OpenJ9项目中MonitorContendedEntered事件处理的优化与修复
在OpenJ9虚拟机的最新开发中,开发团队发现并修复了一个与JVMTI(Java虚拟机工具接口)事件监控相关的重要问题。这个问题涉及MonitorContendedEntered事件的正确处理,特别是在启用了YieldPinnedVirtualThreads(JEP491)特性的情况下。
问题背景
当Java应用程序中的线程尝试进入一个已被其他线程持有的同步块时,JVMTI会生成MonitorContendedEntered事件。这个事件对于性能监控和调试工具非常重要,它可以帮助开发者识别潜在的锁竞争问题。
在JDK24版本的测试过程中,开发团队发现serviceability/jvmti/events/MonitorContendedEntered/mcontentered01测试用例在启用YieldPinnedVirtualThreads特性时会失败。这个特性是JEP491引入的,它允许虚拟线程在遇到锁竞争时主动让出CPU资源。
问题表现
测试失败的具体表现是MonitorContendedEntered事件的数量不符合预期。测试期望只收到一个事件,但实际上收到了两个事件。从日志中可以看到:
- 第一个事件发生在线程状态为BLOCKED_ON_MONITOR_ENTER时
- 第二个事件发生在线程状态变为RUNNABLE后
这种重复事件的情况会导致依赖这些事件的监控工具产生错误的分析结果。
技术分析
深入分析后发现,问题根源在于虚拟线程的调度机制与JVMTI事件处理的交互。当启用YieldPinnedVirtualThreads特性时:
- 虚拟线程在遇到锁竞争时会主动让出CPU
- 这种让出行为触发了额外的状态转换
- 状态转换过程中错误地触发了重复的MonitorContendedEntered事件
本质上,这是虚拟线程的新调度机制与传统JVMTI事件处理逻辑之间的不兼容问题。
解决方案
开发团队通过PR#21585修复了这个问题。修复的核心内容包括:
- 重新梳理了虚拟线程状态转换与JVMTI事件触发的关系
- 确保在YieldPinnedVirtualThreads场景下不会重复触发事件
- 保持了与原有非虚拟线程行为的一致性
修复后,测试用例能够正确通过,验证了解决方案的有效性。
技术意义
这个修复不仅解决了一个具体的测试失败问题,更重要的是:
- 完善了OpenJ9对虚拟线程的支持
- 确保了JVMTI工具在虚拟线程环境下的可靠性
- 为未来更多虚拟线程特性的引入奠定了坚实基础
对于使用JVMTI进行性能监控或调试工具开发的开发者来说,这个修复意味着他们可以放心地在启用了YieldPinnedVirtualThreads特性的环境中使用这些工具,而不用担心事件重复或丢失的问题。
结论
OpenJ9团队通过这次修复展示了他们对Java虚拟机可靠性的持续承诺。随着虚拟线程特性的不断演进,类似的底层交互问题可能会继续出现,但这次修复为处理这类问题提供了一个良好的范例。开发者现在可以更有信心地在生产环境中使用这些先进的线程特性。
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