Apache Fury 中 ThreadPoolFury 的 ClassLoader 问题解析
2025-06-25 14:49:02作者:霍妲思
背景介绍
Apache Fury 是一个高性能的序列化框架,在 Java 生态中提供了高效的二进制序列化能力。其中 ThreadPoolFury 是其线程安全的 Fury 实现,用于多线程环境下的序列化操作。然而,近期发现了一个与 ClassLoader 相关的重要问题,特别是在处理动态代理对象时。
问题现象
当使用 ThreadPoolFury 序列化和反序列化动态代理对象时,如果代理接口是由不同于当前线程上下文类加载器的类加载器加载的,就会抛出"non-public interface is not defined by the given loader"异常。这种情况常见于 Spring Boot 应用中,当 Spring 的 SerializableTypeWrapper 创建代理时使用应用类加载器(AppClassLoader),而 ThreadPoolFury 在反序列化时却使用了 Tomcat 的嵌入式类加载器(TomcatEmbeddedClassLoader)。
问题根源
深入分析后发现,ThreadPoolFury 存在两个关键问题:
- 它没有正确继承 FuryBuilder 中设置的类加载器,而是默认使用线程上下文类加载器(Thread.currentThread().getContextClassLoader())
- 在反序列化动态代理时,Proxy.newProxyInstance() 方法要求接口类必须由指定的类加载器定义,否则会抛出异常
解决方案
Apache Fury 项目组已经修复了这个问题,主要改进包括:
- 确保 ThreadPoolFury 正确使用 FuryBuilder 中配置的类加载器
- 提供了更灵活的类加载器设置方式,允许开发者根据需求选择:
- 全局固定类加载器(通过 FuryBuilder.withClassLoader())
- 线程级类加载器(通过 ThreadSafeFury.setClassLoader())
- 自定义类加载器策略(通过 ThreadPoolFury 构造函数)
最佳实践
对于需要使用 ThreadPoolFury 处理动态代理的场景,建议采用以下方式:
// 方式1:使用固定类加载器
ThreadSafeFury fury = Fury.builder()
.withClassLoader(myClassLoader) // 设置固定类加载器
.buildThreadSafeFuryPool();
// 方式2:自定义类加载策略
ThreadSafeFury fury = new ThreadPoolFury(classloader ->
Fury.builder()
.withClassLoader(myClassLoader) // 每个线程使用相同的类加载器
.build()
);
技术要点
- Java 动态代理机制对类加载器的要求非常严格,接口类必须由指定的类加载器定义
- 在多线程环境下,线程上下文类加载器可能与创建代理时的类加载器不同
- 序列化框架需要确保序列化和反序列化时使用一致的类加载器上下文
总结
这个问题揭示了在复杂类加载环境下处理动态代理对象的挑战。Apache Fury 的修复确保了框架在不同类加载器环境下的稳定性,特别是对于 Spring 等框架生成的代理对象的支持。开发者在使用时应当注意类加载器的设置,特别是在容器环境中。
登录后查看全文
热门项目推荐
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
项目优选
收起
暂无描述
Dockerfile
674
4.3 K
deepin linux kernel
C
28
16
Ascend Extension for PyTorch
Python
515
625
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
944
884
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
398
301
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.56 K
908
暂无简介
Dart
919
225
Oohos_react_native
React Native鸿蒙化仓库
C++
335
381
昇腾LLM分布式训练框架
Python
142
169
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
133
212