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。
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