从同步方法调用同步方法的同步成本是多少？
这之间的表现有什么不同吗？
synchronized void x() { y(); } synchronized void y() { } 和这个
synchronized void x() { y(); } void y() { }
是的，还有一个额外的性能成本，除非并且直到JVM内联调用y() ，现代JIT编译器将以相当短的顺序执行。 首先，考虑一下您所呈现的案例，其中y()在课堂外可见。 在这种情况下，JVM必须检查输入y()以确保它可以进入对象的监视器; 当呼叫来自x() ，此检查将始终成功，但不能跳过，因为呼叫可能来自课外的客户端。 这项额外的检查费用很低。
另外，考虑y()是private 。 在这种情况下，编译器仍然不会优化同步 ; 看下面的空y()反汇编：
private synchronized void y(); flags: ACC_PRIVATE, ACC_SYNCHRONIZED Code: stack=0, locals=1, args_size=1 0: return
根据规范对synchronized的定义 ，每个进入synchronized块或方法的入口都对对象执行锁定操作 ，而离开则执行解锁操作 。 在锁定计数器降至零之前，没有其他线程可以获取该对象的监视器。 据推测，某种类型的静态分析可以certificateprivate synchronized方法只能从其他synchronized方法中调用，但Java的多源文件支持最多会使脆弱，甚至忽略reflection。 这意味着JVM必须在输入y()递增计数器：
调用
synchronized方法的监视条目，并在其返回时监视退出，由Java虚拟机的方法调用和返回指令隐式处理，就像使用monitorenter和monitorexit一样。
@AmolSonawane正确地指出 ，JVM可以在运行时通过执行锁定粗化来优化此代码，实质上是内联y()方法。 在这种情况下，在JVM决定执行JIT优化之后， 从x()到y()调用不会产生任何额外的性能开销，但当然从任何其他位置直接调用y()仍然需要获取显示器分开。
使用jmh运行微基准测试的结果
Benchmark Mean Mean error Units capSO18996783.syncOnce 21.003 0.091 nsec/op capSO18996783.syncTwice 20.937 0.108 nsec/op
=>无统计学差异。
查看生成的程序集显示已执行锁定粗化，并且y_sync已在x_sync内联，尽管它已同步。
完整结果：
Benchmarks: # Running: com.assylias.performance.SO18996783.syncOnce Iteration 1 (5000ms in 1 thread): 21.049 nsec/op Iteration 2 (5000ms in 1 thread): 21.052 nsec/op Iteration 3 (5000ms in 1 thread): 20.959 nsec/op Iteration 4 (5000ms in 1 thread): 20.977 nsec/op Iteration 5 (5000ms in 1 thread): 20.977 nsec/op Run result "syncOnce": 21.003 ±(95%) 0.055 ±(99%) 0.091 nsec/op Run statistics "syncOnce": min = 20.959, avg = 21.003, max = 21.052, stdev = 0.044 Run confidence intervals "syncOnce": 95% [20.948, 21.058], 99% [20.912, 21.094] Benchmarks: com.assylias.performance.SO18996783.syncTwice Iteration 1 (5000ms in 1 thread): 21.006 nsec/op Iteration 2 (5000ms in 1 thread): 20.954 nsec/op Iteration 3 (5000ms in 1 thread): 20.953 nsec/op Iteration 4 (5000ms in 1 thread): 20.869 nsec/op Iteration 5 (5000ms in 1 thread): 20.903 nsec/op Run result "syncTwice": 20.937 ±(95%) 0.065 ±(99%) 0.108 nsec/op Run statistics "syncTwice": min = 20.869, avg = 20.937, max = 21.006, stdev = 0.052 Run confidence intervals "syncTwice": 95% [20.872, 21.002], 99% [20.829, 21.045]
为什么不测试它？？ 我跑了一个快速的基准。 在循环中调用benchmark()方法进行预热。 这可能不是非常准确，但它确实显示了一些一致的有趣模式。
public class Test { public static void main(String[] args) { for (int i = 0; i < 100; i++) { System.out.println("+++++++++"); benchMark(); } } static void benchMark() { Test t = new Test(); long start = System.nanoTime(); for (int i = 0; i < 100; i++) { tx(); } System.out.println("Double sync:" + (System.nanoTime() - start) / 1e6); start = System.nanoTime(); for (int i = 0; i < 100; i++) { t.x1(); } System.out.println("Single sync:" + (System.nanoTime() - start) / 1e6); } synchronized void x() { y(); } synchronized void y() { } synchronized void x1() { y1(); } void y1() { } }
结果 （最后10个）
+++++++++ Double sync:0.021686 Single sync:0.017861 +++++++++ Double sync:0.021447 Single sync:0.017929 +++++++++ Double sync:0.021608 Single sync:0.016563 +++++++++ Double sync:0.022007 Single sync:0.017681 +++++++++ Double sync:0.021454 Single sync:0.017684 +++++++++ Double sync:0.020821 Single sync:0.017776 +++++++++ Double sync:0.021107 Single sync:0.017662 +++++++++ Double sync:0.020832 Single sync:0.017982 +++++++++ Double sync:0.021001 Single sync:0.017615 +++++++++ Double sync:0.042347 Single sync:0.023859
