[] initTable() {
        
    	Node<K,V>[] tab; int sc;
    		while ((tab = table) == null || tab.length == 0) {
        
    		if ((sc = sizeCtl) < 0)
    			Thread.yield(); // lost initialization race; just spin
    			else if (U.compareAndSwapInt(this, SIZECTL, sc, -1)) {
        
    		try {
        
    			if ((tab = table) == null || tab.length == 0) {
        
    			int n = (sc > 0) ? sc : DEFAULT_CAPACITY;
    			@SuppressWarnings("unchecked")
    			Node<K,V>[] nt = (Node<K,V>[])new Node<?,?>[n];
    			table = tab = nt;
    			sc = n - (n >>> 2);
    			}
    		} finally {
        
    			sizeCtl = sc;
    		}
    		break;
    		}
    	}
    	return tab;
    }

**put实现**  
当执行 put 方法插入数据时，根据key的hash值，在 Node 数组中找到相应的位置，实现如下：  
1、如果相应位置的 Node 还未初始化，则通过CAS插入相应的数据；

else if ((f = tabAt(tab, i = (n - 1) & hash)) == null) {
        
    	if (casTabAt(tab, i, null, new Node<K,V>(hash, key, value, null)))
    		break; // no lock when adding to empty bin
    }

2、如果相应位置的 Node 不为空，且当前该节点不处于移动状态，则对该节点加 synchronized 锁，如果该节点的 hash 不小于0，则遍历链表更新节点或插入新节点；

if (fh >= 0) {
        
    	binCount = 1;
    	for (Node<K,V> e = f;; ++binCount) {
        
    		K ek;
    		if (e.hash == hash &&
    		((ek = e.key) == key ||
    		(ek != null && key.equals(ek)))) {
        
    		oldVal = e.val;
    		if (!onlyIfAbsent)
    		e.val = value;
    		break;
    	}
    	Node<K,V> pred = e;
    		if ((e = e.next) == null) {
        
    			pred.next = new Node<K,V>(hash, key, value, null);
    			break;
    		}
    	}
    }

3、如果该节点是 TreeBin 类型的节点，说明是红黑树结构，则通过 putTreeVal 方法往红黑树中插入  
节点；

else if (f instanceof TreeBin) {
        
    	Node<K,V> p;
    	binCount = 2;
    	if ((p = ((TreeBin<K,V>)f).putTreeVal(hash, key, value)) != null) {
        
    		oldVal = p.val;
    		if (!onlyIfAbsent)
    			p.val = value;
    	}
    }

4、如果 binCount 不为0，说明 put 操作对数据产生了影响，如果当前链表的个数达到8个，则通过  
treeifyBin 方法转化为红黑树，如果 oldVal 不为空，说明是一次更新操作，没有对元素个数产生影  
响，则直接返回旧值；

if (binCount != 0) {
        
    	if (binCount >= TREEIFY_THRESHOLD)
    		treeifyBin(tab, i);
    if (oldVal != null)
    	return oldVal;
    break;
    }

5、如果插入的是一个新节点，则执行 addCount() 方法尝试更新元素个数 baseCount ；

**size实现**  
1.8中使用一个 volatile 类型的变量 baseCount 记录元素的个数，当插入新数据或则删除数据时，会通  
过 addCount() 方法更新 baseCount ，实现如下：

if ((as = counterCells) != null ||
    	!U.compareAndSwapLong(this, BASECOUNT, b = baseCount, s = b + x)) {
        
    	CounterCell a; long v; int m;
    	boolean uncontended = true;
    	if (as == null || (m = as.length - 1) < 0 ||
    		(a = as[ThreadLocalRandom.getProbe() & m]) == null ||
    		!(uncontended =
    		U.compareAndSwapLong(a, CELLVALUE, v = a.value, v + x))) {
        
    		fullAddCount(x, uncontended);
    		return;
    	}
    	if (check <= 1)
    		return;
    	s = sumCount();
    }

1、初始化时 counterCells 为空，在并发量很高时，如果存在两个线程同时执行 CAS 修改 baseCount  
值，则失败的线程会继续执行方法体中的逻辑，使用 CounterCell 记录元素个数的变化；  
2、如果 CounterCell 数组 counterCells 为空，调用 fullAddCount() 方法进行初始化，并插入对应  
的记录数，通过 CAS 设置cellsBusy字段，只有设置成功的线程才能初始化 CounterCell 数组，实现如  
下：

else if (cellsBusy == 0 && counterCells == as &&
    		U.compareAndSwapInt(this, CELLSBUSY, 0, 1)) {
        
    	boolean init = false;
    	try {
         // Initialize table
    		if (counterCells == as) {
        
