Jetty项目中WebSocket的Permessage-Deflate扩展内存泄漏问题分析
问题背景
在Jetty项目中,当使用WebSocket协议并启用了permessage-deflate扩展时,发现存在内存泄漏问题。具体表现为:服务器会持续保留发送给客户端的最后一条消息的内存,直到WebSocket连接关闭或发送下一条新消息。
技术细节分析
permessage-deflate是WebSocket协议的一个扩展,用于支持消息压缩。Jetty实现中,当这个扩展被激活时,系统会使用Deflater类来处理消息压缩。问题出在压缩处理完成后,系统未能及时释放已压缩消息占用的内存。
关键的技术点在于:
-
Deflater对象管理:Jetty使用Deflater实例来处理消息压缩,压缩完成后,输入缓冲区(包含原始消息数据)未被清空
-
内存保留机制:系统保留了最后发送消息的byte数组,这些数组通过HeapByteBuffer被两个地方引用:
- 消息帧的payload部分
- Deflater对象的内部缓冲区
-
影响范围:对于高并发场景(如1000+个WebSocket连接),如果消息较大(几MB级别),加上较长的超时设置,可能导致GB级别的内存被无效占用
问题复现与验证
通过修改Jetty的示例代码可以复现此问题:
- 创建一个返回10MB随机数据的WebSocket端点
- 配置小内存池(50MB)以放大内存问题
- 建立多个WebSocket连接并发送消息
内存分析工具显示:
- 每个连接都保留了完整的10MB消息数据
- 这些数据被Deflater和消息帧同时引用
当禁用permessage-deflate扩展时,内存占用立即恢复正常,验证了问题确实与该扩展相关。
解决方案
Jetty团队提出的修复方案是:
-
不清空压缩表:不能简单地重置Deflater,因为这会同时清除滑动窗口和压缩表,影响后续消息的压缩效率
-
清空输入缓冲区:在消息处理完成后,向Deflater设置一个空缓冲区,从而释放对原始消息的引用
这种解决方案既解决了内存泄漏问题,又保持了WebSocket连接的压缩效率,是一个平衡的修复方案。
最佳实践建议
对于使用Jetty WebSocket的开发人员,建议:
-
评估压缩必要性:如果传输的数据本身已经是压缩格式(如JPEG、MPEG等),可以考虑禁用permessage-deflate扩展
-
监控内存使用:在高并发WebSocket应用中,应密切监控内存使用情况,特别是当启用压缩时
-
合理设置超时:根据业务需求设置适当的连接超时,避免不活跃连接长期占用内存
-
及时升级版本:采用包含此修复的Jetty版本,避免潜在的内存问题
总结
WebSocket的压缩功能虽然能减少网络传输量,但也带来了内存管理的复杂性。Jetty团队通过精细化的内存管理修复了这个问题,展示了开源项目对性能优化的持续关注。对于开发者而言,理解底层实现细节有助于构建更健壮的高性能WebSocket应用。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00