چرا پردازش همزمان اهمیت دارد؟

به طور سنتی، برنامه‌ها به صورت ترتیبی (Sequentially) اجرا می‌شوند؛ یعنی هر دستور پس از اتمام دستور قبلی آغاز می‌شود. در یک پردازنده تک‌هسته‌ای، این رویکرد منطقی بود. اما در پردازنده‌های امروزی که دارای ۲، ۴، ۸ یا حتی تعداد بیشتری هسته هستند، اجرای ترتیبی به معنای بلااستفاده ماندن بخش بزرگی از توان پردازشی سیستم است.

پردازش همزمان این مشکل را با تقسیم یک وظیفه بزرگ به چندین زیروظیفه کوچکتر و اجرای همزمان آن‌ها بر روی هسته‌های مختلف حل می‌کند. این رویکرد به ویژه در سناریوهای زیر کارایی فوق‌العاده‌ای دارد:

• عملیات محاسباتی سنگین (CPU-Bound): پردازش تصویر و ویدئو، محاسبات علمی، تحلیل داده‌های حجیم و الگوریتم‌های پیچیده.

• کار با مجموعه‌های بزرگ داده: فیلتر کردن، مرتب‌سازی و پردازش اعضای یک آرایه یا لیست بزرگ.

• بهبود پاسخ‌گویی رابط کاربری (UI): جلوگیری از قفل شدن برنامه هنگام انجام عملیات‌های طولانی در پس‌زمینه.

کتابخانه موازی وظیفه (Task Parallel Library - TPL)

قلب تپنده پردازش همزمان در دات‌نت، Task Parallel Library (TPL) است که در فضای نام System.Threading.Tasks قرار دارد. TPL مجموعه‌ای از کلاس‌ها و APIها را ارائه می‌دهد که پیچیدگی‌های کار با نخ‌ها (Threads) را پنهان کرده و به توسعه‌دهندگان اجازه می‌دهد تا بر منطق برنامه خود تمرکز کنند. TPL به صورت هوشمند وظایف را بر روی نخ‌های موجود در Thread Pool زمان‌بندی و مدیریت می‌کند و درجه همزمانی (Degree of Concurrency) را بر اساس تعداد هسته‌های در دسترس بهینه می‌سازد.

دو کلاس اصلی و پرکاربرد در TPL، کلاس‌های Parallel و Task هستند.

کلاس Parallel: سادگی در اجرای حلقه‌های موازی

کلاس Parallel روش‌های استاتیک ساده‌ای برای اجرای موازی حلقه‌ها فراهم می‌کند. دو متد اصلی آن عبارتند از For و ForEach که معادل‌های موازی حلقه‌های for و foreach استاندارد هستند.

برای مثال، فرض کنید می‌خواهیم مجموعه‌ای از تصاویر را پردازش کنیم. در حالت عادی، این کار را در یک حلقه foreach انجام می‌دهیم:

foreach (var image in images)
{
    ProcessImage(image); // یک عملیات زمان‌بر
}

با استفاده از Parallel.ForEach، می‌توانیم این عملیات را به سادگی موازی کنیم:

Parallel.ForEach(images, image =>
{
    ProcessImage(image);
});

TPL به طور خودکار مجموعه images را به بخش‌های کوچکتر تقسیم کرده و پردازش هر بخش را به یک نخ جداگانه می‌سپارد. این کار باعث می‌شود پردازش تصاویر به صورت همزمان روی هسته‌های مختلف انجام شود و زمان کل عملیات به شدت کاهش یابد.

به طور مشابه، Parallel.For برای حلقه‌هایی که بر اساس یک شمارنده کار می‌کنند، استفاده می‌شود:

Parallel.For(0, 1000, i =>
{
    // انجام یک عملیات محاسباتی سنگین برای i
    DoComplexCalculation(i);
});

کلاس Task: کنترل دقیق‌تر بر عملیات همزمان

کلاس Task نمایانگر یک عملیات غیرهمزمان است و انعطاف‌پذیری بسیار بیشتری نسبت به کلاس Parallel ارائه می‌دهد. با استفاده از Task می‌توانید چندین عملیات مستقل را به صورت همزمان اجرا کرده، منتظر اتمام آن‌ها بمانید و نتایج آن‌ها را ترکیب کنید.

