当前位置: 首页 > article >正文

为什么 ArrayList 和 LinkedList 是线程不安全的?

在 Java 并发编程中ArrayList和LinkedList都是“臭名昭著”的线程不安全者。它们的线程安全性问题根源都在于内部状态如元素数组、大小、节点链接的修改操作并非原子性且缺乏同步机制。当多条线程同时修改同一个实例时就会产生数据污染、元素丢失等诡异问题。下面我们分别剖析它们的不安全根源。一、ArrayList 的线程不安全之源ArrayList 的底层是一个动态数组elementData和一个整型变量size来记录元素个数。它的不安全主要体现在三个方面1. 核心操作缺乏原子性以add(E e)方法为例一个简单的add方法在代码层面可能只是一行但在 JVM 执行时却分解为多个步骤public boolean add(E e) { modCount; // 步骤1修改次数加1用于迭代器快速失败 add(e, elementData, size); // 步骤2调用私有重载方法执行添加 return true; } private void add(E e, Object[] elementData, int s) { if (s elementData.length) { // 步骤3检查是否需要扩容 elementData grow(); // 步骤4扩容返回新数组 } elementData[s] e; // 步骤5在索引 s 处放入元素 size s 1; // 步骤6更新 size }从这段真实代码可以看出一个简单的add操作被分解为多个步骤并且这些步骤在并发执行时并非原子操作。多线程风险演示场景线程A和线程B同时执行add此时size 5且elementData.length 5无需扩容。可能的时间片轮转1. 线程A执行完步骤5elementData[5] a但还没来得及执行步骤6更新sizeCPU切换到了线程B。2. 线程B开始执行add它读取到的size仍然是5。于是它也执行步骤5将elementData[5] b将线程A刚刚放入的元素a覆盖了。3. 接着线程B执行步骤6将size更新为6。4. 之后线程A继续执行步骤6又将size更新为7基于它之前保存的s5计算s1。结果最终size为7但elementData[5]位置实际存放的是ba已丢失且elementData[6]位置是null。这就是典型的元素覆盖和索引错乱。2. 扩容机制引发的并发异常当add操作触发扩容时风险进一步加剧。上面的代码中grow()方法负责扩容// ArrayList 的扩容核心 private Object[] grow(int minCapacity) { // 获取当前数组的容量 int oldCapacity elementData.length; // 判断是否已经初始化过 if (oldCapacity 0 || elementData ! DEFAULTCAPACITY_EMPTY_ELEMENTDATA) { // 情况 1: 数组已经有容量或是已初始化的空数组 // 计算新的容量使用 ArraysSupport.newLength 方法 // 参数说明: // - oldCapacity: 旧容量 // - minCapacity - oldCapacity: 最小需要增长的容量必需增长 // - oldCapacity 1: 首选增长量右移 1 位相当于除以 2即增长 50% int newCapacity ArraysSupport.newLength(oldCapacity, minCapacity - oldCapacity, oldCapacity 1); // 复制原数组到新容量的数组并更新引用 return elementData Arrays.copyOf(elementData, newCapacity); } else { // 情况 2: 默认空数组首次扩容 // 取默认容量 (通常是 10) 和最小需要容量的较大值 return elementData new Object[Math.max(DEFAULT_CAPACITY, minCapacity)]; } }风险假设线程A和线程B同时检测到需要扩容即s elementData.length。它们都会进入grow()方法。线程A先执行Arrays.copyOf创建了一个新数组并将elementData指向它。紧接着线程B也执行Arrays.copyOf但此时它引用的elementData仍然是旧的数组因为线程A的赋值可能还没被线程B看到或者线程B已经读到了旧数组的引用于是基于旧数组又创建了一个新数组并再次将elementData指向它。结果扩容失效最终数组容量可能只是线程B计算的容量但实际需要的容量可能更大线程A已经添加了元素。元素丢失线程A在新数组中添加的元素随着elementData被线程B的引用覆盖而全部丢失。更严重的是线程A之后还会尝试在它自己创建的数组已被抛弃中放入元素这些操作全部无效。3. 迭代过程中的“快速失败fail-fast”当使用迭代器Iterator遍历 ArrayList 时迭代器内部会保存一个expectedModCount值初始等于集合的modCount修改次数。每次遍历都会检查两者是否一致。风险如果在一个线程遍历的同时另一个线程对 ArrayList 进行了结构修改增、删modCount就会变化导致两者不相等。