Dramatic slowdown with random.random on free-threading build.

This slowdown was found with one of my favorite benchmarks, which is calculating the pi value with the Monte Carlo method.

import os
import random
import time
from threading import Thread

def monte_carlo_pi_part(n: int, idx: int, results: list[int]) -> None:
    count = 0
    for i in range(n):
        x = random.random()
        y = random.random()

        if x*x + y*y <= 1:
            count += 1
    results[idx] = count


n = 10000
threads = []
num_threads = 100
results = [0] * num_threads
a = time.time()
for i in range(num_threads):
    t = Thread(target=monte_carlo_pi_part, args=(n, i, results))
    t.start()
    threads.append(t)

while threads:
    t = threads.pop()
    t.join()

b = time.time()
print(sum(results) / (n * num_threads) * 4)
print(b-a)

Acquiring critical sections for random methods causes this slowdown.
Removing @critical_section from the method, which uses genrand_uint32 and then updating genrand_uint32 to use atomic operation makes the performance acceptable.

Linked PRs

• gh-118393
• gh-118396

Beginne damit, die Implementierung von random.random und den Pfad genrand_uint32 zu lesen, einschließlich der im Issue beschriebenen Verwendung von @critical_section. Reproduziere anschließend den bereitgestellten Multithreaded-Monte-Carlo-Benchmark und prüfe dann die verknüpften PRs 118393 und 118396; abgeschlossen ist die Arbeit, wenn die Verlangsamung beim Free-Threading reduziert wurde, ohne die Korrektheit der Zufallszahlen zu verändern.