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。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00