Apache Logging Log4j2 并发修改异常问题分析与修复
问题背景
在Apache Logging Log4j2日志框架的使用过程中,开发团队发现了一个在多线程环境下运行时修改日志级别时出现的并发修改异常(ConcurrentModificationException)。这个问题主要发生在服务启动阶段,当多个线程同时尝试通过Configurator.setLevel()方法动态调整日志级别时。
异常现象
异常堆栈显示,问题出现在LoggerContext.updateLoggers()方法中,具体是在处理日志记录器集合时发生的。从技术实现上看,这是由于Log4j2内部使用的WeakHashMap在并发遍历时被修改导致的经典并发问题。
技术分析
深入分析代码实现,我们发现问题的根源在于InternalLoggerRegistry类中的getLoggers()方法实现方式。该方法返回一个Stream对象,但在Stream被处理时,底层的WeakHashMap可能已经被其他线程修改。具体表现为:
- 原始实现直接返回WeakHashMap值的Stream视图
- 在多线程环境下,一个线程正在遍历Stream时,另一个线程可能修改了WeakHashMap
- 这种修改会导致ConcurrentModificationException
解决方案
修复方案的核心思想是确保在获取日志记录器集合时创建一个不可变的快照。具体实现包括:
- 在持有读锁的情况下,将所有Logger实例收集到一个List中
- 然后基于这个List创建Stream返回
- 这样即使原始WeakHashMap被修改,也不会影响已经创建的Stream
这种方案既保证了线程安全,又保持了Stream API的惰性求值特性。修复后的代码结构更加健壮,符合Java并发编程的最佳实践。
额外优化
在问题排查过程中,开发人员还发现LoggerRegistry类中存在一处可以改进的代码风格问题:
原始实现使用Stream.forEach()来填充外部集合,这种方式虽然功能正确,但不是最佳实践。更推荐的方式是使用collect(Collectors.toList())直接返回新的集合,这样代码更清晰且更符合函数式编程的风格。
影响范围
该问题影响Log4j2 2.x版本,特别是在高并发场景下动态调整日志级别的应用。修复后显著提高了框架在多线程环境下的稳定性。
总结
这个案例展示了在框架设计中处理并发问题的典型挑战。通过创建不可变的数据快照来避免并发修改异常,是Java并发编程中常用的解决方案。Log4j2团队对此问题的快速响应和修复,体现了该开源项目对稳定性和可靠性的高度重视。
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-1.5暂无简介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
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
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