此时正在遍历的线程会立即抛出ConcurrentModificationException这就是为了在并发环境下快速暴露问题而不是让程序在不确定的状态下继续运行。4.总结数据丢失多个线程同时执行add()操作可能导致后写入的数据覆盖前一个数据或size值更新错乱。扩容异常线程A和线程B同时检测到需要扩容都创建了新数组并尝试复制。最终可能只有一个线程的数组生效另一个线程添加的元素全部丢失。快速失败当一个线程使用迭代器遍历时另一个线程修改了集合结构增删迭代器会立即抛出ConcurrentModificationException。二、LinkedList 的线程不安全之源LinkedList 基于双向链表实现其节点Node包含item数据、next后置指针、prev前置指针。它的线程不安全主要体现在对指针和链接状态的并发修改上。1. 链接过程的非原子性以addLast(E e)为例向链表尾部添加元素需要维护多个节点间的指针关系// linkLast 方法 void linkLast(E e) { // 保存当前的尾节点引用 final NodeE l last; // 创建新节点 // 参数说明 // - l: 前驱节点原尾节点 // - e: 新节点存储的元素 // - null: 后继节点为 null因为要放在尾部 final NodeE newNode new Node(l, e, null); // 步骤1更新尾节点指针将 last 指针指向新节点 last newNode; if (l null) // 如果链表为空也要设置 first 指针原链表为空新节点既是头节点也是尾节点 first newNode; else // 步骤2将原尾节点的 next 指针指向新节点原链表非空将原尾节点的 next 指向新节点 l.next newNode; // 步骤3增加 size链表大小加 1 size; // 修改计数器加 1用于快速失败机制 modCount; }风险线程A和线程B同时执行linkLast。它们都可能读到同一个l原尾节点。线程A执行完步骤1将last指向了自己的新节点newNodeA。线程B接着执行步骤1将last指向了自己的新节点newNodeB此时last被线程B覆盖。然后线程A尝试执行步骤2将原尾节点l的next指向newNodeA。线程B也尝试执行步骤2将原尾节点l的next指向newNodeB。结果最终last指向newNodeB但原尾节点的next可能指向newNodeA取决于最后谁执行了步骤2这会导致链表出现环状结构或节点丢失使得后续遍历或操作陷入死循环或产生错误结果。2. 数据结构整体被破坏与ArrayList类似对size的并发增减、在链表中间插入或删除节点时多个线程同时修改节点的prev和next指针极有可能导致指针错乱使得链表不再是一个线性的、可正确遍历的结构甚至出现空指针异常或死循环。例如在中间插入节点时需要同时修改前驱节点的next和后继节点的prev。若两个线程同时在相近位置插入可能造成断链某个节点的next指向了新节点但新节点的prev却未能正确指回导致逆向遍历中断。成环指针交叉引用形成循环链表使遍历永远无法结束。空指针异常某个节点被错误地置为null导致后续访问抛出NPE。3.size与真实节点数不一致size操作不具备原子性多个线程同时执行size会导致最终值小于实际添加次数丢失更新或大于实际节点数重复计数。结合节点丢失的情况size将完全无法反映链表中有效节点的数量使依赖size()的业务逻辑如分页、循环判断失效。4. 迭代器快速失败ConcurrentModificationException与ArrayList一致LinkedList也通过modCount变量记录结构性修改次数。当一个线程使用迭代器遍历时如果另一个线程对链表进行了增删操作modCount的改变会立即被迭代器检测到并抛出ConcurrentModificationException以防止在已损坏或状态不一致的结构上继续操作。三、风险对比与最佳实践集合类不安全根源主要风险表现ArrayList基于数组对索引位置和数组引用的并发赋值非原子扩容时复制覆盖modCount机制触发快速失败。元素覆盖/丢失、数组索引越界、ConcurrentModificationExceptionLinkedList基于链表对多个节点指针prev、next和头尾引用的并发修改非原子size变量并发增减。节点丢失、链表结构损坏如出现环、空指针异常、遍历死循环核心结论与最佳实践局部变量优先如前两份材料所述在绝大多数情况下将ArrayList和LinkedList定义为方法内部的局部变量是避免线程安全问题最简单、最有效的方法。必须共享则加锁或使用并发容器如果确实需要在多线程间共享请不要直接使用它们。对于ArrayList可以根据场景选用Collections.synchronizedList(new ArrayList())简单同步或CopyOnWriteArrayList读多写少。对于LinkedList如果作为队列使用推荐使用ConcurrentLinkedQueue基于 CAS 的无锁并发队列或LinkedBlockingQueue阻塞队列如果仍需 List 操作可考虑Collections.synchronizedList(new LinkedList())但要注意并发性能。

