وقتی حجم داده‌ها کلان (Big Data) می‌شود یا محاسبات روی هر آیتم سنگین و CPU-Bound است، استفاده از LINQ سنتی می‌تواند به یک گلوگاه عملکردی (Bottleneck) تبدیل شود. اینجا دقیقاً نقطه‌ای است که PLINQ (Parallel LINQ) وارد میدان می‌شود تا با استفاده از قابلیت‌های کتابخانه پردازش موازی (TPL - Task Parallel Library)، از تمام ظرفیت پردازنده‌های چندهسته‌ای مدرن بهره‌برداری کند.

آشنایی با مبانی PLINQ و تفاوت آن با LINQ سنتی

پایه و اساس PLINQ در فضای نام System.Linq قرار دارد و به‌عنوان مجموعه‌ای از متدهای توسعه‌یافته (Extension Methods) برای اینترفیس‌های IEnumerable<T> و IQueryable<T> پیاده‌سازی شده است. نقطه شروع ورود به دنیای موازی‌سازی با متد AsParallel() شکل می‌گیرد.

// LINQ استاندارد (ترتیبی)
var results = data.Where(x => IsValid(x)).Select(x => HeavyComputation(x)).ToList();

// PLINQ (موازی)
var parallelResults = data.AsParallel()
                          .Where(x => IsValid(x))
                          .Select(x => HeavyComputation(x))
                          .ToList();

مکانیسم داخلی پارت‌بندی داده‌ها (Partitioning)

وقتی متد AsParallel() فراخوانی می‌شود، PLINQ داده‌ها را به بخش‌های مختلف (Partitions) تقسیم کرده و آن‌ها را بین تردهای مختلف Thread Pool توزیع می‌کند. این فرآیند به‌طور خودکار مدیریت می‌شود، اما شناخت مکانیزم‌های آن برای بهینه‌سازی حیاتی است:

1. Range Partitioning: برای مجموعه‌هایی که طول مشخصی دارند (مانند List<T> یا آرایه‌ها) و دسترسی به عناصر با شاخص (Index) سریع است.
2. Chunk Partitioning: برای مواردی که اندازه مجموعه از پیش مشخص نیست (مانند IEnumerableهای بازگشتی از دیتابیس یا فایل).

کنترل ترتیب و عملکرد: AsOrdered در برابر AsUnordered

یکی از بزرگ‌ترین اشتباهات رایج توسعه‌دهندگان، فرض حفظ ترتیب در PLINQ است. LINQ سنتی همیشه ترتیب عناصر را حفظ می‌کند، اما PLINQ به‌طور پیش‌فرض ترتیب عناصر را حفظ نمی‌کند (AsUnordered) تا حداکثر کارایی و سرعت را به ارمغان آورد.

• حفظ ترتیب (AsOrdered()): اگر الگوریتم شما به حفظ ترتیب اولیه داده‌ها وابسته است، باید از این متد استفاده کنید. البته توجه داشته باشید که این کار سربار پردازشی (Overhead) ایجاد می‌کند زیرا تردها باید نتایج را همگام‌سازی کنند.
• لغو ترتیب پیش‌فرض (AsUnordered()): اگر ترتیب عناصر اهمیت ندارد (مثلاً در فیلتر کردن و تجمیع داده‌ها)، عدم استفاده از AsOrdered سرعت پردازش را به‌طور چشمگیری افزایش می‌دهد.

var query = data.AsParallel()
                .AsUnordered() // تاکید بر عدم نیاز به ترتیب برای سرعت بیشتر
                .Where(x => x > 100)
                .Select(x => x * 2);

مدیریت درجه موازی‌سازی (WithDegreeOfParallelism)

به‌طور پیش‌فرض، PLINQ از تمام هسته‌های پردازشی در دسترس سیستم (Logical Processors) استفاده می‌کند. با این حال، همیشه استفاده حداکثری از CPU بهینه نیست؛ به‌خصوص در سناریوهایی که بار پردازشی روی منابع مشترک (مانند I/O یا قفل‌های حافظه) بالاست یا می‌خواهیم منابع سرور را برای سایر ریکوئست‌ها حفظ کنیم.

متد WithDegreeOfParallelism به شما اجازه می‌دهد تعداد تردهای همزمان را محدود کنید:

var results = data.AsParallel()
                  .WithDegreeOfParallelism(4) // محدود کردن به ۴ ترد همزمان
                  .Where(x => ComplexFilter(x))
                  .ToList();

مدیریت استثناها و لغو عملیات (Cancellation & Exception Handling)

در پردازش موازی، اگر خطایی در یکی از تردها رخ دهد، چندین استثناء ممکن است همزمان پرتاب شوند. PLINQ تمام این استثناها را در یک AggregateException جمع‌آوری می‌کند.

