如何用利特尔法则调整线程池大小

利特尔法则

利特尔法则派生于排队论，用以下数学公式表示：
L=λWL = λW L=λW
L 系统中存在的平均请求数量。

λ 请求有效到达速率。例如：5/s 表示每秒有5个请求到达系统。

W 请求在系统中的平均等待执行时间。

排队论：研究服务系统中排队现象随机规律的学科，探究排队有关的数量指标的概率规律性。

场景

我们先假设一个店铺员工调整场景。

前提

每个客户一次只买一只炸鸡；
每位员工制作一个炸鸡需要1分钟。
客户买炸鸡时等待时间越短，体验越好。

如果你是一家炸鸡店老板，今年受疫情影响需要对店里的员工进行调整，你会如何处理？

这个问题本质就是员工利用率与客户体验之间的权衡。

为了让客户保持极佳体验，需要保持员工数量或增加员工；
为避免资源浪费，控制人力成本，需要裁减空闲员工。

假设店里目前有3名员工。你如何进行员工调整决策。我们分析以下几种情形。

当 平均客流量 = 3人/分钟 客户等待时间稍短，体验良好，并且员工工作都是饱和。此时不需要调整。

当 平均客流量 < 3人/分钟 客户等待时间稍短，体验良好，但是始终有一个员工在打酱油，此时可以考虑减裁一人。

当 平均客流量 > 3人/分钟 客户5，6，7等待时间延长体验稍差，此时可以根据实际情况增加员工。

平均每分钟客流量 ≈ 员工数 为最佳。

线程池

其实线程池处理也算是一个排队模型。简化Java线程池处理模型如下：

线程池任务执行大致阶段：提交 --> 入队列或直接执行 —> 实际执行

任务提交频率：每秒任务提交数；
任务队列等待平均耗时：任务队列等待总耗时除以实际执行数；
任务实际执行平均耗时：任务实际运行总耗时除以实际执行数；
任务执行平均耗时：任务队列等待平均耗时加任务实际执行平均耗时；

我们可以根据以下指标来评估调整线程池参数

线程池中平均任务数 = 任务提交频率 * 任务执行平均耗时

线程等待耗时与响应时间比率 = 任务队列等待总耗时 / （任务队列等待总耗时 + 任务实际执行总耗时）

当 线程等待耗时与响应时间比率 过高，说明任务排队较多，评估当前线程池大小是否合理，结合系统负载进行相应调整。

当 线程池中平均任务数 < 目前线程池大小 应适当减少线程数量。

当 系统平均处理任务数 > 目前线程池大小 在这种情况下，先评估当前系统是否有能力支撑更大的线程数量（如CPU数，内存等），然后再进行调整。

代码片段

@Slf4j
public class MonitoredThreadPoolExecutor extends ThreadPoolExecutor {//任务提交成功时间private final ConcurrentHashMap<Runnable, Long> timeOfRequest = new ConcurrentHashMap<>();//任务实际开始执行时间private final ThreadLocal<Long> startTime = new ThreadLocal<>();//上一个任务提交成功时间private long lastArrivalTime;// 任务实际执行总数private final AtomicInteger numberOfRequestsRetired = new AtomicInteger();// 任务提交总数private final AtomicInteger numberOfRequests = new AtomicInteger();// 任务实际执行总耗时private final AtomicLong totalServiceTime = new AtomicLong();// 任务在队列等待总耗private final AtomicLong totalPoolTime = new AtomicLong();// 新任务提交总耗时private final AtomicLong aggregateInterRequestArrivalTime = new AtomicLong();public MonitoredThreadPoolExecutor(int corePoolSize, int maximumPoolSize, long keepAliveTime, TimeUnit unit,BlockingQueue<Runnable> workQueue, ThreadFactory threadFactory, RejectedExecutionHandler handler) {super(corePoolSize, maximumPoolSize, keepAliveTime, unit, workQueue, threadFactory, handler);}@Overrideprotected void beforeExecute(Thread worker, Runnable task) {super.beforeExecute(worker, task);startTime.set(System.nanoTime());}@Overrideprotected void afterExecute(Runnable task, Throwable t) {try {long start = startTime.get();totalServiceTime.addAndGet(System.nanoTime() - start);totalPoolTime.addAndGet(start - timeOfRequest.remove(task));numberOfRequestsRetired.incrementAndGet();} finally {if (null != t) {log.error(AppSystem.ERROR_LOG_PREFIX + "线程池处理异常:", Throwables.getRootCause(t));}super.afterExecute(task, t);}}@Overridepublic void execute(Runnable task) {long now = System.nanoTime();numberOfRequests.incrementAndGet();synchronized (this) {if (lastArrivalTime != 0L) {aggregateInterRequestArrivalTime.addAndGet(now - lastArrivalTime);}lastArrivalTime = now;timeOfRequest.put(task, now);}super.execute(task);}
}

测试

两组迭代请求，一次提交10个任务，线程数为1

两组迭代请求，一次提交10个任务，线程数为10

两组迭代请求，一次提交10个任务，线程数为50

上面测试比较片面。现实应根据系统长期平均指标进行调整。

总结

利特尔法则应用场景很多。欢迎大家留言交流！