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。
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