Spring AI项目中Vertex AI文本嵌入模型的线程泄漏问题分析与解决方案

问题背景

在Spring AI项目(1.0.0-M6版本)中使用VertexAITextEmbeddingModel生成大量文本嵌入时，开发团队遇到了一个严重的资源泄漏问题。当处理超过500个文本嵌入时，系统开始出现线程泄漏，最终导致JVM崩溃。这个问题源于Vertex AI预测服务客户端(PredictionServiceClient)未能正确关闭，使得底层gRPC通道资源无法被及时释放。

问题现象

系统运行时会出现以下关键错误日志：

ERROR 1 — [embedding-proxy-service] [istenerId-0-C-1] i.g.i.ManagedChannelOrphanWrapper : *~ Previous channel ManagedChannelImpl
{logId=685, target=us-central1-aiplatform.googleapis.com:443}
was garbage collected without being shut down! ~*
Make sure to call shutdown()/shutdownNow()

从监控数据可以看出，随着时间推移，JVM中的线程数量持续增长且无法回收，最终导致容器崩溃。这种资源泄漏问题在长时间运行或高负载场景下尤为致命。

技术分析

根本原因

VertexAITextEmbeddingModel的实现中，PredictionServiceClient的创建和使用存在以下问题：

1. 客户端生命周期管理缺失：每次调用嵌入生成方法时都会创建新的PredictionServiceClient实例，但这些实例从未被显式关闭。

2. gRPC资源泄漏：底层gRPC通道(ManagedChannel)依赖垃圾回收机制来释放，而不是通过正确的关闭流程。这种被动清理方式不可靠，容易导致资源堆积。

3. 线程泄漏：每个未关闭的客户端都会保持其工作线程，随着调用次数增加，线程数量线性增长。

影响范围

该问题会影响所有使用Spring AI的VertexAITextEmbeddingModel进行批量文本嵌入处理的应用程序，特别是在以下场景：

• 大规模文档处理流水线
• 实时嵌入生成服务
• 需要频繁调用嵌入API的微服务架构

解决方案

修复方案

正确的做法是使用try-with-resources语句确保PredictionServiceClient在使用后立即关闭：

try (PredictionServiceClient client = createPredictionServiceClient()) {
    // 使用客户端进行嵌入生成
    // ...
} // 自动关闭客户端

这种模式确保了即使在处理过程中发生异常，客户端资源也能被正确释放。

实现原理

1. 资源自动管理：try-with-resources语法糖会自动调用AutoCloseable接口的close()方法。

2. 及时释放：客户端关闭时会同时清理gRPC通道和关联线程。

3. 异常安全：确保在各种异常场景下资源都能被释放。

最佳实践

基于此问题的经验，建议在使用云服务客户端时遵循以下原则：

1. 生命周期管理：对于任何需要显式关闭的客户端，都应确保有对应的关闭机制。

2. 资源池化：考虑使用连接池或客户端复用技术减少创建/销毁开销。

3. 监控告警：对关键资源(如线程数、连接数)设置监控阈值。

4. 压力测试：在集成外部服务前进行充分的负载测试。

总结

Spring AI项目中Vertex AI文本嵌入模型的线程泄漏问题展示了云服务客户端资源管理的重要性。通过采用正确的资源管理模式，不仅解决了当前的线程泄漏问题，也为类似场景提供了可借鉴的解决方案。这种问题在集成第三方服务时相当常见，开发者应当重视客户端的生命周期管理，避免因资源泄漏导致系统稳定性问题。