Redisson中RScheduledExecutorService与Quarkus框架的优雅关闭问题分析
问题背景
在使用Redisson的RScheduledExecutorService与Quarkus框架集成时,开发者发现了一个影响应用关闭速度的问题。当在Quarkus应用中注册WorkerOptions到RScheduledExecutorService后,应用的关闭时间会显著延长至约10秒,而未注册WorkerOptions时关闭则能在1秒内完成。
技术细节
RScheduledExecutorService是Redisson提供的分布式调度执行器服务,它允许在Redis集群中执行定时任务。WorkerOptions则用于配置执行任务的worker参数,包括worker数量等。
在Quarkus框架中,当应用接收到关闭信号时,框架会触发ShutdownEvent,期望应用能快速释放资源并退出。然而,当RScheduledExecutorService注册了WorkerOptions后,这个关闭过程会被明显延迟。
问题原因分析
这种延迟行为可能有几个技术原因:
-
资源清理机制:Redisson可能在关闭时执行额外的清理工作,特别是当有活跃的worker时,需要确保所有任务被妥善处理。
-
连接释放:与Redis的连接可能需要更长时间来安全释放,特别是当有活跃任务或worker时。
-
超时设置:可能存在默认的超时设置,导致关闭过程等待某些操作完成。
解决方案探讨
目前官方建议的解决方案是在ShutdownEvent中显式调用RScheduledExecutorService.shutdown()方法。这种方法确实可以加速关闭过程,但会带来一个副作用:其他Redisson实例将无法再向该执行器提交新任务。
更理想的解决方案可能是引入一个unregisterWorkers()方法,它能够:
- 优雅地解除worker注册
- 保持执行器服务继续运行
- 允许其他实例继续提交任务
- 同时避免关闭延迟
最佳实践建议
对于当前版本的用户,可以采取以下临时方案:
- 在@ApplicationScoped bean中保持RScheduledExecutorService的单例实例
- 在ShutdownEvent中调用shutdown()方法
- 评估是否接受其他实例无法提交任务的限制
对于长期解决方案,建议关注Redisson项目关于unregisterWorkers()功能请求的进展。这个功能将提供更灵活的worker管理方式,同时保持快速的关闭速度。
总结
Redisson与Quarkus的集成提供了强大的分布式任务处理能力,但在关闭行为上需要注意这些细节。理解底层机制有助于开发者做出更合理的架构决策,平衡功能需求与系统响应性。随着Redisson功能的不断完善,这类集成问题有望得到更优雅的解决方案。
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