看起来第二种变化确实略快。
测试可以在下面找到（你必须猜测一些方法做什么，但没有复杂）：
它用100个线程测试它们，并在70％的线程完成后开始计算平均值（作为预热）。
它最后打印出来一次。
public static final class Test { final int iterations = 100; final int jiterations = 1000000; final int count = (int) (0.7 * iterations); final AtomicInteger finishedSingle = new AtomicInteger(iterations); final AtomicInteger finishedZynced = new AtomicInteger(iterations); final MovingAverage.Cumulative singleCum = new MovingAverage.Cumulative(); final MovingAverage.Cumulative zyncedCum = new MovingAverage.Cumulative(); final MovingAverage singleConv = new MovingAverage.Converging(0.5); final MovingAverage zyncedConv = new MovingAverage.Converging(0.5); // ----------------------------------------------------------- // ----------------------------------------------------------- public static void main(String[] args) { final Test test = new Test(); for (int i = 0; i < test.iterations; i++) { test.benchmark(i); } Threads.sleep(1000000); } // ----------------------------------------------------------- // ----------------------------------------------------------- void benchmark(int i) { Threads.async(()->{ long start = System.nanoTime(); for (int j = 0; j < jiterations; j++) { a(); } long elapsed = System.nanoTime() - start; int v = this.finishedSingle.decrementAndGet(); if ( v <= count ) { singleCum.add (elapsed); singleConv.add(elapsed); } if ( v == 0 ) { System.out.println(elapsed); System.out.println("Single Cum:\t\t" + singleCum.val()); System.out.println("Single Conv:\t" + singleConv.val()); System.out.println(); } }); Threads.async(()->{ long start = System.nanoTime(); for (int j = 0; j < jiterations; j++) { az(); } long elapsed = System.nanoTime() - start; int v = this.finishedZynced.decrementAndGet(); if ( v <= count ) { zyncedCum.add(elapsed); zyncedConv.add(elapsed); } if ( v == 0 ) { // Just to avoid the output not overlapping with the one above Threads.sleep(500); System.out.println(); System.out.println("Zynced Cum: \t" + zyncedCum.val()); System.out.println("Zynced Conv:\t" + zyncedConv.val()); System.out.println(); } }); } synchronized void a() { b(); } void b() { c(); } void c() { d(); } void d() { e(); } void e() { f(); } void f() { g(); } void g() { h(); } void h() { i(); } void i() { } synchronized void az() { bz(); } synchronized void bz() { cz(); } synchronized void cz() { dz(); } synchronized void dz() { ez(); } synchronized void ez() { fz(); } synchronized void fz() { gz(); } synchronized void gz() { hz(); } synchronized void hz() { iz(); } synchronized void iz() {} }
MovingAverage.Cumulative add基本上（primefaces地执行）：average =（average *（n）+ number）/（++ n）;
MovingAverage.Converging你可以查找但使用另一个公式。
50秒预热后的结果：
用：jiterations - > 1000000
Zynced Cum: 3.2017985649516254E11 Zynced Conv: 8.11945143126507E10 Single Cum: 4.747368153507841E11 Single Conv: 8.277793176290959E10
那是纳秒的平均值。 这真的没什么，甚至表明zynced花了更少的时间 。
用：jiterations - >原* 10 （需要更长的时间）
