並行思維（一）：並行分解模式——資料並行、任務並行、流水線與混合方案

前言：並行思考應在編碼前

傳統開發：選演算法 → 選語言 → 編碼 → 最後想並行。**並行必須是第一優先級**：任務內在並行性決定演算法選擇、資料結構設計、架構分層。事後加並行 = 重寫。

生活中的並行直覺

1. 長時間等待：掛號等醫生 → 邊聽音樂邊聊天邊等 (重疊 I/O 與思考)
2. 大量重複工作：搬家、批量安裝軟體 → 找朋友並行分工 (資料並行)

並行是自然思維，開發者只需**有意識地應用到代碼**。

四大並行分解模式

1. 資料並行 — 同一操作套用海量資料

• 資料集合 + 統一轉換操作
• 元素間**零依賴**，天然可並行
• 超算最愛：Parallel.ForEach、PLINQ、GPU Compute Shader 一鍵搞定

2. 任務並行 — 不同操作處理共享資料

• 多個**獨立任務**操作同一/相關資料
• 任務間無數據依賴，可並行執行
• 比純資料並行難發現，但極常見 (如 UI 渲染管線：佈局、繪製、合成並行)

3. 流水線 / 管道 — 任務與資料並行的融合

• 資料流經固定階段序列，每階段專責特定處理
• **不同階段並行處理不同資料項** (階段 1 處理項 n+1 時，階段 2 處理項 n)
• 高階特性：可動態跳過階段、條件分支、動態重組

4. 混合方案 — 現實世界的常態

混合方案設計原則

1. **分析工作量分佈** — 找出熱點階段
2. **熱點階段資料並行化** — 多執行緒分擔
3. **非熱點保持串行/輕量流水線** — 避免過度同步開銷
4. **根據部署拓撲選擇粒度** — 分散式環境傾向粗粒度；共享記憶體傾向細粒度

實現並行的兩步走

1. 識別並行點：系統性掃描代碼/業務流程，標記可並行區域
2. 並行分解：對照四大模式逐一比對，選擇最佳組合

幸運層級

• 🍀 **僅資料並行** → Parallel.For/PLINQ 一鍵解決
• 🌿 **任務並行** → Task.WhenAll/Parallel.Invoke 組合
• 🌳 **流水線** → BlockingCollection/Dataflow (TPL Dataflow)
• 🌲 **混合方案** → 組合上述原語，**盡可能用硬體並行 (無鎖/資料分區) 替代鎖同步**

結語

並行分解是架構師的核心技能。**不存在「銀彈」模式**，只有對業務特徵、資料依賴、硬體特性的深度理解，才能組合出最優並行架構。下一篇將深入可伸縮性理論與定律分析。