_ 这个示例是做什么的呢?
由于JVM的复杂性，每次测试结果都有差异
怎么消除这种差异, 对我们判断影响呢?
就是多测几次, 用多个JVM多跑几次benchmark
这里可以使用@Fork注解很方便地启动多个 JVM 经过多次测试来消除这种差异
—-
大数法则: 在数学与统计学中，大数法则（又称大数定律、大数律）是描述相当多次数重复实验的结果的定律。根据这个定律知道，样本数量越多，则其算术平均值就有越高的概率接近期望值。
大数定律很重要，因为它“说明”了一些随机事件的均值的长期稳定性。

_

之前介绍了那么多Fork怎么使用, 那么我们什么时候该使用它呢?

我们现在来介绍一下JMH官方示例的第三个例子

(从上介绍一下这个例子的干了什么)

这个例子解释了为什么需要fork?

……………………

从这个例子中我们可以看出

如果我们的代码带有一定的随机性
比如Java程序启动的时候会随机生成一些值, 然后整个执行过程中都会使用它
比如我们有些取随机算法, 会在启动的时候生成一个种子, 然后整个运行过程中都使用这个种子
那么, 我们JMH仅仅执行一遍是不能够覆盖所有情况的, 代表不了普遍的情况,

那有些人又说了, 你测试一百万遍都不能代表普遍情况, 那我们看这个报告还有什么意义?
在统计上有一个大数法则, 当我们试验样本足够多的情况下, 结果分布就越接近于期望值
我们如果想要知道一个算法的平均值, 那就多测几次

怎么消除这种不确定性呢?
那就需要大量的测试

@State(Scope.Thread)
public static class SleepyState {
    public long sleepTime;
    @Setup
    public void setup() {
        sleepTime = (long) (Math.random() * 1000);
    }
}

有点数学知识的都知道, 这个sleepTime的预期值应该是500

baseline

Fork5

@Benchmark
@Fork(5)
public void fork_1(SleepyState s) throws InterruptedException {
    TimeUnit.MILLISECONDS.sleep(s.sleepTime);
}

Fork20

@Benchmark
@Fork(20)
public void fork_2(SleepyState s) throws InterruptedException {
    TimeUnit.MILLISECONDS.sleep(s.sleepTime);
}

我们估计, 结果会越来越趋近与 预测值500
看看是不是这样