ConcurrentHashMap讲解

news2026/3/26 15:34:12
在 Java 并发编程中ConcurrentHashMap是高频使用的线程安全 Map 实现也是面试中几乎必问的核心知识点。它完美解决了 HashMap 线程不安全、Hashtable 性能极差的痛点在高并发场景下实现了安全与性能的平衡。本文将从设计背景、JDK1.7/JDK1.8 底层实现、核心方法、扩容机制到面试高频考点一站式讲透 ConcurrentHashMap帮你轻松应对面试与实际开发。一、为什么需要 ConcurrentHashMap在多线程环境下我们常用的 Map 实现各有缺陷HashMap线程不安全JDK1.7 扩容会出现链表成环死循环多线程 put 会导致数据覆盖、丢失绝对不能用于并发场景。Hashtable通过给整个方法加synchronized全局锁保证安全但所有线程竞争同一把锁并发吞吐量极低性能拉胯。而 ConcurrentHashMap 的设计目标就是保证线程安全的同时最大化提升并发吞吐量是高并发场景下的首选 Map 实现。二、底层实现JDK1.7 与 JDK1.8 核心对比ConcurrentHashMap 在 JDK1.8 经历了颠覆性重构从分段锁升级为 CAS 细粒度锁结构与性能全面优化这也是面试最核心的考点。2.1 JDK1.7分段锁Segment HashEntry 链表核心结构采用Segment 数组 HashEntry 数组 链表的双层数组结构Segment 继承自ReentrantLock可重入锁每个 Segment 独立管理一段哈希表。线程安全机制分段锁锁粒度为Segment 分段不同分段的操作互不干扰只有同一分段才会竞争锁。默认 16 个 Segment最大并发度为 16相比 Hashtable 全局锁并发性能大幅提升。get 操作无锁通过volatile修饰 value 保证可见性直接遍历链表取值。缺陷锁粒度仍偏粗同一 Segment 下多线程会阻塞双层数组结构复杂维护成本高仅支持单个 Segment 独立扩容整体效率低。2.2 JDK1.8CAS synchronized桶级锁核心结构抛弃 Segment采用与 HashMap1.8 一致的Node 数组 链表 红黑树结构更简洁。Node 节点的 value、next 指针用volatile修饰保证多线程可见性与有序性链表长度≥8 且数组长度≥64 时转为红黑树查询复杂度从 O (n) 降为 O (logn)新增ForwardingNode扩容标记节点引导线程访问新数组。线程安全机制面试必背桶为空时通过CAS 无锁插入节点避免锁开销桶不为空时对桶头节点加 synchronized 锁锁粒度细化到单个桶结合 volatile 保证数据可见性杜绝指令重排序问题。JDK1.8 核心优化锁粒度从分段升级为桶并发度理论无上限移除 Segment 层结构简化查询与扩容效率更高支持多线程并发扩容解决单线程扩容瓶颈红黑树优化长链表查询性能适配大数据量场景。三、核心方法原理面试高频追问3.1 put 方法JDK1.8计算 key 哈希值二次散列减少冲突CAS 初始化 Node 数组未初始化时定位桶下标桶空则 CAS 插入节点失败自旋重试桶非空则锁住头节点遍历链表 / 红黑树key 存在则替换 value不存在则尾插插入后判断链表长度达标则转红黑树检查元素数量达到阈值触发扩容。3.2 get 方法无锁设计计算哈希定位桶下标头节点为空直接返回 null遍历链表 / 红黑树匹配 key返回 volatile 修饰的 value。面试考点get 全程无锁依赖 volatile 保证可见性节点结构稳定无需加锁性能与 HashMap 持平。3.3 size 方法JDK1.7遍历所有 Segment 并加全局锁效率低JDK1.8通过baseCountcounterCells分散计数CAS 重试累加避免全局锁允许短暂计数偏差最终保证准确。四、扩容机制多线程协同扩容扩容触发条件元素数量达到数组长度 × 0.75负载因子且为链表节点时触发扩容后数组长度变为原来 2 倍保持 2 的幂。JDK1.8 并发扩容逻辑创建新的 2 倍容量 Node 数组通过transferIndex标记迁移范围多线程 CAS 领取迁移任务对原桶加锁将节点迁移到新数组对应位置迁移完成后原桶标记为ForwardingNode引导线程访问新数组全桶迁移完毕替换为新数组扩容结束。核心优势多线程协同迁移无死循环风险解决了 HashMap 单线程扩容的性能瓶颈。五、面试高频考点汇总直接背诵5.1 三大 Map 核心对比对比维度HashMapHashtableConcurrentHashMapJDK1.8线程安全不安全安全全局锁安全CAS 桶级锁并发性能高极低高底层结构数组 链表 红黑树数组 链表数组 链表 红黑树null 键值支持不支持不支持扩容单线程易死循环单线程多线程并发扩容5.2 必问原理题JDK1.8 如何保证线程安全桶空用 CAS 无锁插入桶非空锁住头节点volatile 保证可见性扩容用 ForwardingNode 避免冲突。为什么取消分段锁分段锁粒度粗同一 Segment 并发阻塞CAS 成熟后桶级锁更细性能更优结构也更简洁。为什么不支持 null 键 / 值多线程下 get 返回 null 无法区分 “key 不存在” 和 “value 为 null”containsKey与get存在并发修改风险直接禁止更安全。get 为什么无锁value 用 volatile 修饰保证可见性链表仅尾插 / 删除结构稳定无需加锁即可安全读取。5.3 场景选型单线程优先 HashMap性能最高多线程必选 ConcurrentHashMap兼顾安全与性能Hashtable仅遗留项目维护新代码禁止使用。六、总结ConcurrentHashMap 是 Java 并发集合的巅峰设计之一核心思路是用细粒度并发控制替代全局锁JDK1.7 靠分段锁实现基础并发安全JDK1.8 升级为 CAS synchronized 桶级锁搭配红黑树与并发扩容成为高并发首选。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2451371.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…