好端端的线程池，怎么就卡死了？

写在前面

最近，我们的业务收到一项报障，线上某个业务模块偶尔会出现无法正常工作的情况。

经过多方排查，最终确认是线程池使用方式不合理导致的。鉴于线程池使用的普遍性和该类问题的隐秘性，本文将其中涉及的"坑"整理出来，与大家分享。

本文将尽可能淡化业务本身，着重介绍其中的技术问题。

场景说明

该业务链路有三个节点，分别为"演示调度入口"、"获取数据"，以及"推送数据"：

其中，三个节点配置了同一个线程池，为呈现更为直观，将实际业务代码做了必要的内联和简化处理，如下：

private ScheduledThreadPoolExecutor executor = new ScheduledThreadPoolExecutor(5);

public void handle() {
    // 线程延迟调度（第一个节点，调度后续两个节点）
    executor.schedule(() -> {
        doHandle();
    }, 10L, TimeUnit.MILLISECONDS);
}

private List<String> fetchData()  {
    CompletableFuture<List<String>> future = CompletableFuture.supplyAsync(() -> {
        // 模拟数据获取业务逻辑（第二个节点）
    }, executor);
    return future.get();
}

private void doHandle() {
    // 推送数据业务逻辑（第三个节点，需要等第二个节点的数据获取完毕）
    List<String> data = fetchData(taskId);
    executor.schedule(() -> {
        push(data);
    }, 50L, TimeUnit.MILLISECONDS);
}

有经验的同学可以一眼看出，同一个链路上的多个业务节点，若共用同一个线程池，可能会出问题。

知识回顾

在接着往下讲之前，先来回顾一下基础知识。

Java线程池的运行机制

任务提交到线程池中后：

1. 如果workerCount < corePoolSize，则创建并启动一个线程来执行新提交的任务。
2. 如果workerCount >= corePoolSize，且线程池内的阻塞队列未满，则将任务添加到该阻塞队列中。
3. 如果workerCount >= corePoolSize且线程池内的阻塞队列已满，判断 workerCount < maximumPoolSize 是否成立，若成立，则创建并启动一个线程来执行新提交的任务。
4. 如果workerCount >= maximumPoolSize，并且线程池内的阻塞队列已满, 则根据拒绝策略来处理该任务。

下面两个图很清楚地呈现了这个过程（源自参考资料[2]）：

进一步地，线程池的生命周期定义在java.util.concurrent.ThreadPoolExecutor 类中，这个不是本文重点，有兴趣的同学自行学习即可：

// runState is stored in the high-order bits
private static final int RUNNING    = -1 << COUNT_BITS;
private static final int SHUTDOWN   =  0 << COUNT_BITS;
private static final int STOP       =  1 << COUNT_BITS;
private static final int TIDYING    =  2 << COUNT_BITS;
private static final int TERMINATED =  3 << COUNT_BITS;

Java线程的生命周期

定义在 java.lang.Thread 类中：

public enum State {
    NEW,
    RUNNABLE,
    BLOCKED,
    WAITING,
    TIMED_WAITING,
    TERMINATED;
}

状态转换图如下（源自参考资料[1]）：

在我们将要描述的场景中，大量线程就是卡在了waiting状态。

问题推演

我们在代码中定义了一个线程池，其核心线程数为5、配置了无界阻塞队列、最大线程数为 Integer.MAX_VALUE（约21亿）：

private ScheduledThreadPoolExecutor executor = new ScheduledThreadPoolExecutor(5);

public ScheduledThreadPoolExecutor(int corePoolSize) {
    super(corePoolSize, Integer.MAX_VALUE, 0, NANOSECONDS,
          new DelayedWorkQueue());
}

public ThreadPoolExecutor(int corePoolSize,
                          int maximumPoolSize,
                          long keepAliveTime,
                          TimeUnit unit,
                          BlockingQueue<Runnable> workQueue) {
    this(corePoolSize, maximumPoolSize, keepAliveTime, unit, workQueue,
         Executors.defaultThreadFactory(), defaultHandler);
}

