LongAdder因分段累加减少竞争，在高并发写场景下性能优于AtomicLong，适合多线程频繁更新计数的场景。
在高并发场景下，多个线程频繁更新同一个计数器时，使用 LongAdder 比传统的 AtomicLong 性能更好。这是因为 LongAdder 采用“分段累加”的策略，减少线程间的竞争。
为什么选择 LongAdder？
当大量线程同时对一个共享变量进行递增操作时，比如用 AtomicLong 的 incrementAndGet() 方法，所有线程都会争抢同一个变量的锁（实际上是 CAS 操作），导致大量线程重试，性能下降。
LongAdder 的设计思想是：把总和拆成多个单元，每个线程在自己对应的单元上做累加，最后再把所有单元的值加起来。这样大大减少了线程冲突。
核心优势：- 写操作（add/increment）高度并发，几乎无竞争
- 读操作（sum）相对较少，适合“多写少读”场景
- 在高并发下性能远超 AtomicLong
基本使用方法
LongAdder 的 API 简单直观，常用方法包括 increment()、add(long) 和 sum()。
立即学习“Java免费学习笔记（深入）”；
示例代码：
import java.util.concurrent.atomic.LongAdder; LongAdder counter = new LongAdder(); // 多个线程中调用 counter.increment(); // 自增1 counter.add(5); // 增加指定值 // 获取最终总和（可能有延迟） long total = counter.sum();
注意：sum() 返回的是当前所有分段值的总和，但在调用期间如果有其他线程正在修改，结果可能不是完全实时的——但这在大多数统计场景中是可以接受的。
适用场景与注意事项
LongAdder 最适合用于高并发下的计数统计，例如请求计数、监控指标收集等。
使用建议：- 如果读操作非常频繁且要求强一致性，仍应考虑 AtomicLong 或 synchronized
- LongAdder 占用更多内存（内部维护一个数组），低并发下优势不明显
- 每次调用 sum() 都会遍历所有单元求和，不要在 tight loop 中频繁调用
- 支持 reset() 清零，也可通过 sumThenReset() 一次性获取并重置
对比 AtomicLong 示例
假设 100 个线程各执行 10000 次自增：
- AtomicLong：所有线程竞争一个变量，CAS 失败率高，性能下降明显
- LongAdder：线程分散到不同单元，冲突少，吞吐量提升可达数倍
性能测试表明，在高并发写场景中，LongAdder 的吞吐量通常是 AtomicLong 的 5~10 倍甚至更高。
基本上就这些。如果你的应用中有高频更新的计数需求，换用 LongAdder 是一个简单又有效的优化手段。