همچنین برای عملیات‌های طولانی‌مدت، استفاده از CancellationTokenSource الزامی است:

var cts = new CancellationTokenSource();

try
{
    var results = data.AsParallel()
                      .WithCancellation(cts.Token)
                      .Select(x => VeryHeavyTask(x))
                      .ToList();
}
catch (AggregateException ex)
{
    ex.Handle(e => {
        if (e is OperationCanceledException)
        {
            Console.WriteLine("Operation was cancelled.");
            return true;
        }
        return false; // سایر خطاها مجدداً پرتاب می‌شوند
    });
}

چه زمانی نباید از PLINQ استفاده کرد؟ (Overhead و Anti-Patterns)

استفاده کورکورانه از PLINQ نه تنها کارایی را بهبود نمی‌بخشد، بلکه ممکن است سرعت اجرای برنامه را به شدت کاهش دهد. موارد زیر از مهم‌ترین تله‌های عملکردی هستند:

1. مجموعه‌های کوچک (Small Datasets): ایجاد تردها، مدیریت پارت‌بندی و همگام‌سازی نتایج (Task Scheduling Overhead) خودش زمان‌بر است. برای مجموعه‌های زیر چند هزار آیتم، LINQ ترتیبی بسیار سریع‌تر از PLINQ عمل می‌کند.
2. عملیات I/O-Bound: PLINQ برای پردازش‌های CPU-Bound طراحی شده است. استفاده از آن برای خواندن فایل، درخواست‌های HTTP یا کوئری‌های دیتابیس (که تردها در حالت انتظار هستند) کارایی ندارد و باید از async/await استفاده کنید.
3. تغییر وضعیت مشترک (Shared State Mutation): اگر کلوژرها (Closures) یا متدهای شما به متغیرهای خارج از حوزه اسکوپ دسترسی داشته باشند و آن‌ها را تغییر دهند (Thread-Unsafe)، با خطاهای پیش‌بینی‌نشده و مشکلات Race Condition مواجه خواهید شد. برای این منظور باید از ساختارهای ایمن نظیر ConcurrentBag یا متدهای تجمیعی خود PLINQ (Aggregate) استفاده کنید.

بررسی یک سناریوی عملی و بنچمارک مقایسه‌ای

فرض کنید می‌خواهیم تعداد اعداد اول را در یک بازه بسیار بزرگ محاسبه کنیم:

bool IsPrime(int number)
{
    if (number < 2) return false;
    for (int i = 2; i <= Math.Sqrt(number); i++)
    {
        if (number % i == 0) return false;
    }
    return true;
}

// تولید یک بازه بزرگ از اعداد
var numbers = Enumerable.Range(1, 10_000_000).ToList();

// روش اول: LINQ سنتی
var watchSeq = Stopwatch.StartNew();
long countSeq = numbers.Where(n => IsPrime(n)).Count();
watchSeq.Stop();
Console.WriteLine($"Sequential LINQ: {watchSeq.ElapsedMilliseconds} ms");

// روش دوم: PLINQ
var watchPar = Stopwatch.StartNew();
long countPar = numbers.AsParallel()
                       .WithDegreeOfParallelism(Environment.ProcessorCount)
                       .Where(n => IsPrime(n))
                       .Count();
watchPar.Stop();
Console.WriteLine($"PLINQ: {watchPar.ElapsedMilliseconds} ms");

نتیجه تجربی: در پردازنده‌های چندهسته‌ای، روش دوم می‌تواند زمان اجرای این محاسبات سنگین ریاضی را تا چندین برابر کاهش دهد، به شرطی که سربار پارت‌بندی در مقابل حجم محاسبات منطقی باشد.

تکنولوژی PLINQ ابزاری قدرتمند برای مهندسان نرم‌افزار است تا بدون درگیر شدن با جزئیات پیچیده مدیریت تردها (Thread Management)، کدهای LINQ خود را موازی‌سازی کنند. با این حال، کلید موفقیت در استفاده از PLINQ شناخت دقیق نوع داده‌ها، تفکیک پردازش‌های CPU-Bound از I/O-Bound، و اجتناب از موازی‌سازی بی‌رویه روی مجموعه‌های کوچک است. تنظیم دقیق WithDegreeOfParallelism و توجه به AsUnordered تفاوت میان یک بهینه‌سازی واقعی و افت عملکرد را رقم خواهد زد.