Τι είναι το GVL και πώς λειτουργεί η συνολικότητα στη Ruby;

Question

Accepted Answer

Το **GVL** (Global VM Lock, παλαιότερα γνωστό ως GIL) στη MRI Ruby επιτρέπει μόνο σε **ένα νήμα να εκτελέσει κώδικα Ruby τη φορά** — οπότε τα νήματα δεν παρέχουν αληθινό παραλληλισμό CPU. Ωστόσο, το GVL **απελευθερώνεται κατά τη διάρκεια I/O**, οπότε τα νήματα *κάνουν* βοήθεια για εργασίες που δεσμεύονται από I/O. Για παραλληλισμό CPU, χρησιμοποιείτε πολλαπλές διεργασίες. Αυτό αντικατοπτρίζει την κατάσταση του GIL στη Python.

## Το GVL: ένα νήμα εκτελεί κώδικα Ruby τη φορά

```text
MRI (the standard Ruby) has a GLOBAL VM LOCK:
  → only ONE thread executes Ruby code at any instant (no CPU parallelism from threads)
  → BUT the GVL is RELEASED during blocking I/O (network, file, DB)
So: threads help for I/O-bound work, NOT for CPU-bound work.
```

## Νήματα — καλά για συνολικότητα με δέσμευση I/O

```ruby
# ✅ I/O-bound — threads overlap waiting (GVL released during I/O) → real benefit
threads = urls.map do |url|
  Thread.new { fetch(url) }      # while one waits on the network, others proceed
end
threads.each(&:join)

# ❌ CPU-bound — threads do NOT speed this up (GVL serializes Ruby execution)
threads = data.map { |d| Thread.new { heavy_computation(d) } }  # no speedup
```

Τα νήματα βοηθούν για εργασίες με δέσμευση I/O (δίκτυο, αρχείο, DB) επειδή το GVL απελευθερώνεται κατά τη διάρκεια της αναμονής, επιτρέποντας σε άλλα νήματα να εκτελεστούν. **Δεν** επιταχύνουν εργασίες με δέσμευση CPU (το GVL σειριοποιεί την εκτέλεση Ruby).

## Διεργασίες — για παραλληλισμό με δέσμευση CPU

```ruby
# ✅ CPU-bound parallelism → use multiple PROCESSES (each has its own GVL)
# fork, or gems like Parallel:
results = Parallel.map(data, in_processes: 4) { |d| heavy_computation(d) }
# → 4 separate processes, true parallelism across cores
```

Για παραλληλισμό με δέσμευση CPU, χρησιμοποιήστε **πολλαπλές διεργασίες** (καθεμία με το δικό της GVL/διερμηνέα) — `fork`, το gem `parallel`, ή εκτέλεση πολλαπλών διεργασιών worker (πώς κλιμακώνονται διακομιστές Rails όπως ο Puma).

## Σύγχρονα εργαλεία συνολικότητας

```text
✓ Ractors (Ruby 3) — actor-model parallelism that CAN run Ruby in parallel (no shared GVL
  per Ractor) — experimental, true parallelism
✓ Fibers / async gem — lightweight cooperative concurrency for high-I/O workloads
✓ Background jobs (Sidekiq) — offload work to separate worker processes
Note: alternative Ruby implementations (JRuby, TruffleRuby) have NO GVL → true thread parallelism
```

## Γιατί έχει σημασία

Η κατανόηση του GVL και της συνολικότητας Ruby είναι σημαντική — και συχνά παρανοημένη — γνώση για την κατασκευή αποδοτικών εφαρμογών Ruby, όπως και η κατάσταση του GIL στη Python.

Η κύρια δομική σκέπτη είναι ότι το GVL της MRI Ruby **επιτρέπει μόνο σε ένα νήμα να εκτελέσει κώδικα Ruby τη φορά**, οπότε τα νήματα **δεν** παρέχουν παραλληλισμό CPU — ένα κοινό σημείο σύγχυσης.

Σημαντικό είναι ότι το GVL **απελευθερώνεται κατά τη διάρκεια I/O**, που σημαίνει ότι η σωστή προσέγγιση συνολικότητας εξαρτάται από το φόρτο εργασίας: **τα νήματα λειτουργούν καλά για εργασίες με δέσμευση I/O** (κλήσεις δικτύου, πρόσβαση σε αρχείο/βάση δεδομένων — όπου το GVL απελευθερώνεται κατά τις αναμονές, επιτρέποντας στα νήματα να επικαλύπτονται), αλλά **ο παραλληλισμός με δέσμευση CPU απαιτεί πολλαπλές διεργασίες** (καθεμία με το δικό της GVL, επιτυγχάνοντας αληθινό παραλληλισμό σε πυρήνες — μέσω `fork`, του gem `parallel`, ή πολλαπλών διεργασιών worker, που είναι πώς κλιμακώνονται οι διακομιστές Rails).

Η παρανόηση του GVL οδηγεί σε μη αποτελεσματικό κώδικα συνολικότητας (π.χ. χρήση νημάτων για εργασίες με δέσμευση CPU αναμένοντας επιτάχυνση).

Η γνώση της απόφασης I/O-vs-CPU (νήματα για I/O συνολικότητα, διεργασίες για παραλληλισμό CPU), σύγχρονα εργαλεία (Ractors για πειραματικό αληθινό παραλληλισμό, Fibers/async για συνεργατική συνολικότητα υψηλού I/O, επεξεργαστές εργασιών φόντου όπως ο Sidekiq), και ότι εναλλακτικές υλοποιήσεις (JRuby, TruffleRuby) δεν έχουν το GVL είναι σημαντική για τη συγγραφή concurrent Ruby που πραγματικά αποδίδει.

Επειδή η συνολικότητα είναι μια κοινή ανάγκη και το GVL διαμορφώνει θεμελιακά τη σωστή προσέγγιση, η κατανόησή του — γιατί τα νήματα δεν παραλληλίζουν εργασίες CPU, ότι βοηθούν για I/O, και ότι οι διεργασίες είναι απαραίτητες για παραλληλισμό CPU — είναι σημαντική γνώση επιπέδου senior που αποτρέπει ένα συχνό σφάλμα και είναι ένα κοινό θέμα συνέντευξης που αντικατοπτρίζει την κατανόηση του μοντέλου συνολικότητας Ruby και του περιορισμού GVL.