    			CounterCell[] rs = new CounterCell[2];
    			rs[h & 1] = new CounterCell(x);
    			counterCells = rs;
    			init = true;
    		}
    	} finally {
        
    		cellsBusy = 0;
    	}
    	if (init)
    		break;
    	}

3、如果通过 CAS 设置cellsBusy字段失败的话，则继续尝试通过 CAS 修改 baseCount 字段，如果修改baseCount 字段成功的话，就退出循环，否则继续循环插入 CounterCell 对象；

else if (U.compareAndSwapLong(this, BASECOUNT, v = baseCount, v + x))
    	break;

所以在1.8中的 size 实现比1.7简单多，因为元素个数保存 baseCount 中，部分元素的变化个数保存在  
CounterCell 数组中，实现如下：

public int size() {
        
    	long n = sumCount();
    	return ((n < 0L) ? 0 :
    	(n > (long)Integer.MAX_VALUE) ? Integer.MAX_VALUE :
    	(int)n);
    }
    final long sumCount() {
        
    	CounterCell[] as = counterCells; CounterCell a;
    	long sum = baseCount;
    	if (as != null) {
        
    		for (int i = 0; i < as.length; ++i) {
        
    			if ((a = as[i]) != null)
    				sum += a.value;
    			}
    	}
    	return sum;
    }

通过累加 baseCount 和 CounterCell 数组中的数量，即可得到元素的总个数；

## 深入分析ConcurrentHashMap1.8的扩容实现 ##

[参考此篇][Link 1]  
总所周知，ConcurrentHashMap是支持并发的，那么，再并发情况下它是如何安全的实现数组的扩容的呢？

### 什么情况会触发扩容 ###

当往hashMap中成功插入一个key/value节点时，有可能触发扩容动作：  
1、如果新增节点之后，所在链表的元素个数达到了阈值 8，则会调用 treeifyBin 方法把链表转换成红  
黑树，不过在结构转换之前，会对数组长度进行判断，实现如下：  
![在这里插入图片描述][8dd76b9b33614e898693592e86b14ddb.png]  
如果数组长度n小于阈值 MIN\_TREEIFY\_CAPACITY ，默认是64，则会调用 tryPresize 方法把数组长度扩大到原来的两倍，并触发 transfer 方法，重新调整节点的位置。  
![在这里插入图片描述][377d8c8cd77447cf81897c1dabdd323e.png]  
2、新增节点之后，会调用 addCount 方法记录元素个数，并检查是否需要进行扩容，当数组元素个数达到阈值时，会触发 transfer 方法，重新调整节点的位置。  
![在这里插入图片描述][5257767002a5421c907865c38aa06cd8.png]  
总结，扩容会发生再如下情况时：

*  新增元素后，某个链表中的元素个数超过8个，需要将链表转换为红黑树，此时如果数组长度小于阈值MIN\_TREEIFY\_CAPACITY，那么就会进行扩容。
 *  新增元素后，会调用addCount方法，检查是否需要阔用，如果数组元素达到阈值，那么就进行扩容。

