Fork/Join 是 Java 并发框架中的一部分，主要用于 分治 (divide and conquer) 的任务处理模式，尤其适合 大规模并行计算 和 递归任务。Fork/Join 框架是从 Java 7 开始引入的，旨在最大限度地利用多核处理器的并行计算能力，以提高计算效率。

工作原理

Fork/Join 框架的核心思想是将一个大任务分解成多个小任务，分别执行，然后将它们的结果汇总。它包含两个主要步骤：

1. Fork：将任务分解成更小的子任务，直到子任务足够简单，适合直接执行。
2. Join：当子任务完成时，将它们的结果合并。

关键类

Fork/Join 框架主要由以下两个类组成：

1. ForkJoinPool：类似于线程池，但专门用于执行分解任务的线程池。它管理并调度 ForkJoinTask。
2. ForkJoinTask：是一个抽象类，代表一个可以并行执行并合并结果的任务。它有两个重要的子类： RecursiveTask：有返回值的任务。 RecursiveAction：没有返回值的任务。

Fork/Join 框架的特点

• 工作窃取算法：ForkJoinPool 使用“工作窃取算法”来提高 CPU 使用率。当一个线程完成自己的任务时，它可以窃取其他线程的任务来执行，减少等待时间，提高效率。
• 自动分治：框架会递归地分解任务，直到任务变得足够简单，然后并行执行这些小任务。
• 线程复用：避免了频繁的线程创建和销毁，提升资源利用率。

示例：使用 Fork/Join 计算斐波那契数列

以下示例展示了如何使用 Fork/Join 框架来计算斐波那契数列：

import java.util.concurrent.RecursiveTask;
import java.util.concurrent.ForkJoinPool;

public class FibonacciTask extends RecursiveTask<Integer> {
    private final int n;

    public FibonacciTask(int n) {
        this.n = n;
    }

    @Override
    protected Integer compute() {
        // 基础情形：当 n 小于等于 1 时直接返回结果
        if (n <= 1) {
            return n;
        }

        // 拆分成两个子任务
        FibonacciTask fib1 = new FibonacciTask(n - 1);
        FibonacciTask fib2 = new FibonacciTask(n - 2);

        // 使用 fork 分裂出子任务
        fib1.fork(); // 异步执行 fib1

        // 合并任务：fib2 和 fib1 结果
        return fib2.compute() + fib1.join();
    }

    public static void main(String[] args) {
        // 创建 ForkJoinPool
        ForkJoinPool pool = new ForkJoinPool();

        // 创建 FibonacciTask 任务计算第 10 个斐波那契数
        FibonacciTask task = new FibonacciTask(10);

        // 执行任务并获取结果
        int result = pool.invoke(task);
        System.out.println("Fibonacci(10) = " + result);

        pool.shutdown();
    }
}

代码说明

• RecursiveTask：FibonacciTask 继承了 RecursiveTask<Integer>，表示这是一个有返回值的任务。
• compute()：重写 compute() 方法，如果 n 足够小直接返回结果，否则分解成子任务 fib1 和 fib2。
• fork() 和 join()：fib1 使用 fork() 异步执行，而 fib2 使用 compute() 直接执行，fib1 的结果使用 join() 方法合并。
• ForkJoinPool：创建了一个 ForkJoinPool 来管理和执行任务。

使用场景

Fork/Join 框架适用于以下类型的任务：

1. 大规模数据处理：例如，排序、大规模数据处理等。
2. 递归算法：适合用递归分治法处理的场景，如归并排序、快速排序、斐波那契数列等。
3. 并行计算：多核 CPU 下的密集计算任务。

注意事项

1. 任务分割的粒度：子任务的粒度不宜过细，否则会增加线程间通信和调度的开销。可以根据计算量设置一个阈值。
2. 性能监控：过度分解任务可能导致性能下降，最好在调试时对计算任务的分解层级和执行时间进行监控。
3. 递归深度控制：过深的递归可能会导致栈溢出，需确保任务分解不会过于深入。