Spring Framework中虚拟线程在存储过程调用时的优化方案
虚拟线程与同步阻塞问题
在Java 21中引入的虚拟线程(Virtual Threads)为高并发应用带来了显著的性能提升,但在实际应用中,我们仍然需要注意避免虚拟线程被"钉住"(pinned)的情况。钉住现象会使得轻量级的虚拟线程退化为平台线程,从而失去其调度优势。
Spring Framework 3.3.2版本中,在AbstractJdbcCall.compile()方法实现中使用了synchronized关键字进行方法级别的同步。这种同步方式在虚拟线程环境下会导致线程被钉住,进而可能引发性能下降甚至死锁问题。
问题分析
当使用虚拟线程并启用-Djdk.tracePinnedThreads=short参数时,可以观察到如下日志输出:
Thread[#179,ForkJoinPool-1-worker-28,5,CarrierThreads]
org.springframework.jdbc.core.simple.AbstractJdbcCall.compile(AbstractJdbcCall.java:298) <== monitors:1
这表明虚拟线程在执行compile()方法时被钉住了,原因是该方法使用了synchronized关键字。在虚拟线程模型中,任何获取监视器锁(monitor lock)的操作都会导致当前虚拟线程被绑定到承载线程(Carrier Thread)上,直到锁被释放。
优化方案
针对这一问题,可以考虑以下几种优化方案:
-
使用ReentrantLock替代synchronized: Java并发包中的
ReentrantLock不会导致虚拟线程被钉住,是更现代的同步机制选择。 -
CAS(Compare-And-Swap)无锁编程: 使用原子变量和CAS操作可以完全避免锁的使用,实现真正的无锁编程。
-
双重检查锁定模式优化: 结合volatile变量和局部同步块,减少同步范围。
实现建议
对于AbstractJdbcCall.compile()方法,可以重构为以下形式:
private final AtomicBoolean compiledFlag = new AtomicBoolean(false);
private final Lock compileLock = new ReentrantLock();
public final void compile() throws InvalidDataAccessApiUsageException {
if (!compiledFlag.get()) {
compileLock.lock();
try {
if (!compiledFlag.get()) {
// 原有编译逻辑
compiledFlag.set(true);
}
} finally {
compileLock.unlock();
}
}
}
这种实现方式既保证了线程安全,又避免了虚拟线程被钉住的问题。
性能考量
在实际应用中,存储过程编译通常是一次性操作,后续调用会直接使用已编译的结果。因此,使用更轻量级的同步机制可以带来以下优势:
- 减少虚拟线程被钉住的概率
- 提高高并发场景下的吞吐量
- 避免潜在的死锁风险
- 保持虚拟线程的轻量级特性
结论
随着Java虚拟线程的普及,Spring Framework中的同步机制也需要相应地进行优化。通过将传统的synchronized替换为更现代的并发控制机制,可以充分发挥虚拟线程的优势,为高并发数据库操作提供更好的性能表现。这种优化对于使用存储过程频繁的企业级应用尤为重要。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0120
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01