Tomcat 9.0.26 高并发场景下DeadLock问题排查与修复

Posted 2021-03-16

本文首发于 vivo互联网技术 微信公众号?
链接：https://mp.weixin.qq.com/s/-OcCDI4L5GR8vVXSYhXJ7w
作者：黄卫兵、陈锦霞

一、Tomcat容器 9.0.26 版本 Deadlock 问题

1.1 问题现象

1.1.1? 发生 Deadlock 的背景

某接口/get.do压测，3分钟后，成功事务数TPS由1W骤降至0。

1.1.2? Tomcat服务器出现大量的CLOSE_WAIT

被压测服务器，出现TCP CLOSE_WAIT状态个数在200~2W左右。

1.2 初步定位：线程堆栈信息入手

通过jstack打印Tomcat堆栈信息，发现“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? 快速修复方案

内部讨论后，认为当前Tomcat版本可能有Bug。不影响项目进度，简单修改方案把SpringBoot 使用的Tomcat 9.0.26 降级到Tomcat 8。降级后再次压测，没有发现问题。基本上可以确定Tomcat 9.0.26 应该是存在 Deadlock 问题。

1.3? 问题进一步跟踪

1.3.1? 向Apache社区的反馈

为了确认问题，我们试着给Tomcat提交Bug反馈。

从堆栈信息来看，是3类线程5个线程由于加锁的顺序不致，从而相互等待发生了死锁。图形化上面加锁的过程如下图。

1.4 问题原因分析

明确了死锁的过程，但是哪个环节出了问题呢。这就需要深入到源码层去定位问题。首先需要下载OpenJDK 源码，然后是Tomcat 9.0.26 的源码。根据堆栈信息，定位到相应的代码位置。我们理出如下图Tomcat 9.0.26死锁流程说明。

要比较好的理解上图，需要对于NIO有一定的了解。在Tomcat中NIO主要是理解NIO Endpoint。

Poller是对于Selector的一个封装，而线程名为exec-xx的执行线程是Channel的封装。在NIO中Channel注册到Selector然后通过SelectionKey来记录对应关系。到此，主角都上场了。

Poller的run方法作为后台线程一直在轮询（select）准备好的SelectionKey，在轮询的时候也顺便需要把cancelledKey中的SelectionKey给反注册。执行线程EXEC-XX在处理时会先判断连接的状态，比如失败、异常等情况会调用Channel的close方法去关闭连接。

而Channel的close实际只是把SelectionKey加入到cancelledKey。两者都需要先锁定，但锁定的顺序不一致，从而导致死锁。

1.4.1? 与Tomcat开发者的交流

在提交Bug后，很快得到了Remy Maucherat的回复，首先他提到这个NIO内部的死锁。然后我们提到NIO内部的死锁是由于Poller.run和Poller.canceledKey在并发时导到的。

Remy Maucherat很快就进行了修复，主要是把Poller.canceledKey中close移到了finally中去执行，也就是先让Poller.run获得锁。

在得到修复后，我们使用替换后的代码进行了再次压测，死锁问题没有出现了。Remy Maucherat同时提到在最新的OpenJDK中相关问题的修复，但只会出现在jdk 11和14版本。

沟通中的详情见下图。

1.4.2? Github上修复的验证

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

1.5 结果验证

使用?https://github.com/apache/tomcat/commit/9b1a8b67bffe462fc745b19e15ed59c37e2e1dcf?提供修复后代码，重新打包tomcat-embed-core.jar 替换9.X.XX的再次压测，TPS平稳在1.5W左右。

到此问题基本是定位清楚，并得到了修复。Remy Maucherat也回复到“The fix will be in Tomcat 9.0.31+”。

目前Tomcat 最新版本是Tomcat 9.0.30，还需要耐心等待31版本更新。建议使用Tomcat 8版本。

二、相关链接与参考

1. OpenJdk源码下载

2. Tomcat 源码

3. 来自阿里云溪社区：断网故障时Mtop触发Tomcat高并发场景下的BUG排查和修复

4. 深度解读Tomcat中的NIO模型?