Tomcat 9.0.26 高并發場景下DeadLock問題

本文首發于 vivo互聯網技術 微信公眾號?
鏈接：https://mp.weixin.qq.com/s/-OcCDI4L5GR8vVXSYhXJ7w
作者：黃衛兵、陳錦霞

一、Tomcat容器 9.0.26 版本 Deadlock 問題

1.1 問題現象

1.1.1? 發生 Deadlock 的背景

某接口/get.do壓測，3分鐘后，成功事務數TPS由1W驟降至0。

1.1.2? Tomcat服務器出現大量的CLOSE_WAIT

被壓測服務器，出現TCP CLOSE_WAIT狀態個數在200~2W左右。

1.2 初步定位：線程堆棧信息入手

通過jstack打印Tomcat堆棧信息，發現“Found 1 deadlock”

Found one Java-level deadlock:
=============================
"http-nio-8080-exec-409":
waiting to lock monitor 0x00007f064805aa78 (object 0x00000006c0ebf148, a java.util.HashSet),
which is held by "http-nio-8080-ClientPoller"
"http-nio-8080-ClientPoller":
waiting to lock monitor 0x00007f05e8061058 (object 0x00000007bfe40a70, a java.lang.Object),
which is held by "http-nio-8080-exec-205"
"http-nio-8080-exec-205":
waiting to lock monitor 0x00007f0614018448 (object 0x00000006c0e8e088, a java.util.HashSet),
which is held by "http-nio-8080-BlockPoller"
"http-nio-8080-BlockPoller":
waiting to lock monitor 0x0000000001ed06e8 (object 0x00000007bfe110f8, a java.lang.Object),
which is held by "http-nio-8080-exec-380"
"http-nio-8080-exec-380":
waiting to lock monitor 0x00007f064805aa78 (object 0x00000006c0ebf148, a java.util.HashSet),
which is held by "http-nio-8080-ClientPoller"

1.2.1? 快速修復方案

內部討論后，認為當前Tomcat版本可能有Bug。不影響項目進度，簡單修改方案把SpringBoot 使用的Tomcat 9.0.26 降級到Tomcat 8。降級后再次壓測，沒有發現問題?；旧峡梢源_定Tomcat 9.0.26 應該是存在 Deadlock 問題。

1.3? 問題進一步跟蹤

1.3.1? 向Apache社區的反饋

為了確認問題，我們試著給Tomcat提交Bug反饋。

從堆棧信息來看，是3類線程5個線程由于加鎖的順序不致，從而相互等待發生了死鎖。圖形化上面加鎖的過程如下圖。

1.4 問題原因分析

明確了死鎖的過程，但是哪個環節出了問題呢。這就需要深入到源碼層去定位問題。首先需要下載OpenJDK 源碼，然后是Tomcat 9.0.26 的源碼。根據堆棧信息，定位到相應的代碼位置。我們理出如下圖Tomcat 9.0.26死鎖流程說明。

要比較好的理解上圖，需要對于NIO有一定的了解。在Tomcat中NIO主要是理解NIO Endpoint。

Poller是對于Selector的一個封裝，而線程名為exec-xx的執行線程是Channel的封裝。在NIO中Channel注冊到Selector然后通過SelectionKey來記錄對應關系。到此，主角都上場了。

Poller的run方法作為后臺線程一直在輪詢（select）準備好的SelectionKey，在輪詢的時候也順便需要把cancelledKey中的SelectionKey給反注冊。執行線程EXEC-XX在處理時會先判斷連接的狀態，比如失敗、異常等情況會調用Channel的close方法去關閉連接。

而Channel的close實際只是把SelectionKey加入到cancelledKey。兩者都需要先鎖定，但鎖定的順序不一致，從而導致死鎖。

1.4.1? 與Tomcat開發者的交流

在提交Bug后，很快得到了Remy Maucherat的回復，首先他提到這個NIO內部的死鎖。然后我們提到NIO內部的死鎖是由于Poller.run和Poller.canceledKey在并發時導到的。

Remy Maucherat很快就進行了修復，主要是把Poller.canceledKey中close移到了finally中去執行，也就是先讓Poller.run獲得鎖。

在得到修復后，我們使用替換后的代碼進行了再次壓測，死鎖問題沒有出現了。Remy Maucherat同時提到在最新的OpenJDK中相關問題的修復，但只會出現在jdk 11和14版本。

溝通中的詳情見下圖。

1.4.2? Github上修復的驗證

https://github.com/apache/tomcat/commit/9b1a8b67bffe462fc745b19e15ed59c37e2e1dcf

1.5 結果驗證

使用?https://github.com/apache/tomcat/commit/9b1a8b67bffe462fc745b19e15ed59c37e2e1dcf?提供修復后代碼，重新打包tomcat-embed-core.jar 替換9.X.XX的再次壓測，TPS平穩在1.5W左右。

到此問題基本是定位清楚，并得到了修復。Remy Maucherat也回復到“The fix will be in Tomcat 9.0.31+”。

目前Tomcat 最新版本是Tomcat 9.0.30，還需要耐心等待31版本更新。建議使用Tomcat 8版本。

二、相關鏈接與參考

1. OpenJdk源碼下載

2. Tomcat 源碼

3. 來自阿里云溪社區：斷網故障時Mtop觸發Tomcat高并發場景下的BUG排查和修復

4. 深度解讀Tomcat中的NIO模型?