// ایجاد و اجرای سه وظیفه به صورت همزمان
Task<ResultA> taskA = Task.Run(() => LongRunningOperationA());
Task<ResultB> taskB = Task.Run(() => LongRunningOperationB());
Task<ResultC> taskC = Task.Run(() => LongRunningOperationC());

// منتظر ماندن برای اتمام همه وظایف
Task.WaitAll(taskA, taskB, taskC);

// دریافت نتایج
ResultA resultA = taskA.Result;
ResultB resultB = taskB.Result;
ResultC resultC = taskC.Result;

// ترکیب نتایج
var finalResult = CombineResults(resultA, resultB, resultC);

در این مثال، سه عملیات طولانی به صورت همزمان شروع به کار می‌کنند و برنامه اصلی تنها پس از اتمام هر سه وظیفه به کار خود ادامه می‌دهد.

LINQ موازی (Parallel LINQ - PLINQ)

PLINQ نسخه موازی Language-Integrated Query (LINQ) است. این تکنولوژی به توسعه‌دهندگان اجازه می‌دهد تا با افزودن یک متد ساده به نام AsParallel() به کوئری‌های LINQ، آن‌ها را به صورت همزمان اجرا کنند. PLINQ برای عملیات پردازش داده بر روی مجموعه‌های بزرگ (in-memory collections) ایده‌آل است.

فرض کنید لیستی از اعداد داریم و می‌خواهیم فاکتوریل اعداد زوج بزرگتر از ۱۰ را محاسبه کنیم. یک کوئری LINQ استاندارد به شکل زیر خواهد بود:

var query = from num in numbers
            where num > 10 && num % 2 == 0
            select CalculateFactorial(num);

برای اجرای موازی این کوئری، کافیست AsParallel() را به آن اضافه کنیم:

var parallelQuery = from num in numbers.AsParallel()
                    where num > 10 && num % 2 == 0
                    select CalculateFactorial(num);

PLINQ به صورت خودکار داده‌ها را بین نخ‌های مختلف تقسیم کرده، فیلتر (where) و تبدیل (select) را به صورت موازی روی هر بخش اجرا می‌کند و در نهایت نتایج را با هم ترکیب می‌کند. این کار می‌تواند سرعت اجرای کوئری‌های پیچیده روی داده‌های حجیم را به طرز شگفت‌انگیزی افزایش دهد.

البته باید توجه داشت که موازی‌سازی همیشه به معنای سرعت بیشتر نیست. برای عملیات‌های بسیار ساده و سریع، سربار (overhead) مدیریت نخ‌ها ممکن است باعث کندتر شدن اجرای موازی نسبت به حالت ترتیبی شود. PLINQ در پشت صحنه تلاش می‌کند تا این موضوع را تشخیص دهد، اما توسعه‌دهنده نیز باید با آگاهی از این مسئله از آن استفاده کند.

جریان داده TPL (TPL Dataflow)

کتابخانه TPL Dataflow (که در فضای نام System.Threading.Tasks.Dataflow قرار دارد) یک سطح بالاتر از انتزاع را برای پردازش همزمان فراهم می‌کند. این کتابخانه برای سناریوهایی طراحی شده است که در آن داده‌ها باید از مراحل مختلف پردازشی عبور کنند (مشابه یک خط مونتاژ). این رویکرد که مبتنی بر "عامل" (Actor-based) یا "گذر پیام" (Message Passing) است، به ساخت سیستم‌های همزمان با توان عملیاتی بالا (High-throughput) و تاخیر کم (Low-latency) کمک می‌کند.

در TPL Dataflow، شما "بلوک‌های" پردازشی ایجاد می‌کنید و آن‌ها را به یکدیگر متصل می‌کنید تا یک "شبکه" یا "خط لوله" (Pipeline) جریان داده شکل بگیرد. برخی از بلوک‌های اصلی عبارتند از:

• ActionBlock<T>: یک ورودی می‌گیرد و عملیاتی را روی آن انجام می‌دهد (مانند یک مصرف‌کننده نهایی).

• TransformBlock<TInput, TOutput>: یک ورودی می‌گیرد، آن را پردازش کرده و یک خروجی تولید می‌کند.

• BufferBlock<T>: به عنوان یک بافر (صف) بین بلوک‌ها عمل می‌کند.