Zynced Cum: 7.462005651190714E11 Zynced Conv: 9.03751742946726E11 Single Cum: 9.088230941676143E11 Single Conv: 9.09877020004914E11
正如您所看到的，结果显示它确实没有太大区别。 zynced实际上具有较低的平均时间来完成最后30％的完成。
每个一个线程（迭代= 1）和jiterations =原始* 100;
Zynced Cum: 6.9167088486E10 Zynced Conv: 6.9167088486E10 Single Cum: 6.9814404337E10 Single Conv: 6.9814404337E10
在同一个线程环境中 （删除Threads.async调用）
用：jiterations - >原* 10
Single Cum: 2.940499529542545E8 Single Conv: 5.0342450600964054E7 Zynced Cum: 1.1930525617915475E9 Zynced Conv: 6.672312498662484E8
这里的zynced似乎比较慢。 订单约10。 造成这种情况的原因可能是由于zynced每次都在运行，谁知道。 没有能量尝试相反。
上次测试运行：
public static final class Test { final int iterations = 100; final int jiterations = 10000000; final int count = (int) (0.7 * iterations); final AtomicInteger finishedSingle = new AtomicInteger(iterations); final AtomicInteger finishedZynced = new AtomicInteger(iterations); final MovingAverage.Cumulative singleCum = new MovingAverage.Cumulative(); final MovingAverage.Cumulative zyncedCum = new MovingAverage.Cumulative(); final MovingAverage singleConv = new MovingAverage.Converging(0.5); final MovingAverage zyncedConv = new MovingAverage.Converging(0.5); // ----------------------------------------------------------- // ----------------------------------------------------------- public static void main(String[] args) { final Test test = new Test(); for (int i = 0; i < test.iterations; i++) { test.benchmark(i); } Threads.sleep(1000000); } // ----------------------------------------------------------- // ----------------------------------------------------------- void benchmark(int i) { long start = System.nanoTime(); for (int j = 0; j < jiterations; j++) { a(); } long elapsed = System.nanoTime() - start; int s = this.finishedSingle.decrementAndGet(); if ( s <= count ) { singleCum.add (elapsed); singleConv.add(elapsed); } if ( s == 0 ) { System.out.println(elapsed); System.out.println("Single Cum:\t\t" + singleCum.val()); System.out.println("Single Conv:\t" + singleConv.val()); System.out.println(); } long zstart = System.nanoTime(); for (int j = 0; j < jiterations; j++) { az(); } long elapzed = System.nanoTime() - zstart; int z = this.finishedZynced.decrementAndGet(); if ( z <= count ) { zyncedCum.add(elapzed); zyncedConv.add(elapzed); } if ( z == 0 ) { // Just to avoid the output not overlapping with the one above Threads.sleep(500); System.out.println(); System.out.println("Zynced Cum: \t" + zyncedCum.val()); System.out.println("Zynced Conv:\t" + zyncedConv.val()); System.out.println(); } } synchronized void a() { b(); } void b() { c(); } void c() { d(); } void d() { e(); } void e() { f(); } void f() { g(); } void g() { h(); } void h() { i(); } void i() { } synchronized void az() { bz(); } synchronized void bz() { cz(); } synchronized void cz() { dz(); } synchronized void dz() { ez(); } synchronized void ez() { fz(); } synchronized void fz() { gz(); } synchronized void gz() { hz(); } synchronized void hz() { iz(); } synchronized void iz() {} }
结论，确实没有区别。
在两个方法同步的情况下，您将锁定监视器两次。 因此，第一种方法会再次产生额外的锁定开销。 但是你的JVM可以通过锁定粗化来降低锁定成本，并且可以在线调用y（）。
没有区别。 因为线程内容只能获取x（）的锁定。 在x（）处获取锁定的线程可以在没有任何争用的情况下获取y（）处的锁定（因为这只是在某个特定时间可以到达该点的线程）。 因此在那里放置同步没有任何影响。