相关文章:

为什么 ArrayList 和 LinkedList 是线程不安全的?

在 Java 并发编程中,ArrayList 和 LinkedList 都是“臭名昭著”的线程不安全者。它们的线程安全性问题,根源都在于内部状态(如元素数组、大小、节点链接)的修改操作并非原子性,且缺乏同步机制。当多条线程同时修改同一…...

如何3分钟创建专业简历:Magic Resume完整使用指南 ✨

如何3分钟创建专业简历:Magic Resume完整使用指南 ✨ 【免费下载链接】magic-resume free online AI resume editor 项目地址: https://gitcode.com/GitHub_Trending/ma/magic-resume 你是否曾为制作一份专业的简历而烦恼?面对单调的Word模板和复…...

深入解析虚幻引擎多线程渲染的数据同步机制

1. 游戏线程与渲染线程的协作基础 在虚幻引擎的架构设计中,游戏线程(Game Thread)和渲染线程(Render Thread)的分离是提升性能的关键策略。这种分离使得CPU密集型逻辑计算与GPU指令生成能够并行执行,但同时…...

Keil5开发环境模拟调用丹青识画系统API:嵌入式AI应用前瞻性实验

Keil5开发环境模拟调用丹青识画系统API:嵌入式AI应用前瞻性实验 1. 引言:为什么要在Keil里“玩”云AI? 如果你是一位嵌入式软件工程师,最近可能经常听到“边缘AI”、“端侧智能”这些词。公司的新项目规划里,也总少不…...

Qt实战:如何用QTableView+自定义Delegate打造可编辑表格(附SpinBox/ComboBox完整代码)

Qt实战:用QTableView自定义Delegate实现高级表格编辑 1. 理解Qt模型-视图-委托架构 在Qt框架中,模型-视图-委托(Model-View-Delegate, MVD)模式是实现数据与界面分离的核心设计。这种架构将数据管理、界面展示和用户交互三个关注点清晰地划分开来&#x…...

GitHub万星推荐:10本让程序员代码质量飙升的实战书籍(含PDF资源获取方式)

GitHub万星推荐:10本让程序员代码质量飙升的实战书籍(含PDF资源获取方式) 在代码的世界里,质量从来不是偶然。当我第一次被团队负责人指出代码中的"坏味道"时,才真正意识到写出可维护的代码远比实现功能困难…...

如何实现十微秒级IP定位?详解ip2region的本地化解决方案

如何实现十微秒级IP定位?详解ip2region的本地化解决方案 【免费下载链接】ip2region Ip2region (2.0 - xdb) 是一个离线IP地址管理与定位框架,能够支持数十亿级别的数据段,并实现十微秒级的搜索性能。它为多种编程语言提供了xdb引擎实现。 …...

小说下载开源工具fanqienovel-downloader:构建你的离线阅读库

小说下载开源工具fanqienovel-downloader:构建你的离线阅读库 【免费下载链接】fanqienovel-downloader 下载番茄小说 项目地址: https://gitcode.com/gh_mirrors/fa/fanqienovel-downloader 在数字阅读日益普及的今天,网络波动、流量限制和平台访…...

DAMOYOLO-S用于内网穿透测试:在无公网IP服务器部署与访问

DAMOYOLO-S用于内网穿透测试:在无公网IP服务器部署与访问 1. 引言 很多朋友在本地服务器上跑通了DAMOYOLO-S模型,想给同事或者客户演示一下效果,结果发现服务器在公司内网或者家里,没有公网IP,外面根本访问不了。这时…...

