一句话定义:伪共享(False Sharing)是指多个线程分别修改位于同一条 CPU 缓存行(cache line)内、彼此毫无关系的不同变量时,硬件仍把它们当成"共享数据"来处理,导致缓存行在多个核心之间反复失效、来回搬运,程序结果完全正确,速度却明显下降。
原理:CPU 搬运内存是按"块"来的
CPU 读内存不是按字节精确取用,而是按缓存行整块搬进核心私有的 L1/L2 缓存,常见缓存行大小为 64 字节。也就是说,一次内存访问顺便把相邻的几十个字节一起带进了缓存。
多核之间靠缓存一致性协议(如 MESI)保证数据不出错,而它维护状态的粒度同样是"整条缓存行"。只要某个核心改了这行里的任意一个字节,其他核心手里的同一行副本就作废,必须重新取。
于是麻烦来了:变量 A 和变量 B 各自只被一个线程独占修改,逻辑上零冲突,但它们恰好落在同一行里。线程 1 写 A,线程 2 的副本失效;线程 2 写 B,线程 1 的副本又失效。这条缓存行在两个核心之间被抢来抢去(俗称 cache line ping-pong),每次写都要经历失效、等待、重取。程序没错,只是慢,而且线程越多、核心越多越慢。
打个比方:图书馆规定一册合订本必须整册借阅。甲乙两人分别只想看合订本里的第一篇文章和第二篇文章,明明互不干扰,却因为共用同一册书,一个人一借,另一个人手里的书就得收回重借,两人只能轮流干等。
和相邻概念的区别
| 概念 | 发生了什么 | 性质 |
|---|---|---|
| 伪共享 | 不同变量落在同一缓存行,被硬件误当共享 | 性能问题,结果正确 |
| 真共享(True Sharing) | 多个线程真的读写同一个变量 | 必须同步,否则出错 |
| 数据竞争(Data Race) | 并发读写同一数据且缺少同步 | 正确性问题,结果不可预期 |
| 缓存未命中(Cache Miss) | 数据不在一级缓存,需要重新取 | 性能问题,与共享无关 |
关键记忆点:伪共享是"逻辑上不共享、物理上共享",属于性能问题而非正确性问题,所以它不会让程序报错,只会让压测数据莫名其妙上不去。
对实际工作的意义
典型场景:线程池里每个线程各自的计数器放在同一个数组里、并发队列的 head 和 tail 指针挨在一起、并行归约时多个线程累加数组的相邻元素、自研的指标统计结构里几个字段排排坐。
缓解思路有几条:把高频写的变量用填充字段(padding)撑开,各自独占缓存行;先在线程本地累加,最后再合并;把频繁写的变量集中交给单一线程处理。部分语言和库提供了对齐或填充相关的设施,具体用法和效果以官方文档为准。
排查线索也很朴素:程序逻辑上各线程毫无交集,但一加线程性能不升反降,就要怀疑是不是变量在内存里"住得太近"了。
对 AI 从业者来说,多线程数据预处理、自研并发队列和参数聚合代码是重灾区;纯 Python 代码因为有全局解释器锁(GIL)挡着,相对少见,但一旦下沉到 C++、Rust、Java、Go 写的扩展或服务里,就值得留意。另外它不是 GPU 的"bank 冲突",那是另一个概念,别混为一谈。