### transfer实现 ###

transfer 方法实现了在并发的情况下，高效的从原始组数往新数组中移动元素，假设扩容之前节点的  
分布如下，这里区分蓝色节点和红色节点，是为了后续更好的分析：  
![在这里插入图片描述][9894e24c541543548f1cbf497995cacb.png]  
在上图中，第14个槽位插入新节点之后，链表元素个数已经达到了8，且数组长度为16，优先通过扩容来缓解链表过长的问题，实现如下：  
1、根据当前数组长度n，新建一个两倍长度的数组 nextTable ；  
![在这里插入图片描述][704b9a6152ae46d8ad7f32578e7f7dd8.png]  
2、初始化 ForwardingNode 节点，其中保存了新数组 nextTable 的引用，在处理完每个槽位的节点之  
后当做占位节点，表示该槽位已经处理过了；  
![在这里插入图片描述][39a61c7b18e248fb84892095f785e6aa.png]  
3、通过 for 自循环处理每个槽位中的链表元素，默认 advance 为真，通过CAS设置 transferIndex 属  
性值，并初始化 i 和 bound 值， i 指的是当前处理的槽位序号， bound 指需要处理的槽位边界，先处理槽位15的节点；  
![在这里插入图片描述][628474ef54e84701b2ec4c618786e671.png]  
4、在当前假设条件下，槽位15中没有节点，则通过CAS插入在第二步中初始化的 ForwardingNode 节  
点，用于告诉其它线程该槽位已经处理过了；  
![在这里插入图片描述][b40953a0462e472697551cbafb5693a0.png]  
5、如果槽位15已经被线程A处理了，那么线程B处理到这个节点时，取到该节点的hash值应该为  
MOVED ，值为 -1 ，则直接跳过，继续处理下一个槽位14的节点；  
![在这里插入图片描述][8b3bea105054493d9b2135fbf8467c9d.png]  
6、处理槽位14的节点，是一个链表结构，先定义两个变量节点 ln 和 hn ，按我的理解应该是 lowNode和 highNode ，分别保存hash值的第X位为0和1的节点，具体实现如下：  
![在这里插入图片描述][d46e246e84c749bc8da864fd8a283f79.png]  
使用 fn&n 可以快速把链表中的元素区分成两类，A类是hash值的第X位为0，B类是hash值的第X位为  
1，并通过 lastRun 记录最后需要处理的节点，A类和B类节点可以分散到新数组的槽位14和30中（和HashMap一样的新索引位置），在原数组的槽位14中，蓝色节点第X为0，红色节点第X为1，把链表拉平显示如下：  
![在这里插入图片描述][f18c96d0ff4d46c0993b6126cdcd1299.png]  
1、通过遍历链表，记录 runBit 和 lastRun ，分别为1和节点6，所以设置 hn 为节点6， ln 为null；  
2、重新遍历链表，以 lastRun 节点为终止条件，根据第X位的值分别构造ln链表和hn链表：  
ln链：和原来链表相比，顺序已经不一样了  
![在这里插入图片描述][2a9f18aa3f744bcf879b018f74313e85.png]  
hn链：  
![在这里插入图片描述][4b27234747f94e6eb55888ff547d18cf.png]  
通过CAS把ln链表设置到新数组的i位置，hn链表设置到i+n的位置；  
7、如果该槽位是红黑树结构，则构造树节点 lo 和 hi ，遍历红黑树中的节点，同样根据 hash&n 算法，把节点分为两类，分别插入到 lo 和 hi 为头的链表中，根据 lo 和 hi 链表中的元素个数分别生成 ln 和hn 节点，其中 ln 节点的生成逻辑如下：  
（1）如果 lo 链表的元素个数小于等于 UNTREEIFY\_THRESHOLD ，默认为6，则通过 untreeify 方法把树节点链表转化成普通节点链表；  
（2）否则判断 hi 链表中的元素个数是否等于0：如果等于0，表示 lo 链表中包含了所有原始节点，则  
设置原始红黑树给 ln ，否则根据 lo 链表重新构造红黑树。  
![在这里插入图片描述][76c725b319a649a48d854f853bb2540e.png]  
最后，同样的通过CAS把 ln 设置到新数组的 i 位置， hn 设置到 i+n 位置

## 底层实现原理 ##

### ConcurrentHashMap的整体架构 ###

下图为ConcurrentHashMap在JDK1.8中的结构图，其由数组，链表，红黑树构成。  
当我们去初始化一个ConcurrentHashMap实例的时候，默认会创建一个长度为16的数组。  
由于ConcurrentHashMap的核心依旧是Hash表，因此依旧会存在Hash冲突这一问题。  
因此ConcurrentHashMap采用链式寻址的方式来解决Hash冲突，当Hash冲突过多时，会造成链表长度过长的问题，从而导致ConcurrentHashMap中的数组元素的查询复杂度增加。  
因此在JDK1.8之后引入了红黑树，**当数组长度小于64并且链表长度大于等于8的时候，单向链表就会转换为红黑树。而如果链表的长度小于6，那么红黑树又会退化为单向链表。**  
![在这里插入图片描述][f76bb27b1e7e4b32a67a4e45af701e3d.png]

### ConcurrentHashMap的基本功能 ###

ConcurrentHashMap本质是一个HashMap，因此功能和HashMap是一样的。他是在HashMap的基础上提供了一个并发安全的实现。并发安全的主要实现主要是通过对于Node节点去加锁，来保证数据更新的安全性。  
![在这里插入图片描述][c5ce6edd3edc4124805605603fb1cb49.png]

### ConcurrentHashMap在性能方面的优化 ###

如何做好并发性能和数据安全性之间做好平衡，在很多地方都有实现。  
例如CPU的三级缓存，mysql的buffer\_pool，synchronized的锁升级等等。  
ConcurrentHashMap也做了类似的优化，主要体现在如下几点：

