并发安全问题指多线程或协程同时访问并修改共享数据时因缺乏同步机制导致的数据不一致，如count += 1因非原子性造成结果丢失；常见场景包括非原子复合操作、可变对象共享引用、全局变量误用及协程共享状态；python中需依执行模型选用Threading.lock、multiprocessing.lock或asyncio.lock，优先采用避免共享的设计。
什么是并发安全问题
多个线程或协程同时访问共享数据，且至少有一个在修改时，若缺乏同步机制，就可能产生数据不一致。比如两个线程同时对一个全局计数器执行 count += 1，实际会拆成“读取→计算→写入”三步，中间穿插执行会导致结果丢失——本该加2，最终只加了1。
常见并发不安全场景
以下操作看似简单，但在多线程/多协程中极易出错：
- 非原子的复合操作：如
if key not in dict: dict[key] = value—— 检查和赋值不是原子的，可能两个线程同时通过检查，最终后者覆盖前者 - 可变对象的共享引用：多个线程共用同一个 list 或 dict，直接调用
.append()、.pop()等方法，无锁时行为不可预测 - 全局变量或模块级状态：如 flask 中误将用户数据存在模块变量里，不同请求线程会相互干扰
- 协程中的共享状态（asyncio）：asyncio 是单线程并发，但
await切换会让出控制权，若未加锁，多个协程仍可能交错修改同一变量
Python 中的典型解决方案
根据执行模型选择合适工具，不能一概而论用 threading.Lock：
- 线程场景（threading/multiprocessing.Thread）：用
threading.Lock或threading.RLock保护临界区；对计数类操作可用threading.local()实现线程局部存储 - 进程场景（multiprocessing.Process）：线程锁无效，改用
multiprocessing.Lock，或通过multiprocessing.Manager获取线程/进程安全的共享对象（如manager.dict()） - 协程场景（asyncio）：使用
asyncio.Lock，它支持await lock.acquire()，不会阻塞事件循环；避免在协程中混用 threading.Lock - 避免共享（推荐优先级更高）：用不可变数据结构、函数式风格、消息传递（如
queue.Queue或asyncio.Queue）代替直接共享变量
调试与验证小技巧
并发问题往往偶发难复现，可借助以下方式暴露隐患：
立即学习“Python免费学习笔记（深入）”；
- 用
threading.settrace()或sys.settrace()强制插入调度点，增大竞态概率 - 在关键路径加入随机
time.sleep(0.001)模拟延时，触发更多交错执行 - 使用
pytest-asyncio+ 多次运行（--count=100）做压力验证 - 静态检查工具如
pylint（检查未加锁的全局写）或pyright（识别潜在的可变共享）有一定辅助作用