GM 模型
在 Go1.1 之前 Go 的调度模型其实就是 GM 模型，也就是没有 P。
static void
schedule(G *gp)
{...schedlock();if(gp != nil) {...switch(gp->status){case Grunnable:case Gdead:// Shouldn't have been running!runtime·throw("bad gp->status in sched");case Grunning:gp->status = Grunnable;gput(gp);break;}gp = nextgandunlock();gp->readyonstop = 0;gp->status = Grunning;m->curg = gp;gp->m = m;...runtime·gogo(&gp->sched, 0);
}
- 调用 schedlock 方法来获取全局锁。
- 获取全局锁成功后，将当前 Goroutine 状态从 Running（正在被调度） 状态修改为 Runnable（可以被调度）状态。
- 调用 gput 方法来保存当前 Goroutine 的运行状态等信息，以便于后续的使用；
- 调用 nextgandunlock 方法来寻找下一个可运行 Goroutine，并且释放全局锁给其他调度使用。
- 获取到下一个待运行的 Goroutine 后，将其的运行状态修改为 Running。
- 调用 runtime·gogo 方法，将刚刚所获取到的下一个待执行的 Goroutine 运行起来。
GM 模型的缺点：
Go1.0 的 GM 模型的 Goroutine 调度器限制了用 Go 编写的并发程序的可扩展性，尤其是高吞吐量服务器和并行计算程序。
实现有如下的问题：
-
存在单一的全局 mutex（Sched.Lock）和集中状态管理：mutex 需要保护所有与 goroutine 相关的操作（创建、完成、重排等），导致锁竞争严重。
-
Goroutine 传递的问题：goroutine（G）交接（G.nextg）：工作者线程（M’s）之间会经常交接可运行的 goroutine。上述可能会导致延迟增加和额外的开销。每个 M 必须能够执行任何可运行的 G，特别是刚刚创建 G 的 M。
-
每个 M 都需要做内存缓存（M.mcache）：
会导致资源消耗过大（每个 mcache 可以吸纳到 2M 的内存缓存和其他缓存），数据局部性差。 -
频繁的线程阻塞/解阻塞：
在存在 syscalls 的情况下，线程经常被阻塞和解阻塞。这增加了很多额外的性能开销。
GMP 模型
为了解决 GM 模型的以上诸多问题，在 Go1.1 时，Dmitry Vyukov 在 GM 模型的基础上，新增了一个 P（Processor）组件。并且实现了 Work Stealing 算法来解决一些新产生的问题。
有哪些改进
-
每个 P 有自己的本地队列，大幅度的减轻了对全局队列的直接依赖，所带来的效果就是锁竞争的减少。而 GM 模型的性能开销大头就是锁竞争。
-
每个 P 相对的平衡上，在 GMP 模型中也实现了 Work Stealing 算法，如果 P 的本地队列为空，则会从全局队列或其他 P 的本地队列中窃取可运行的 G 来运行，减少空转，提高了资源利用率。
为什么要有 P
-
一般来讲，M 的数量都会多于 P。像在 Go 中，M 的数量默认是 10000，P 的默认数量的 CPU 核数。另外由于 M 的属性，也就是如果存在系统阻塞调用，阻塞了 M，又不够用的情况下，M 会不断增加。
-
M 不断增加的话，如果本地队列挂载在 M 上，那就意味着本地队列也会随之增加。这显然是不合理的，因为本地队列的管理会变得复杂，且 Work Stealing 性能会大幅度下降。
-
M 被系统调用阻塞后，我们是期望把他既有未执行的任务分配给其他继续运行的，而不是一阻塞就导致全部停止。
因此使用 M 是不合理的，那么引入新的组件 P，把本地队列关联到 P 上，就能很好的解决这个问题。