第七章 使用Akka构建高并发程序

• 提供了一种称为Actor的并发模型，其粒度比线程更小，因此可以在系统中大量使用Actor。不仅适用于单机，也适用于分布式程序。

7.1 新并发模型：Actor

• 在Actor模型中，失去了对象的方法调用，并不是通过调用Actor对象的一个方法告诉Actor需要做什么，而是给Actor发送一条消息。当Actor收到一条消息后，它可能会根据消息的内容做出某些行为，包括更改自身状态。但其状态修改是Actor自己进行的，而非外部调用的。

7.2 Akka之 Hello Word

• 在Akka中，UntypedActor就是所说的Actor。之所以强调无类型，是因为Akka中，还支持一种有类型的Actor，其可以使用系统其他类型构造，可以缓解java单继承的问题。
• 使用Actor进行并行程序开发时，关注点已经不在线程上，只需关注Actor对象即可，而Actor对象之间的交流和普通对象的函数调用有着明显的区别，它们是通过显示的消息发送来传递消息的。
• 当系统中有多个Actor存在时，Akka会自动在线程池中选择线程来执行actor，因此多个不同的Actor可能会被同一个线程执行，一个Actor可能被不同的线程执行。

7.3 有关消息投递的一些说明

• 整个Akka应用是消息驱动的。消息是Actor之外的重要核心组件，在Actor之间传递的消息应该满足不变性。因此，Akka中的消息推荐使用不可变对象，即final修饰的。
• 消息投递的三种策略：
  
  1. 至多一次投递。每一条消息最多会被投递一次，可能会导致消息投递失败，消息丢失
  2. 至少一次投递。每一条消息至少会被投递一次，直到成功为止。不会发生消息丢失，但是可能会发生消息重复
  3. 精确的消息投递。保证所有消息都会被成功投递一次，既不会有丢失也不会重复。
• 实际上，没必要在Akka层保证消息的可靠性，成本太高，也没有必要。消息的可靠性可以在应用层确保。
• 顺序性：在一定程度上保持消息的顺序性。如A1向A2顺序发送了M1、M2和M3，三条消息，A3向A2顺序发送了M4、M5和M6三条信息
  
  1. 如果M1没有丢失，那它一定先于M2和M3被A2收到
  2. 如果M2没有丢失，那它一定先于M3被A2收到
  3. 如果M4没有丢失，那它一定先于M5和M6被A2收到
  4. 如果M5没有丢失，那它一定先于M6被A2收到
  5. 对A2来说，来自A1和A3的消息可能交织在一起，没有顺序保证。消息的传递不具有传递性。如A向C发送了M1，接着，A向B发送了M2，B将M2转给了C，那么C收到M1和M2没有先后顺序保证

7.4 Actor的生命周期

• 一个Actor在actorOf函数被调用后开始建立，Actor实例创建后，会回调preStart方法。如果actor在工作过程中出现异常，需要重启，会回调preRestart方法（老的实例上），接着系统会创建一个新的actor实例，虽然是新的，但表示同一个actor，当新实例创建后，postRestart方法会被调用，表示启动完成。stop方法可以停止actor，其停止时，postStop会被调用，同时这个actor的监视者会收到Terminated消息。

7.5 监督策略

• 两种：
  
  • OneForOneStrategy（默认策略）
  • 父Actor只会对出问题的子Actor进行处理。
  • AllForOneStrategy
  • 父Actor会对所有的子都进行处理

7.6 选择Actor

• ActorSelection类可以根据path匹配规则，批量获取actor

7.7 消息收件箱（Inbox）

• 可以方便地对Actor进行消息发送和接收，大大方便了应用程序与Actor之间的交互。

7.8 消息路由

• 路由器组件，实现消息调度的封装。提供几种消息路由策略如，轮询选择actor进行消息发送，随机消息发送，将消息发送给最为空闲的actor，组内消息广播。

7.9 Actor的内置状态转换

• 一个actor内部消息处理函数可以拥有多个不同的状态，在特定的状态下，可以对同一条消息进行不同的处理，状态之间也可以任意切换。

7.10 询问模式：Actor中的Future

7.11 多个Actor同时修改数据：Agent

• 提供了对一个变量的异步更新。

7.12 像数据库一样操作内存数据：软件事务内存（STM）

• 具有隔离型、原子性和一致性。但不具有持久性。确保多个actor协作完成一项任务的问题。

7.13 一个有趣的例子：并发粒子群的实现

• 粒子群算法（PSO）是一种进化算法。与遗传算法非常类似，可以用来解决一些优化问题。可以将一些NP问题转变为一个多项式问题。但是有代价的，进化算法不保证可以从结果中得到最优解。

7.13.1 什么是粒子群算法

• 一种基于迭代的优化算法。广泛应用于函数优化与神经网络训练等方面。源于鸟类的觅食的群体表现。

7.13.2 粒子群算法的计算过程

1. 初始化所有粒子，粒子的位置随机生成。计算每个粒子当前的适应度，并将此设为当前粒子的个体最优值（记为pBest）
2. 所有粒子将自己的个体最优值发送给管理者Master。Master获得所有粒子的信息后，筛选出全局最优的解（记为gBest）
3. Master将gBest通知所有粒子，所有粒子便知道全局最优点的位置
4. 接着，所有粒子根据自己的pBest和全局gBest，更新自己的速度，在有了速度后，再更新自己的位置
5. 如果粒子产生了新的个体最优点，则发送给Master，在此，转到步骤2

7.13.3 粒子群算法能做什么

• 最优化计算。

7.13.4 使用Akka实现粒子群

• 由于粒子数量过大，因此一般的线程模型无法满足，但Actor本身作为轻量级的并发单元，一个线程可以对应多个actor，因此适合进行这种并发计算。