Technology/Effective Java 3E

Item 48: 스트림 병렬화는 주의해서 적용하라

hanulpark 2022. 1. 26. 23:42
728x90
반응형

주류 언어 중, 동시성 프로그래밍 측면에서 자바는 항상 앞서갔다.

처음 릴리스된 1996년부터 스레드, 동기화, wait/notify를 지원했다.

 

자바 5부터,

  • 동시성 컬렉션인 java.util.concurrent 라이브러리와 실행자(Executor) 프레임 워크를 지원했다.

자바 7부터,

  • 고성능 병렬 분해(parallel decom-position) 프레임워크인 포크-조인(fork-join) 패키지를 추가했다.

자바 8부터,

  • parallel 메서드만 한 번 호출하면 파이프라인을 병렬 실행할 수 있는 스트림을 지원했다.

 

이처럼 자바로 동시성 프로그램을 작성하기가 점점 쉬워지고는 있지만, 이를 올바르고 빠르게 작성하는 일은 여전히 어려운 작업이다.

 

동시성 프로그래밍을 할 때는 안전성(safety)과 응답 가능(liveness) 상태를 유지하기 위해 애써야 하는데, 병렬 스트림 파이프라인 프로그래밍에서도 다를 바 없다.

 

병렬 스트림을 사용해 처음 20개의 메르센 소수를 생성하는 프로그램

public class ParallelMersennePrimes {
    public static void main(String[] args) {
        primes().map(p -> TWO.pow(p.intValueExact()).subtract(ONE))
                .filter(mersenne -> mersenne.isProbablePrime(50))
                .limit(20)
                .forEach(System.out::println);
    }

    static Stream<BigInteger> primes() {
        return Stream.iterate(TWO, BigInteger::nextProbablePrime);
    }
}

 

이 프로그램을 내 컴퓨터에서 실행하면 즉각 소수를 찍기 시작해서 12.5초 만에 완료된다.

속도를 높이고 싶어 스트림 파이프라인의 parallel()을 호출하겠다는 순진한 생각을 했다고 치자.

 

이렇게 하면 성능은 어떻게 변할까? 몇 퍼센트나 빨라질까, 혹은 느려 질까?

안타깝게도 이 프로그램은 아무것도 출력하지 못하면서 CPU는 90%나 잡아먹는 상태가 무한히 계속된다(응답 불가; liveness failure).

 

종국에는 완료될지도 모르겠으나, 1시간 반이 지나 강제 종료할 때까지 아무 결과도 출력하지 않았다.

 

무슨 일이 벌어진 걸까?

프로그램이 이렇게 느려진 원인은 사실 어이없게도, 스트림 라이브러리가 이 파이프라인을 병렬화하는 방법을 찾아내지 못했기 때문이다.

 

환경이 아무리 좋더라도 데이터 소스가 Stream.iterate거나 중간 연산으로 limit를 쓰면 파이프라인 병렬화로는 성능 개선을 기대할 수 없다.

 

파이프라인 병렬화는 limit를 다룰 때 CPU 코어가 남는다면 원소를 몇 개 더 처리한 후 제한된 개수 이후의 결과를 버려도 아무런 해가 없다고 가정한다.

 

그런데 이 코드의 경우 새롭게 메르센 소수를 찾을 때마다 그 전 소수를 찾을 때보다 두 배 정도 더 오래 걸린다.

무슨 말인고 하니, 원소 하나를 계산하는 비용이 대략 그 이전까지의 원소 전부를 계산한 비용을 합친 것만큼 든다는 뜻이다.

 

그래서 이 순진무결해 보이는 파이프라인은 자동 병렬화 알고리즘이 제 기능을 못하게 마비시킨다.

 

단순하게 생각해서, 파이프라인 병렬화가 작업을 CPU 코어 수만큼 병렬로 수행한다고 해보자.

쿼드 코어 시스템에서 수행하면 19번째 계산까지 마치고 마지막 20번째 계산이 수행하는 시점에는 CPU 코어 3개가 한가할 것이다.

 

따라서 21, 22, 23번째 메르센 소수를 찾는 작업이 병렬로 시작되는데, 20번째 계산이 끝나더라도 이 계산들은 끝나지 않는다.

각각 20번째 계산보다 2배, 4배, 8배의 시간이 더 필요하기 때문이다.

 

스트림 파이프라인을 마구잡이로 병렬화하면 안된다.

성능이 오히려 끔찍하게 나빠질 수도 있다.

대체로 스트림의 소스가 ArrayList, HashMap, HashSet, ConcurrenHashMap의 인스턴스거나 배열, int 범위, long 범위일 때 병렬화의 효과가 가장 좋다.