那么任务并发调用时，问题是如何产生的呢？一个简单的办法是进行推演和模拟。

我们写一段代码进行复现（加了一些日志输出）：

import java.util.ArrayList;
import java.util.List;
import java.util.Random;
import java.util.concurrent.*;

public class TaskScheduler {

    // 增加线程池的线程数量，以便模拟多线程抢占
    private ScheduledThreadPoolExecutor executor = new ScheduledThreadPoolExecutor(5);

    public void handle(int taskId) {
        // 线程延迟调度（第一个节点，调度后续两个节点）
        executor.schedule(() -> {
            System.out.println("任务 " + taskId + " - 第一个节点开始执行，线程编号: " + Thread.currentThread().getId());
            try {
                doHandle(taskId);
            } catch (ExecutionException e) {
                throw new RuntimeException(e);
            } catch (InterruptedException e) {
                throw new RuntimeException(e);
            }
            System.out.println("任务 " + taskId + " - 第一个节点执行完成，线程编号: " + Thread.currentThread().getId());
        }, 10L, TimeUnit.MILLISECONDS);
    }

    private List<String> fetchData(int taskId) throws ExecutionException, InterruptedException {
        CompletableFuture<List<String>> future = CompletableFuture.supplyAsync(() -> {
            System.out.println("任务 " + taskId + " - 第二个节点开始执行，线程编号: " + Thread.currentThread().getId());
            // 模拟数据获取业务逻辑（第二个节点）

            Random random = new Random();
            int delay = 500 + random.nextInt(2000); // 随机延迟时间
            try {
                Thread.sleep(delay); // 模拟耗时操作
            } catch (InterruptedException e) {
                throw new RuntimeException(e);
            }
            System.out.println("任务 " + taskId + " - 第二个节点执行完成，线程编号: " + Thread.currentThread().getId());
            return new ArrayList<String>() {{
                add("data1");
                add("data2");
                add("data3");
            }};
        }, executor);

        return future.get();
    }

    private void doHandle(int taskId) throws ExecutionException, InterruptedException {
        // 推送数据业务逻辑（第三个节点，需要等第二个节点的数据获取完毕）
        List<String> data = fetchData(taskId);
        System.out.println("任务 " + taskId + " - 第二个节点的数据已获取，线程编号: " + Thread.currentThread().getId());

        executor.schedule(() -> {
            System.out.println("任务 " + taskId + " - 第三个节点开始执行，线程编号: " + Thread.currentThread().getId());
            push(data);
            System.out.println("\033[0;31m任务 " + taskId + " - 第三个节点执行完成，线程编号: " + Thread.currentThread().getId() + "\033[0m");
        }, 50L, TimeUnit.MILLISECONDS);
    }

    private void push(List<String> data) {
        // 模拟数据推送
        System.out.println("推送数据: " + data);
    }
    
    /**
     * 监控线程池状态
     */
    private static void monitorThreadPoolStatus(ScheduledThreadPoolExecutor executor) {
        ScheduledExecutorService monitorExecutor = Executors.newSingleThreadScheduledExecutor();
    
        monitorExecutor.scheduleAtFixedRate(() -> {
            int poolSize = executor.getPoolSize();
            int corePoolSize = executor.getCorePoolSize();
            int maximumPoolSize = executor.getMaximumPoolSize();
            long completedTaskCount = executor.getCompletedTaskCount();
            int activeCount = executor.getActiveCount();
            int queueSize = executor.getQueue().size();
    
            System.out.println("\n【线程池状态】");
            System.out.println("核心线程数: " + corePoolSize);
            System.out.println("最大线程数: " + maximumPoolSize);
            System.out.println("当前线程数: " + poolSize);
            System.out.println("活跃线程数: " + activeCount);
            System.out.println("已完成任务数: " + completedTaskCount);
            System.out.println("队列中等待的任务数: " + queueSize);
            System.out.println("是否关闭: " + executor.isShutdown());
            System.out.println("是否终止: " + executor.isTerminated());
        }, 0, 1, TimeUnit.SECONDS); // 每秒打印一次
    
        // 在适当的时候关闭监控器（例如主程序结束时）
        Runtime.getRuntime().addShutdownHook(new Thread(() -> {
            monitorExecutor.shutdownNow();
        }));
    }

    // 模拟任务数量（可自由调整）
    private static final int TASK_COUNT = 5;

    public static void main(String[] args) throws InterruptedException {
        TaskScheduler scheduler = new TaskScheduler();
        ExecutorService taskExecutor = Executors.newFixedThreadPool(TASK_COUNT); // 创建一个固定大小的线程池

        CountDownLatch startSignal = new CountDownLatch(1); // 起跑线
        CountDownLatch readySignal = new CountDownLatch(TASK_COUNT); // 用于通知主线程所有线程已就位

