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。
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