*  JDK1.8中，ConcurrentHashMap锁的粒度是数组中的某一个节点，而在JDK1.7中，他锁定的是Segment。锁的范围更大，因此性能上会更低。
 *  引入了红黑树这个数据结构，降低了数据查询的时间复杂度。
 *  在数组长度不够的时候，ConcurrentHashMap需要进行扩容，而在扩容的时候，ConcurrentHashMap实现了**多线程并发扩容**的一个实现。  
    简单来说，就是开启多个线程，然后对数组进行分片，每一个线程负责一个分片的数据迁移，从而整体提高了扩容时的效率。  
    ![在这里插入图片描述][b791e30ef38f437cb3e959b45e7da77e.png]
 *  ConcurrentHashMap有一个size方法来获取总的元素个数，而在多线程并发场景中，在保证原子性的前提下，去实现对数组中链表中元素个数的累加是性能很低的。所以ConcurrentHashMap再此做了两个优化：
    
     *  第一个点是在线程竞争不激烈的时候，直接采用CAS的方式采用元素个数的累加。
     *  如果线程竞争比较激烈，那么使用一个数组来维护元素个数，如果要增加元素个数的时候，直接从数组中随机一个，再通过CAS算法来实现原子递增。  
        它的核心思想是通过数组来实现并发更新的一个负载。  
        ![在这里插入图片描述][fb9d9562053d48bba8bbd88232e04ee2.png]

[ConcurrentHashMap]: https://blog.csdn.net/Zhangsama1/article/details/128068705?spm=1001.2014.3001.5502
[fc72a2d22f53404bb37d99ebcecf54c5.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/bb635d8b2c6e4d05b1541d16b8279be8.png
[volatile]: https://www.cnblogs.com/cxy2020/p/12951333.html
[1be213a03f7344eb8f258439d62c1210.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/7b0fe77abfa54fa289e2005fda7fd9b9.png
[d17618d2ce0a404691ebf9d63be4eefa.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/ff8d1299c77e494abf4689a1b5a7ecc4.png
[81c023ee2224412999095dc6f35a8d52.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/201ab54ad9784dea84fd4b2a644428ea.png
[Link 1]: https://blog.csdn.net/LS1firesoar/article/details/78980002?utm_source=blogxgwz2
[8dd76b9b33614e898693592e86b14ddb.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/ca8f07048cf046df957b14f9edd7b5a2.png
[377d8c8cd77447cf81897c1dabdd323e.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/400c3ea2ccc7434f98d6bee8c8c2e9dc.png
[5257767002a5421c907865c38aa06cd8.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/4a17243db0504e80b2e1893317c6dd18.png
[9894e24c541543548f1cbf497995cacb.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/ccfdabc832ff4ddcb03ce6e6fe9199c1.png
[704b9a6152ae46d8ad7f32578e7f7dd8.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/893a3208dac744de9fa2155c8b210c98.png
[39a61c7b18e248fb84892095f785e6aa.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/8ce43ca7299843479ab22d746df80013.png
[628474ef54e84701b2ec4c618786e671.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/55b39955335945c1bb3f45221ba009eb.png
[b40953a0462e472697551cbafb5693a0.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/2609c542754b4e69beeca3bce502b245.png
[8b3bea105054493d9b2135fbf8467c9d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/1867ca8eed594f30b505bab042e2e93c.png
[d46e246e84c749bc8da864fd8a283f79.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/29ff622d808843bfb70f4f38a0fef39c.png
[f18c96d0ff4d46c0993b6126cdcd1299.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/9c1166ca69664ec1b195dfc5f9e5d2c8.png
[2a9f18aa3f744bcf879b018f74313e85.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/990e76260411492395863931fdea0981.png
[4b27234747f94e6eb55888ff547d18cf.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/5a4a88c38f7c4e6b9d98a32708cb4664.png
[76c725b319a649a48d854f853bb2540e.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/b04d42fd5fe84e3ea5bad99fd1c8bf16.png
[f76bb27b1e7e4b32a67a4e45af701e3d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/3f3d5a9fcd7a45f9986eb50d048adff7.png
[c5ce6edd3edc4124805605603fb1cb49.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/0f2660547b814193b85308b110a806fa.png
[b791e30ef38f437cb3e959b45e7da77e.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/f65db8537eb941e9a47f9cb7414e07ad.png
[fb9d9562053d48bba8bbd88232e04ee2.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/6086e32f834445e5bcd5838879990fc9.png