PyTorch3D 0.7.2 + CUDA 11.7完整安装流程:手把手教你配置3D深度学习环境

PyTorch3D 0.7.2 CUDA 11.7完整安装流程:手把手教你配置3D深度学习环境 3D深度学习正在重塑计算机视觉和图形学的边界,而PyTorch3D作为Facebook Research开源的3D深度学习库,为开发者提供了强大的工具集。本文将带你从零开始,在W…...

CTF流量分析终极指南:3步完成复杂网络数据包解析

CTF流量分析终极指南:3步完成复杂网络数据包解析 【免费下载链接】CTF-NetA 项目地址: https://gitcode.com/gh_mirrors/ct/CTF-NetA CTF流量分析是网络安全竞赛中最具挑战性的环节之一,传统工具往往让新手望而却步。CTF-NetA作为一款专业的网络…...

FPGA仿真数据跨平台分析:从Vivado到MATLAB的无缝衔接

1. FPGA仿真数据分析的痛点与解决方案 做FPGA开发的朋友们应该都深有体会,仿真验证和数据分析就像一对难兄难弟。在Vivado里跑完仿真,看着那一堆波形图,总觉得少了点什么——没错,就是深度分析的能力。Vivado的波形查看器虽然直观…...

Android12 编译环境搭建避坑指南:从配置优化到实战调试

1. 硬件配置:别让机器性能成为你的绊脚石 第一次编译Android 12的经历让我记忆犹新——连续8小时的等待,最终却以内存溢出告终。这种痛苦我懂,所以先来聊聊硬件配置这个最基础也最容易踩坑的环节。 Android官方文档给出的最低配置要求就像汽车…...

Java开发必看:VO、DTO、DO、BO到底怎么用?5个真实项目案例解析

Java开发必看:VO、DTO、DO、BO到底怎么用?5个真实项目案例解析 在Java企业级开发中,对象模型的设计直接影响着代码的可维护性和扩展性。每当看到代码中充斥着各种以VO、DTO、DO、BO结尾的类名时,不少开发者都会产生这样的困惑&…...

别再让慢查询拖垮你的报表了!用StarRocks物化视图5分钟搞定实时聚合加速

5分钟极速优化:用StarRocks物化视图拯救你的慢查询报表 凌晨三点的办公室,咖啡杯已经见底,而你的聚合查询还在转圈——这是多少数据工程师的噩梦。当千万级交易数据遇上实时决策需求,传统方法往往力不从心。今天我们要解锁的StarR…...

避坑指南:YOLOv5多摄像头实时检测中的常见问题与解决方案

YOLOv5多摄像头实时检测实战:从性能瓶颈到工业级优化 在智能安防、工业质检和无人零售等场景中,多摄像头实时目标检测已成为刚需。YOLOv5凭借其优异的精度和速度表现,成为众多开发者的首选框架。但当我们将单摄像头检测扩展到多路视频流处理时…...

【风控】PSI指标实战:从原理到业务落地的全流程解析

1. PSI指标:风控模型的"体温计" 当你去医院体检时,医生总会先给你量体温——这个简单数值能快速判断身体是否异常。在金融风控领域,PSI(Population Stability Index)就是这样一个"体温计"&#xf…...

2026指纹浏览器性能瓶颈分析与优化技巧

在 2026 年的多账号运营、跨境业务、数据采集等高频使用场景中,指纹浏览器的性能表现直接决定业务效率与稳定性。随着环境数量的增加、业务复杂度的提升,很多从业者都会遇到指纹浏览器卡顿、崩溃、启动缓慢、资源占用过高、网络延迟等性能瓶颈&#xff0…...

Snyk CLI:现代化依赖安全扫描与漏洞治理解决方案

Snyk CLI:现代化依赖安全扫描与漏洞治理解决方案 【免费下载链接】cli Snyk CLI scans and monitors your projects for security vulnerabilities. 项目地址: https://gitcode.com/gh_mirrors/cli6/cli 在当今快速迭代的软件开发环境中,依赖安全…...

大模型高效微调技术集合:从BitFit到LoRA,大模型微调不再难!

