Tomcat 9.0.26 高并发场景下DeadLock问题排查与修复
本文首发于 vivo互联网技术 微信公众号
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。
