Apache Dubbo 3.3.0版本中Hessian序列化与JDK高版本的兼容性问题分析
问题背景
在Apache Dubbo 3.3.0-beta3版本中,用户在使用JDK 21环境时遇到了一个序列化异常。异常信息显示Hessian序列化器无法访问java.util包中的ImmutableCollections$ListN类的私有字段,因为Java模块系统限制了这种访问。这个问题在3.3.0-beta2版本中并不存在,但在升级到beta3版本后出现。
问题根源
经过分析,这个问题源于Dubbo 3.3.0-beta3版本中默认序列化方式的变更。在beta2版本中,默认使用的是fastjson2序列化,而在beta3版本中,开发团队将Hessian序列化重新设置为默认选项。Hessian序列化在处理JDK高版本(特别是JDK 9及以上版本)时,由于Java模块系统的引入,会遇到访问权限限制的问题。
具体到技术细节,当Dubbo尝试序列化包含List类型字段的对象时,Hessian序列化器需要访问List实现类(在JDK高版本中可能是ImmutableCollections$ListN)的内部字段。然而,Java模块系统默认不开放java.util包给未命名模块访问,导致序列化失败。
临时解决方案
对于遇到此问题的用户,可以采取以下临时解决方案:
- 切换序列化方式:将Dubbo的默认序列化方式改回fastjson2。这可以通过在配置文件中添加以下设置实现:
dubbo:
protocol:
serialization: fastjson2
prefer-serialization: fastjson2,hessian2
-
修改对象初始化方式:如问题描述中所示,将List字段的初始化方式从直接赋值改为通过setter方法设置,可以避免触发ImmutableCollections的使用。
-
添加JVM参数:虽然添加
--add-opens java.base/java.util=ALL-UNNAMED参数可以解决第一个异常,但可能会引发其他序列化问题,因此不推荐作为长期解决方案。
长期解决方案
Dubbo开发团队已经意识到这个问题,并在Dubbo Hessian Lite子项目中进行了修复。修复方案主要涉及改进Hessian序列化器对JDK高版本的适配能力。这个修复将包含在Hessian Lite 4.0.1和Dubbo 3.3.0-beta4版本中。
需要注意的是,要完全解决这个问题,需要同时升级服务提供者和消费者的Dubbo版本,因为序列化协议需要在两端保持一致。
技术建议
对于使用Dubbo的开发人员,在处理序列化问题时,建议:
-
了解不同序列化方案的优缺点。fastjson2通常性能更好,但Hessian有更好的跨语言支持。
-
在高版本JDK环境下,特别注意模块系统可能带来的访问限制问题。
-
在升级Dubbo版本时,仔细阅读发布说明,了解默认配置的变化。
-
对于关键业务对象,考虑实现自定义的序列化逻辑,以获得更好的控制和性能。
总结
Dubbo作为一款成熟的RPC框架,在不断演进过程中会面临各种新环境的适配挑战。这次Hessian序列化与JDK高版本的兼容性问题,反映了Java生态系统中模块化带来的深远影响。开发团队已经积极应对,用户可以根据自身情况选择临时解决方案或等待正式修复版本。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00