模型是什么? 简单来说,大语言模型是一种在海量文本数据上进行预训练的深度学习模型。由于其巨大的参数规模(通常在数十亿到数千亿之间)和广泛的训练数据,它具备了强大的自然语言理解和生成能力,能够执行问答…...

基于51单片机与Proteus的LCD交互式电话拨号仿真系统设计

1. 系统设计概述 这个项目本质上是在模拟传统电话机的核心交互功能。想象一下老式座机电话的拨号体验:按下物理按键时会有"滴"声反馈,LCD屏幕实时显示输入号码,还能通过功能键进行修改。我们使用51单片机作为"大脑"&…...

国家平台首发!全球首个机器人“灵巧操作+全身运动”真机数据集来了

点击下方卡片,关注“CVer”公众号AI/CV重磅干货,第一时间送达具身智能太火了!连续两年写入政府工作报告!今年两会上关于具身智能的提案也迎来爆发性增长。过去几年,人形机器人已经学会了很多“炫技”:跑步、…...

实战准备:为短视频安卓应用开发,用快马ai定制专属的android studio环境配置方案

作为一名安卓开发者,我深知项目启动前的环境配置有多重要。尤其是面对像“短视频播放应用”这样对性能、兼容性有特定要求的项目,一个“开箱即用”的优化环境能省去大量前期摸索和踩坑的时间。最近在准备一个类似项目时,我没有像往常一样手动…...

YOLOv12在复杂数据结构处理中的优化:以图数据表示目标关联关系

YOLOv12在复杂数据结构处理中的优化:以图数据表示目标关联关系 1. 引言 想象一下,你正在看一张照片:一个人手里拿着手机,站在一辆汽车旁边。传统的目标检测模型,比如我们熟悉的YOLO系列,能准确地告诉你“…...

CLUE模型构建方法、模型验证及土地利用变化情景预测实践技术应用

土地利用/土地覆盖数据是生态、环境和气象等领域众多模型的重要输入参数之一。基于遥感影像解译,可获取历史或当前任何一个区域的土地利用/土地覆盖数据,用于评估区域的生态环境变化、评价重大生态工程建设成效等。借助CLUE模型,实现对未来土…...

采样率自适应:SenseVoice-Small ONNX模型8k/16k/48k音频统一处理

采样率自适应:SenseVoice-Small ONNX模型8k/16k/48k音频统一处理 1. 引言:告别音频格式烦恼,一个模型通吃所有 你有没有遇到过这样的麻烦事?手头有一堆音频文件,有的是电话录音(8kHz)&#xf…...

LaTeX新手必看:VSCode中高效编辑与排版的5个实用技巧

LaTeX高效工作流:VSCode中提升排版效率的5个专业技巧 当你第一次在VSCode中成功编译出"Hello, world!"的LaTeX文档时,那种成就感可能很快就会被重复性操作和调试错误所消磨。作为一位每天与LaTeX打交道的学术工作者,我发现大多数新…...

ANSYS Fluent多相流避坑指南:Mixture和Eulerian模型选择的3个关键参数

ANSYS Fluent多相流模型深度解析:从参数阈值到实战优化 在工程仿真领域,多相流模拟一直是个令人又爱又恨的难题。当面对气泡柱、流化床或泥浆输送等复杂场景时,如何选择合适的模型往往成为项目成败的关键。本文将聚焦ANSYS Fluent中最易混淆的…...

VScode 集成Clangd打造智能Linux内核代码阅读环境

1. 为什么选择Clangd替代Global? 十年前我第一次接触Linux内核代码时,被庞大的代码量吓到了。当时用Global做索引,跳转功能时灵时不灵,经常跳到错误的定义位置。后来发现Clangd这个基于LLVM的Language Server,简直是代…...

如何在E-HPC集群上使用oneAPI加速LAMMPS编译?完整配置指南

基于oneAPI的LAMMPS高性能编译与优化实战指南 1. 高性能计算环境下的分子动力学模拟挑战 分子动力学模拟作为计算化学和材料科学的核心工具,其计算效率直接决定了科研项目的可行性和产出速度。LAMMPS(Large-scale Atomic/Molecular Massively Parallel Simulator)作…...