博客
关于我
C++并发与多线程学习笔记--单例设计模式、共享数据分析
阅读量:454 次
发布时间:2019-03-06

本文共 1840 字,大约阅读时间需要 6 分钟。

单例设计模式

在C++程序中,单例模式是一个常见的设计模式。它的核心思想是确保某一类只有一个实例被创建,并且可以从整个程序中访问。这种设计模式通过私有化构造函数和静态成员变量来实现,避免了多次创建同一类实例的可能性。

class MyCAS {private:    MyCAS() {};//构造函数私有化,无法直接创建对象private:    static MyCAS *m_instance;public:    static MyCAS *GetInstance() {    if (m_instance == nullptr) {        m_instance = new MyCAS();    }    return m_instance;}}

在程序启动时,可以在全局范围内初始化静态成员变量:

MyCAS *MyCAS::m_instance = nullptr;

在需要使用单例类时,通过Singleton模式获取实例:

MyCAS *p_a = MyCAS::GetInstance();

即使有多个线程调用GetInstance(),也只会返回同一个唯一实例。

为了确保在程序退出时释放资源,可以使用辅助类实现自动释放:

class GarRelease {public:    ~GarRelease() {        if (MyCAS::m_instance) {            delete MyCAS::m_instance;            MyCAS::m_instance = nullptr;        }    }}

在Singleton类中嵌入该释放逻辑:

static MyCAS *GetInstance() {    std::unique_lock lock(mymutex);    if (m_instance == nullptr) {        m_instance = new MyCAS();        static GarRelease release;    }    return m_instance;}

这样可以确保在多线程环境下也能正确管理单例对象的生命周期。

共享数据分析

在单例模式中,一个常见的问题是如何在多线程环境下安全地初始化和共享数据。当数据是只读时,可以避免使用互斥锁,但在需要初始化时仍需确保线程安全。

如果多个线程同时调用Singleton的GetInstance(),为了防止多次初始化,可以在Singleton类中使用互斥锁:

static MyCAS *GetInstance() {    std::unique_lock lock(mymutex);    if (m_instance == nullptr) {        m_instance = new MyCAS();        static GarRelease release;    }    return m_instance;}

这样可以防止多个线程同时进入Singleton的初始化逻辑,确保数据共享的安全性。

call_once

C++11引入了std::call_once函数,用于确保某个函数只被调用一次。这在处理共享资源时非常有用,特别是在多线程环境中。call_once函数结合一个标记(如std::once_flag)来实现其功能。

使用call_once可以避免重复初始化共享资源,并且比传统的互斥锁更高效。在Singleton类中,可以将初始化逻辑包裹在一个调用call_once的函数中:

class MyCAS {public:    static void CreateInstance() {        m_instance = new MyCAS();        static GarRelease release;    }    static MyCAS *GetInstance() {        std::call_once(g_flag, CreateInstance);        return m_instance;}}

这样,多个线程同时调用GetInstance()时,只有一个线程会执行CreateInstance(),其他线程会直接返回已有的实例。这种方式比传统的互斥锁更高效,且代码更简洁。

转载地址:http://gzjfz.baihongyu.com/

你可能感兴趣的文章
OpenCV与AI深度学习 | 基于GAN的零缺陷样本产品表面缺陷检测
查看>>
OpenCV与AI深度学习 | 基于OpenCV和深度学习预测年龄和性别
查看>>
OpenCV与AI深度学习 | 基于Python和OpenCV将图像转为ASCII艺术效果
查看>>
OpenCV与AI深度学习 | 基于PyTorch实现Faster RCNN目标检测
查看>>
OpenCV与AI深度学习 | 基于PyTorch语义分割实现洪水识别(数据集 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLO11的车体部件检测与分割
查看>>
OpenCV与AI深度学习 | 基于YOLOv8 + BotSORT实现球员和足球检测与跟踪 (步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
查看>>
OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案
查看>>
OpenCV与AI深度学习 | 基于深度学习的轮胎缺陷检测系统
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV传统方法实现密集圆形分割与计数(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV实现扫描文本矫正应用与实现详解(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 使用YOLOv8 Pose实现瑜伽姿势识别
查看>>
OpenCV与AI深度学习 | 实战 | 使用YoloV8实例分割识别猪的姿态(含数据集)
查看>>
OpenCV与AI深度学习 | 实战 | 基于YoloV5和Mask RCNN实现汽车表面划痕检测(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 干货 | 深度学习模型训练和部署的基本步骤
查看>>
OpenCV与AI深度学习 | 手把手教你用Python和OpenCV搭建一个半自动标注工具(详细步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 深度学习检测小目标常用方法
查看>>
Opencv中KNN背景分割器
查看>>
OpenCV中基于已知相机方向的透视变形
查看>>