写在前面
Go的GMP我们很熟悉了，计算密集型和io密集型我们也很熟悉了，但 Go 的GMP在计算密集型和io密集型上有什么区别呢？ 这篇文章我们就来探讨一下！
当然这也只是我自己的理解，如果你有不同的理解，可以评论区留言！
GMP
-
G(Goroutine)： 用户级轻量线程(协程)，包含栈、状态、入口函数等，创建和切换成本很低，默认栈按需伸缩。 -
M(Machine)：绑定到操作系统线程的运行实体， 真正在CPU上执行代码。 -
P(Processor)：逻辑处理器，承载调度资源（本地运行队列、定时器等），控制并行度，上限为 GOMAXPROCS。
调度模型：
-
本地队列优先：每个P有自己运行的本地队列，调度时优先从本地取就绪 G 。 -
全局队列兜底：部分新就绪 G 放入全局队列， P本地队列空时尝试取全局任务。 -
Work Stealing： 本地无任务时，从随机其他P的队列尾部偷一半任务，均衡负载。 -
自旋与休眠：没有可运行 G 时， M 可短暂自旋寻找任务，找不到则休眠以节省资源。
io密集型
大部分时间在等待外部资源（磁盘、网络、数据库）响应，CPU常处于空闲或低占用。
-
CPU使用率 低、iowait 高（Linux vmstat / iostat ）、会存在大量阻塞/超时日志 -
线程/连接数多、吞吐受外部系统 RT 影响
在IO密集型系统中，我们假设每一个G都是请求外部资源，比如RPC、Redis、DB等等… 当我们代码执行一次网络请求 (如http.Get) 时，GMP发生以下事情：
-
G (Goroutine)： 执行到网络读取操作，发现 数据未就绪。 -
G->Netpoller： G将自己 注册到基于epoll的网络轮询器的Netpoller中，状态变为waiting并与M分离。 -
M (Machine)： M不会阻塞，会立刻通过 P 获取本地队列中的 下一个G继续执行。 -
Netpoller->P： 当网络数据到达，Netpoller检测到事件，将之前的G状态改为 running，并将其注入到全局队列或某个P的本地队列。 -
P (Processor)： 在后续调度中， P再次拿到这个G，M继续执行之前的上下文。
⚠️ 注意点：M始终在工作，没有空闲。所以对于IO密集型系统，GMP 通过挂起当前在等待数据的G，可以使得M能处理其他的G，利用等待时间，把有限的 CPU 放大成海量的并发处理能力，拆分协程收益巨大，达到四两拨千斤的效果。
计算密集型
大部分时间在执行CPU计算（算法、编码/解码、加密、ML推理），CPU长期接近满载。
-
CPU使用率 高、负载 ≈ CPU核心数或更高 -
性能对算法复杂度、指令效率、缓存命中率敏感（perf 、 pprof 显示大量CPU占用）
当我们代码执行一个死循环计算或复杂哈希时，GMP的工作就会是这样：
-
G(Goroutine)： 在 M 上 疯狂消耗 CPU 周期。 -
P(Processor)： P 的本地队列里可能还有其他 G 在排队。 -
Preemption(抢占)： Go 的后台监控线程 sysmon发现某个 G 运行超过 10ms，会发出抢占信号。 -
G->Global Queue： G 检测到抢占信号，保存上下文，主动让出 CPU，回到 全局队列队尾等待。
-
为什么拆分成多个协程“没有那么高并发”？
在计算密集型场景下，所谓的高并发其实是假象。
-
真并发 (Parallelism) ：同一时刻真的有多个任务在物理CPU上跑，上限就是CPU核数(GOMAXPROCS)。 -
假并发 (Concurrency) ： 任务在快速切换，宏观上看好像都在跑，微观上同一时刻只有几个在跑。
对于计算密集型，开一万个G，真正的并行度依然卡死在CPU核数上。反而因为过度的切换(Context Switch)和CPU缓存失效(Cache Miss)，导致整体效率不如只开8个G。
所以系统CPU 算力就那么大，在计算密集型系统中，协程越多，调度损耗越多，拆分协程的目的是为了不让某一个协程独占CPU，所以在做计算密集型任务的时候不要滥用 go func() ，最好是 协程数 ≈ CPU 核数 。