本文首發於 vivo互聯網技術 微信公衆號
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分鐘後，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
內部討論後，認爲當前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。降級後再次壓測，沒有發現問題。基本上可以確定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
爲了確認問題，我們試着給Tomcat提交Bug反饋。
從堆棧信息來看，是3類線程5個線程由於加鎖的順序不致，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，然後是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，需要對於NIO有一定的瞭解。在Tomcat中NIO主要是理解NIO Endpoint。
Poller是對於Selector的一個封裝，而線程名爲exec-xx的執行線程是Channel的封裝。在NIO中Channel註冊到Selector然後通過SelectionKey來記錄對應關係。到此，主角都上場了。
Poller的run方法作爲後臺線程一直在輪詢（select）準備好的SelectionKey，在輪詢的時候也順便需要把cancelledKey中的SelectionKey給反註冊。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後，很快得到了Remy Maucherat的回覆，首先他提到這個NIO內部的死鎖。然後我們提到NIO內部的死鎖是由於Poller.run和Poller.canceledKey在併發時導到的。
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。
在得到修復後，我們使用替換後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 提供修復後代碼，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，並得到了修復。Remy Maucherat也回覆到“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。