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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00