并发编程模型
一、并行工作者模型
委派者（Delegator）将传入的作业分配给不同的worker；
每个worker完成整个任务;
workers并行运作在不同的线程上，甚至可能在不同的 CPU 上。
缺点：
a、处理共享资源复杂；
b、worker无状态，需每次重读数据，某些情况下影响性能；
c、任务顺序不确定。
二、事件驱动模型（流水线模型）
每个worker只负责作业中的部分工作;
当完成了自己的这部分工作时工作者会将作业转发给下一个工作者;
每个工作者在自己的线程中运行，并且不会和其他工作者共享状态，有时也被成为无共享并行模型。
通常使用非阻塞的 IO 来设计使用流水线并发模型的系统。
非阻塞 IO：一旦某个工作者开始一个 IO 操作的时候（比如读取文件或从网络连接中读取数据），该工作者不会一直等待 IO 操作的结束。IO 操作速度很慢，所以等待 IO 操作结束很浪费 CPU 时间。此时 CPU 可以做一些其他事情。当 IO 操作完成的时候，IO 操作的结果（比如读出的数据或者数据写完的状态）被传递给下一个工作者。
有了非阻塞 IO，就可以使用 IO 操作确定工作者之间的边界。工作者会尽可能多运行直到遇到并启动一个 IO 操作。然后交出作业的控制权。当 IO 操作完成的时候，在流水线上的下一个工作者继续进行操作，直到它也遇到并启动一个 IO 操作。
1、Actors模型（Akka）
Actor 模型中每个工作者被称为 actor，Actor 之间可以直接异步地发送和处理消息；
2、Channel模型
在 Channel 模型中，工作者之间不直接进行通信。相反，它们在不同的通道中发布自己的消息（事件）。其他工作者们可以在这些通道上监听消息，发送者无需知道谁在监听
事件驱动模型缺点：
作业的执行往往分布到多个工作者上，并因此分布到项目中的多个类上，这样导致在追踪某个作业到底被什么代码执行时变得困难；
代码编写难度大。
三、函数式并行
基本思想是采用函数调用实现程序。
函数可以看作是”代理人（agents）“或者”actor“，函数之间可以像事件驱动模型那样互相发送消息。某个函数调用另一个函数，这个过程类似于消息发送。
函数都是通过拷贝来传递参数的，所以除了接收函数外没有实体可以操作数据。可避免共享数据的竞态。同样也使得函数的执行类似于原子操作。每个函数调用的执行独立于任何其他函数的调用。
一旦每个函数调用都可以独立的执行，它们就可以分散在不同的 CPU 上执行了。这也就意味着能够在多处理器上并行的执行使用函数式实现的算法。
