SpringDoc OpenAPI 中的并发安全问题分析与解决方案
问题背景
SpringDoc OpenAPI 是一个流行的 Spring Boot 集成 OpenAPI/Swagger 的工具库。在项目使用过程中,开发人员报告了一个 ArrayIndexOutOfBoundsException 异常问题,该问题出现在 SwaggerUiConfigParameters 类中,特别是在处理 Swagger UI 配置参数时。
问题现象
异常主要发生在以下场景:
- 当多个并发请求同时访问 Swagger UI 相关端点时
- 在服务器初始启动阶段,首次加载 API 文档时
- 使用 GroupedOpenApi 配置多个 API 分组时
异常堆栈显示问题出现在 SwaggerUiConfigParameters 类的 getConfigParameters 方法中,具体是在对配置参数进行流式处理和收集时发生的数组越界错误。
根本原因分析
经过深入分析,发现问题的根本原因在于以下几个方面:
-
线程安全问题:SwaggerWelcomeWebFlux 类作为单例,但其 oauthPrefix 字段(UriComponentsBuilder 类型)被多个线程共享和修改。UriComponentsBuilder 本身不是线程安全的类。
-
并发修改集合:SwaggerUiConfigParameters 类中的 urls 集合(HashSet 类型)在多线程环境下被同时读取和修改,没有适当的同步机制。
-
状态流操作:在流式处理配置参数时使用了排序等有状态操作,这些操作在多线程环境下可能产生不可预期的行为。
解决方案
针对上述问题,社区提出了几种解决方案:
-
线程局部变量:对于需要在请求间共享但又需要线程安全访问的变量,使用线程局部存储或每次请求创建新实例。
-
线程安全集合:将 HashSet 替换为 CopyOnWriteArraySet 等线程安全集合实现,或者在使用集合时进行防御性拷贝。
-
同步控制:在关键代码段使用 synchronized 或 ReentrantLock 进行同步控制,确保同一时间只有一个线程能修改共享状态。
-
不可变对象:尽可能使用不可变对象和不可变集合,避免共享状态被意外修改。
最佳实践建议
基于此问题的解决经验,建议在使用 SpringDoc OpenAPI 时注意以下几点:
-
版本选择:建议使用 2.7.0 及以上版本,其中已包含相关修复。
-
并发测试:对于生产环境应用,建议进行高并发场景下的测试,特别是应用启动后的首次请求。
-
配置简化:尽量减少动态配置的使用,特别是那些需要在运行时根据请求修改的配置。
-
监控机制:实施适当的监控和告警机制,及时发现和解决类似问题。
总结
SpringDoc OpenAPI 中的这个并发安全问题展示了在开发库时考虑线程安全的重要性。通过分析这个问题,我们不仅解决了具体的异常,也加深了对 Spring 生态中并发编程的理解。这类问题的解决往往需要综合考虑性能、正确性和代码复杂度等因素,找到最适合的平衡点。
对于库的维护者来说,这类问题的解决也提醒我们需要更加重视并发场景下的测试,确保库在各种使用场景下都能稳定工作。对于使用者来说,则需要注意及时更新库版本,并在自己的应用中实施适当的并发控制策略。
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