مثال زیر یک خط لوله ساده را نشان می‌دهد که آدرس‌های URL را دریافت، محتوای آن‌ها را دانلود و سپس تعداد کلمات آن‌ها را محاسبه می‌کند:

// بلوک اول: URL ها را دریافت و محتوای آنها را دانلود می کند
var downloadBlock = new TransformBlock<string, string>(async url =>
{
    using (var client = new HttpClient())
    {
        return await client.GetStringAsync(url);
    }
});

// بلوک دوم: محتوای دانلود شده را دریافت و تعداد کلمات را می شمارد
var countWordsBlock = new TransformBlock<string, int>(content =>
{
    return content.Split(new[] { ' ', '\r', '\n' }, StringSplitOptions.RemoveEmptyEntries).Length;
});

// بلوک سوم: تعداد کلمات را دریافت و چاپ می کند
var printBlock = new ActionBlock<int>(count =>
{
    Console.WriteLine($"Word count: {count}");
});

// اتصال بلوک ها به یکدیگر
downloadBlock.LinkTo(countWordsBlock);
countWordsBlock.LinkTo(printBlock);

// ارسال داده به ابتدای خط لوله
downloadBlock.Post("https://www.microsoft.com");
downloadBlock.Post("https://www.google.com");

مزیت بزرگ TPL Dataflow در مدیریت پیچیدگی همزمانی است. شما منطق هر مرحله را تعریف می‌کنید و کتابخانه خود وظیفه زمان‌بندی، بافر کردن داده‌ها و انتقال آن‌ها بین بلوک‌ها را به صورت ایمن و بهینه بر عهده می‌گیرد.

تفاوت پردازش همزمان (Parallel) و برنامه‌نویسی غیرهمزمان (Async/Await)

یکی از رایج‌ترین موارد سردرگمی برای توسعه‌دهندگان، تفاوت بین پردازش همزمان و برنامه‌نویسی غیرهمزمان (که با کلمات کلیدی async و await پیاده‌سازی می‌شود) است. اگرچه هر دو به بهبود عملکرد و پاسخ‌گویی برنامه کمک می‌کنند، اما اهداف متفاوتی را دنبال می‌کنند:

• هدف پردازش همزمان (Parallelism): اجرای همزمان چندین کار محاسباتی (CPU-Bound) برای کاهش زمان کل اجرا. این کار با استفاده از چندین نخ و هسته پردازنده انجام می‌شود.

• هدف برنامه‌نویسی غیرهمزمان (Asynchrony): آزاد کردن نخ فعلی در حین انتظار برای اتمام یک عملیات ورودی/خروجی (I/O-Bound) مانند درخواست شبکه، دسترسی به دیتابیس یا خواندن از فایل. این کار به افزایش پاسخ‌گویی (Responsiveness) برنامه، به ویژه در برنامه‌های دارای رابط کاربری و وب‌سرورها کمک می‌کند و مانع از مسدود شدن نخ‌ها می‌شود.

به طور خلاصه:

• Parallelism: انجام چندین کار به طور همزمان.

• Asynchrony: انجام کارها بدون مسدود کردن نخ اصلی.

این دو مفهوم می‌توانند با هم ترکیب شوند. برای مثال، می‌توان یک عملیات غیرهمزمان را آغاز کرد که پس از دریافت داده‌ها، آن‌ها را با استفاده از Parallel.ForEach به صورت همزمان پردازش کند.

نتیجه‌گیری

پردازش همزمان دیگر یک انتخاب لوکس نیست، بلکه یک ضرورت برای ساخت برنامه‌های مدرن، سریع و کارآمد است. زبان C# و پلتفرم دات‌نت با ارائه ابزارهای قدرتمند و در عین حال ساده‌ای مانند TPL، PLINQ و TPL Dataflow، پیچیدگی‌های برنامه‌نویسی همزمان را به حداقل رسانده‌اند. با درک صحیح مفاهیم و انتخاب ابزار مناسب برای هر سناریو، توسعه‌دهندگان می‌توانند از تمام توان پردازنده‌های چندهسته‌ای بهره‌برداری کرده و نرم‌افزارهایی با عملکرد بی‌نظیر خلق کنند. تسلط بر این ابزارها، یک مهارت کلیدی برای هر توسعه‌دهنده جدی C# محسوب می‌شود.