AtomicLong在16线程以上性能陡降是因CAS争抢同一地址导致高自旋失败；LongAdder通过Cell[]分段+线程哈希映射降低冲突，以sum()近似和换取高吞吐，适用于监控等弱一致性场景。
为什么 AtomicLong 在 16 线程以上就明显卡住
不是它写得不好，而是设计上就扛不住多线程争抢同一个 CAS 地址。Unsafe.compareAndSwapLong 失败后立刻自旋重试，16 个线程同时调用 incrementAndGet()，大概率只有 1 个成功，其余 15 个白占 CPU 做无用比较。压测时线程堆栈里反复出现 getAndAddLong → compareAndSwapLong 循环，就是典型信号。
现象是吞吐不随线程数线性增长，反而在 8–16 线程区间陡降；实测在 32 核机器上，16 线程并发 100 万次 increment，AtomicLong 耗时可能是 LongAdder 的 5 倍以上。
LongAdder 是怎么靠 Cell[] 把冲突打散的
它不让你都挤在 base 上，而是用线程自己的 threadLocalProbe 哈希值，映射到 Cell[] 某个槽位（类似 probe & (cells.length - 1)）。首次冲突触发数组初始化（默认长度 2），后续同一线程大概率复用同一槽位，不同线程则大概率落在不同槽位。
- 没竞争时：直接走
casBase，和AtomicLong行为一致，零额外开销 - 有竞争时：各写各的
Cell.value，CAS 失败率大幅下降 - 扩容极谨慎：仅当多个线程反复冲突且当前数组未满时才扩容，避免小流量下浪费内存
sum() 返回不准？这不是 bug，是明确取舍
sum() 遍历当前所有活跃 Cell 并累加 base，但遍历过程中其他线程仍在并发更新——结果是“近似和”，不是原子快照。这不叫缺陷，是换高吞吐付出的合理代价。
适用场景非常具体：
- 监控指标（QPS、错误计数、PV/UV）——毫秒级误差完全可接受
- 限流窗口计数、日志打点行数统计——写多读少，读频次远低于写频次
- 绝对不能用于库存扣减、金融对账等需要强一致读写的场景
如果边写边频繁调用 sum()（比如每 10ms 采样一次），结果可能漏掉部分增量，建议改为异步聚合或降低读频次。
四个最容易踩的实际坑
别以为把 AtomicLong 换成 LongAdder 就万事大吉：
-
reset()不是原子清零：先逐个设Cell.value = 0，再设base = 0，中间可能被其他线程add()新值 - 不支持
decrementAndGet()或compareAndSet()：只能add(-1)，无法做“小于 100 才减”这类条件操作 - 低流量后突增并发：
cells可能仍为null或长度不足，需靠真实流量触发扩容，冷启动阶段性能不如预期 - 别在 request scope 或
ThreadLocal里 new ——退化成单线程计数，彻底浪费分段能力
长期运行后 Cell[] 不会自动收缩，若维度多（如按 API 路径缓存），要用 ConcurrentHashMap + 合理过期策略，否则内存持续增长。
