Jetty HttpClient 在虚拟线程环境下的配置陷阱与解决方案
问题背景
在Spring Boot 3.3应用中,开发者尝试使用Jetty HttpClient作为GraphQL服务的后端通信组件时遇到了应用冻结的问题。该应用原本采用Apache HttpClient,但由于虚拟线程(Virtual Thread)的线程固定(pinning)问题,转而尝试Jetty方案。
现象描述
当开发者将Jetty HttpClient配置为使用虚拟线程执行器(Executors.newVirtualThreadPerTaskExecutor())时,应用在空闲约60秒后会完全停止响应。线程转储显示存在多个ForkJoinPool工作线程,其中部分由Jetty创建,部分由应用自身创建。
根本原因分析
1. 虚拟线程与平台线程的关系
Java 21引入的虚拟线程依赖于平台线程(也称为载体线程)来执行实际工作。当虚拟线程执行阻塞操作时,会暂时"固定"(pin)到平台线程上。
2. select()操作的线程固定
Jetty HttpClient内部使用select()系统调用来监控I/O事件,而select()操作会导致虚拟线程固定到平台线程。当多个HttpClient实例同时运行时,会消耗大量平台线程资源。
3. 线程调度器并行度限制
开发者设置了jdk.virtualThreadScheduler.parallelism=2,进一步限制了可用的平台线程数量,加剧了资源竞争。
解决方案
1. 使用QueuedThreadPool与VirtualThreadPool组合
Jetty提供了专门的线程池组合方案,可以平衡平台线程和虚拟线程的使用:
var qtp = new QueuedThreadPool();
var vtp = new VirtualThreadPool();
qtp.setVirtualThreadExecutor(vtp);
// 仅使用1个selector
var httpClient = new HttpClient(new HttpClientTransportOverHTTP(1));
httpClient.setExecutor(qtp);
这种配置将:
- 使用平台线程处理select()操作
- 使用虚拟线程执行业务逻辑
- 避免过度消耗平台线程资源
2. 控制selector数量
每个HttpClient默认会创建cores/2个selector线程。对于多个HttpClient实例的场景,建议显式设置为1个selector:
new HttpClient(new HttpClientTransportOverHTTP(1))
3. 合理配置线程调度器并行度
根据HttpClient实例数量和系统资源,适当调整jdk.virtualThreadScheduler.parallelism参数,确保有足够的平台线程可用。
性能考量
- 高并发场景:对于数百个并发连接,1个selector通常足够
- 大规模连接:超过5000个并发连接时,可考虑增加selector数量
- 资源限制:在容器化环境(如Cloud Foundry)中,需特别注意内存和线程限制
最佳实践建议
- 尽可能复用HttpClient实例,减少selector线程消耗
- 监控线程池状态,设置合理的线程数上限
- 对于不同后端服务,考虑使用连接池而非独立HttpClient
- 在容器环境中进行充分压力测试,验证资源配置
通过合理配置Jetty HttpClient的线程模型,开发者可以充分利用虚拟线程的优势,同时避免资源耗尽导致的应用冻结问题。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00