 

이 자료구조들은 모두 데이터를 원하는 크기로 정확하고 손쉽게 나눌 수 있어서 일을 다수의 스레드에 분배하기에 좋다는 특징이 있다.

나누는 작업은 Spliterator가 담당하며, Spiiterator 객체는 Stream이나 Iterable의 spliterator 메서드로 얻어올 수 있다.

 

이 자료구조들의 또 다른 중요한 공통점은 원소들을 순차적으로 실행할 때의 참조 지역성(locality of reference)이 뛰어나다는 것이다.

이웃한 원소의 참조들이 메모리에 연속해서 저장되어 있다는 뜻이다.

 

하지만 참조들이 가리키는 실제 객체가 메모리에서 서로 떨어져 있을 수 있는데, 그러면 참조 지역성이 나빠진다.

참조 지역성이 낮으면 스레드는 데이터가 주 메모리에서 캐시 메모리로 전송되어 오기를 기다리며 대부분 시간을 멍하니 보내게 된다.

 

따라서 참조 지역성은 다량의 데이터를 처리하는 벌크 연산을 병렬화할 때 아주 중요한 요소로 작용한다.

참조 지역성이 가장 뛰어난 자료구조는 기본 타입의 배열이다.

 

기본 타입 배열에서는 (참조가 아닌) 데이터 자체가 메모리에 연속해서 저장되기 때문이다.

스트림 파이프라인의 종단 연산의 동작 방식 역시 병렬 수행 효율에 영향을 준다.

종단 연산에서 수행하는 작업량이 파이프라인 전체 작업에서 상당 비중을 차지하면서 순차적인 연산이라면 파이프라인 병렬 수행의 효과는 제한될 수밖에 없다.

 

종단 연산 중 병렬화에 가장 적합한 것은 축소(reduction)다.

 

축소는 파이프라인에서 만들어진 모든 원소를 하나로 합치는 작업으로, Stream의 reduce 메서드 중 하나, 혹은 min, max, count, sum 같이 완성된 형태로 제공되는 메서드 중 하나를 선택해 수행한다.

 

anyMatch, allMatch, noneMatch처럼 조건에 맞으면 바로 반환되는 메서드도 병렬화에 적합하다.

 

반면, 가변 축소(mutable reduction)를 수행하는 Stream의 collect 메서드는 병렬화에 적합하지 않다.

컬렉션들을 합치는 부담이 크기 때문이다.

 

직접 구현한 Stream, Iterable, Collection이 병렬화의 이점을 제대로 누리게 하고 싶다면 spliterator 메서드를 반드시 재정의하고 결과 스트림의 병렬화 성능을 강도 높게 테스트하라.

 

고효율 spliterator를 작성하기란 상당한 난이도의 일이고, 아쉽지만 이 책에서는 다루지 않는다.

 

스트림을 잘못 병렬화하면 (응답 불가를 포함해) 성능이 나빠질 뿐만 아니라 결과 자체가 잘못되거나 예상 못한 동작이 발생할 수 있다.

결과가 잘못되거나 오동작하는 것은 안전 실패(safety failure)라 한다.

 

안전 실패는 병렬화한 파이프라인이 사용하는 mappers, filters, 혹은 프로그래머가 제공한 다른 함수 객체가 명세대로 동작하지 않을 때 벌어질 수 있다.

 

Stream 명세는 이때 사용되는 함수 객체에 관한 엄중한 규약을 정의해놨다.

예컨대 Stream의 reduce 연산에 건네지는 accumulator(누적기)와 combiner(결합기) 함수는 반드시 결합법칙을 만족하고(associative), 간섭받지 않고(non-interfering), 상태를 갖지 않아야 (stateless) 한다.

 

결합법칙(associative):

  • 연산자 혹은 함수 op가 다음 관계를 성립할 때 결합법칙을 만족한다고 한다.
  • (a op b) op c == a op (b op c)

불간섭(non-interfering):

  • 파이프라인이 수행되는 동안 데이터 소스가 변경되지 않아야 한다.

 

위의 요구사항을 지키지 못하는 상태라도 파이프라인을 순차적으로만 수행하면 올바른 결과를 얻을 수도 있다.

하지만 병렬로 수행하면 참혹한 실패로 이어지기 십상이다.

 

따라서 앞서의 병렬화한 메르센 소수 프로그램은 완료되더라도 출력된 소수의 순서가 올바르지 않을 수 있다.

 

출력 순서를 순차 버전처럼 정렬하고 싶다면 종단 연산 forEach를 forEachOrdered로 바꿔주면 된다.

이 연산은 병렬 스트림들을 순회하며 소수를 발견한 순서대로 출력 되도록 보장해줄 것이다.

