Introduktion till samtidighet

Samtidighet och parallellism är termer som ofta används omväxlande, men de beskriver olika sätt att hantera flera uppgifter. Samtidighet avser ett programs förmåga att hantera flera uppgifter samtidigt, men inte nödvändigtvis att utföra dem exakt samtidigt. Istället kan uppgifterna turas om att använda samma resurser, såsom en enda CPU-kärna, genom att snabbt växla mellan dem. Detta är särskilt användbart för program som spenderar tid på att vänta på in-/utdata (I/O)-operationer, som att läsa från filer eller nätverksanslutningar.

Parallellism innebär däremot att faktiskt köra flera uppgifter exakt samtidigt. Detta är möjligt när det finns mer än en CPU-kärna tillgänglig, vilket gör att uppgifter kan utföras verkligt parallellt. Parallellism är särskilt viktig för CPU-bundna uppgifter, som begränsas av processorns hastighet, till exempel vid komplexa beräkningar.

Att förstå skillnaden mellan CPU-bundna och I/O-bundna uppgifter hjälper dig att välja rätt tillvägagångssätt. CPU-bundna uppgifter begränsas av beräkningshastigheten, medan I/O-bundna uppgifter tillbringar mesta delen av tiden med att vänta på externa operationer, som diskåtkomst eller nätverkssvar. I Python implementeras samtidighet ofta med trådar, som är lättviktiga och kan hjälpa vid I/O-bundna uppgifter. För CPU-bundna uppgifter är multiprocessing, som använder separata processer, mer effektivt eftersom trådar i Python begränsas av Global Interpreter Lock (GIL).

Som du såg i videon beror valet mellan samtidighet och parallellism på programmets arbetsbelastning. Om dina uppgifter väntar på I/O kan samtidighet med trådar förbättra effektiviteten. Om dina uppgifter kräver mycket beräkning hjälper parallellism med flera processer dig att utnyttja din hårdvara maximalt.