Jetty项目中的类初始化死锁问题分析与解决
问题背景
在Jetty 12.1.x版本中,开发团队发现了一个潜在的类初始化死锁问题。这个问题出现在多线程环境下,当多个线程同时尝试初始化相关类时,会导致系统陷入死锁状态,表现为构建过程卡住。
问题现象
通过线程堆栈分析(thread dump)可以观察到,一个名为"ForkJoinPool-1-worker-4"的工作线程在初始化RetainingResponseListener时被阻塞,具体是在等待org.eclipse.jetty.io.RetainableByteBuffer$Abstract类的初始化监视器。与此同时,其他线程可能也在尝试初始化相关的缓冲类,形成了典型的类初始化死锁场景。
技术分析
这个问题本质上是一个类初始化顺序导致的死锁问题,涉及Jetty的缓冲体系结构。具体来说:
-
线程T1尝试初始化
RetainableByteBuffer类,包括其静态成员RetainableByteBuffer.EMPTY,因此获取了该类的锁。 -
在初始化
RetainableByteBuffer.EMPTY的过程中,JVM需要依次初始化多个相关类:NonRetainableByteBufferRetainableByteBuffer.FixedCapacityRetainableByteBuffer.AbstractRetainableByteBuffer.Wrapper- 最后再次回到
RetainableByteBuffer本身
-
每个类的初始化都需要获取各自的类锁,而与此同时,线程T2可能正在尝试创建
Chunk、FixedCapacity或DynamicCapacity实例,也需要获取这些类的锁。 -
这样就形成了典型的死锁场景:T1持有A锁等待B锁,T2持有B锁等待A锁。
版本差异
值得注意的是,这个问题在Jetty 12.0.x版本中并不存在。因为在12.0.x版本中,NonRetainableByteBuffer直接继承自RetainableByteBuffer,而不是像12.1.x版本中那样继承自FixedCapacity。这种继承关系的改变导致了更复杂的类初始化顺序,从而引入了死锁的可能性。
解决方案
Jetty开发团队通过重构类初始化逻辑解决了这个问题。主要思路是简化类之间的依赖关系,避免在类初始化过程中形成循环依赖。具体实现包括:
- 重新设计缓冲类的继承体系,减少初始化时的相互依赖
- 确保类初始化顺序是线性的,不会形成环路
- 对于必要的共享资源,采用延迟初始化或其他线程安全机制
经验教训
这个问题给我们的启示是:
- 在设计类体系结构时,需要考虑类初始化的顺序和潜在的并发问题
- 静态成员的初始化特别容易引发死锁,因为它们隐含了类初始化的顺序
- 继承关系的改变可能引入意想不到的并发问题,需要全面评估
- 多线程环境下的类初始化是一个容易被忽视但非常重要的设计考虑点
通过这个案例,我们再次认识到在框架设计中,并发安全需要从最基础的类结构设计阶段就开始考虑,而不仅仅是关注运行时的方法同步。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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