 

데이터 소스 스트림이 효율적으로 나눠지고, 병렬화하거나 빨리 끝나는 종단 연산을 사용하고, 함수 객체들도 간섭하지 않더라도, 파이프라인이 수행하는 진짜 작업이 병렬화에 드는 추가 비용을 상쇄하지 못한다면 성능 향상은 미미할 수 있다.

 

실제로 성능이 향상될지를 추정해보는 간단한 방법:

  • 스트림 안의 원소 수와 원소당 수행되는 코드 줄 수를 곱해보자.
  • 이 값이 최소 수십만은 되어야 성능 향상을 맛볼 수 있다.

 

스트림 병렬화는 오직 성능 최적화 수단임을 기억해야 한다.

다른 최적화와 마찬가지로 변경 전후로 반드시 성능을 테스트하여 병렬화를 사용할 가치가 있는지 확인해야 한다(아이템 67).

 

이상적으로는 운영 시스템과 흡사한 환경에서 테스트하는 것이 좋다.

 

보통은 병렬 스트림 파이프라인도 공통의 포크-조인 풀에서 수행되므로(즉, 같은 스레드 풀을 사용하므로), 잘못된 파이프라인 하나가 시스템의 다른 부분의 성능에까지 악영향을 줄 수 있음을 유념하자.

 

스트림을 많이 사용하는 수백만 줄짜리 코드를 여러 개 관리하는 프로그래머는 그중 스트림 병렬화가 효과를 보는 경우가 많지 않음을 알게 된다.

그렇다고 스트림을 병렬화하지 말라는 뜻은 아니다.

 

조건이 잘 갖춰지면 parallel 메서드 호출 하나로 거의 프로세서 코어 수에 비례하는 성능 향상을 만끽할 수 있다.

머신러닝과 데이터 처리 같은 특정분야에서는 이 성능 개선의 유혹을 뿌리치기 어려울 것이다.

 

스트림 파이프라인 병렬화가 효과를 제대로 발휘하는 간단한 예를 보자.

다음은 π(n), 즉 n보다 작거나 같은 소수의 개수를 계산하는 함수다.

 

소수 계산 스트림 파이프라인 - 병렬화에 적합하다.

static long pi(long n) {
    return LongStream.rangeClosed(2, n)
            .mapToObj(BigInteger::valueOf)
            .filter(i -> i.isProbablePrime(50))
            .count();
}

 

π(10^8)을 계산하는 데 내 컴퓨터 에서는 31초가 걸렸다.

 

소수 계산 스트림 파이프라인 - 병렬화 버전 (295쪽)

static long pi(long n) {
    return LongStream.rangeClosed(2, n)
            .parallel()
            .mapToObj(BigInteger::valueOf)
            .filter(i -> i.isProbablePrime(50))
            .count();
}

여기에 parallel() 호출을 하나 추가한 것인데, 시간이 9.2초로 단축됐다.

 

즉, 쿼드코어를 장착한 내 컴퓨터에서 이 연산은 병렬화 덕분에 3.37배나 빨라졌다.

하지만 n이 크다면 π(n)을 이 방식으로 계산하는 건 좋지 않다.

 

레머의 공식(Lehmer’s Formula)이라는 훨씬 효율적인 알고리즘이 있기 때문이다.

무작위 수들로 이뤄진 스트림을 병렬화하려거든 ThreadLocalRandom(혹은 구식인 Random)보다는 SplittableRandom 인스턴스를 이용하자.

 

SplittableRandom은 정확히 이럴 때 쓰고자 설계된 것이라 병렬화하면 성능이 선형으로 증가한다.

 

한편 ThreadLocalRandom은 단일 스레드에서 쓰고자 만들어졌다.

병렬 스트림용 데이터 소스로도 사용할 수는 있지만 SplittableRandom만큼 빠르지는 않을 것이다.

 

마지막으로 그냥 Random은 모든 연산을 동기화하기 때문에 병렬 처리하면 최악의 성능을 보일 것이다.

 

핵심 정리

계산도 올바로 수행하고 성능도 빨라질 거라는 확신 없이는 스트림 파이프라인 병렬화는 시도조차 하지 말라.

스트림을 잘못 병렬화하면 프로그램을 오동작하게 하거나 성능을 급격히 떨어뜨린다.

병렬화하는 편이 낫다고 믿더라도, 수정 후의 코드가 여전히 정확한지 확인하고 운영 환경과 유사한 조건에서 수행해보며 성능지표를 유심히 관찰하라.

그래서 계산도 정확하고 성능도 좋아졌음이 확실해졌을 때, 오직 그럴 때만 병렬화 버전 코드를 운영 코드에 반영하라.

728x90
반응형