        // 模拟多个并发任务
        for (int i = 1; i <= TASK_COUNT; i++) {
            final int taskId = i;
            taskExecutor.submit(() -> {
                readySignal.countDown(); // 通知主线程当前线程已准备就绪
                try {
                    startSignal.await(); // 等待起跑信号
                    scheduler.handle(taskId);
                } catch (InterruptedException e) {
                    Thread.currentThread().interrupt();
                }
            });
        }

        System.out.println("等待所有线程就绪...");
        readySignal.await(); // 等待所有线程准备完毕
        System.out.println("所有线程已准备就绪，开始并发执行！");

        startSignal.countDown(); // 放行所有等待的线程
        
        // 启动线程池状态监控
        monitorThreadPoolStatus(scheduler.executor);

        taskExecutor.shutdown(); // 后续会自动关闭，当所有任务完成时
    }
}

执行之，观察输出日志。

当任务数量小于5时（比如2）：

等待所有线程就绪...
所有线程已准备就绪，开始并发执行！
任务 2 - 第一个节点开始执行，线程编号: 25
任务 1 - 第一个节点开始执行，线程编号: 23
任务 1 - 第二个节点开始执行，线程编号: 27
任务 2 - 第二个节点开始执行，线程编号: 28
任务 1 - 第二个节点执行完成，线程编号: 27
任务 1 - 第二个节点的数据已获取，线程编号: 23
任务 1 - 第一个节点执行完成，线程编号: 23
任务 1 - 第三个节点开始执行，线程编号: 27
推送数据: [data1, data2, data3]
任务 1 - 第三个节点执行完成，线程编号: 27
任务 2 - 第二个节点执行完成，线程编号: 28
任务 2 - 第二个节点的数据已获取，线程编号: 25
任务 2 - 第一个节点执行完成，线程编号: 25
任务 2 - 第三个节点开始执行，线程编号: 23
推送数据: [data1, data2, data3]
任务 2 - 第三个节点执行完成，线程编号: 23

最终线程池状态为：

核心线程数: 5
最大线程数: 2147483647
当前线程数: 5
活跃线程数: 0
已完成任务数: 6
队列中等待的任务数: 0
是否关闭: false
是否终止: false

当任务数量大于等于5时（比如5）：

等待所有线程就绪...
所有线程已准备就绪，开始并发执行！
任务 5 - 第一个节点开始执行，线程编号: 27
任务 1 - 第一个节点开始执行，线程编号: 29
任务 4 - 第一个节点开始执行，线程编号: 28
任务 3 - 第一个节点开始执行，线程编号: 30
任务 2 - 第一个节点开始执行，线程编号: 31

最终线程池状态为：

核心线程数: 5
最大线程数: 2147483647
当前线程数: 5
活跃线程数: 5
已完成任务数: 0
队列中等待的任务数: 5
是否关闭: false
是否终止: false

可以看出，当任务数量大于线程池的数量时，任务就会卡死，因为后续的节点已经没有线程可用了，对应的任务始终无法完成，因此已经被占用的线程无法释放（因为属于同一个任务）。此后继续提交的新任务会被放到无界阻塞队列中，表现出来就是系统处于假死状态。

以5个任务为例，卡死之后的线程池是这样：

以6个任务为例，卡死之后的线程池是这样：

以此类推...

再看看线程状态（以5个任务为例）：

可以看到，状态均为WAITING。

刨根问底

1. 为何多年前的雷，现在才炸？

其实不是最近才出问题，而是可能早已出问题了，但无人知晓。相关的几个原因：

• 业务本身流量不高，问题可能要在某些流量高峰期间才被触发。从上面的分析过程来看，只要同一时刻提交的任务数量小于5，就是可以持续运行下去的（因为后续两个节点，一定会被逐步执行完毕，对应的线程就会被释放掉了）。
• 需求迭代频繁，机器隔几天就会部署重启。即使之前部分机器引起了线程卡死，也会被"不经意间"解决掉（从这个角度看，大促期间扩容还是有必要的/doge）。
• 业务监控不完善。线程卡死后，后续的业务逻辑即使未执行，也没有被感知到，这反映出：缺乏对应的监控预警信息。
• 相关功能在此前不够受重视。本次的故障是一个辅助功能，此前可能已经出问题了，但没有收到业务反馈。最近业务方开始关注数据指标，进而发现了异常。

2. 为什么CPU没有异常？

因为本次故障并不消耗CPU。线程处于等待状态，没有实际"工作"，当然也就不会引发CPU占用率升高。

另外提一句，当时我们还看了火焰图，尝试发现相关的"死锁"，显而易见，并不会有任何收获。

3. 为什么内存没有异常？

根据上述分析，发生线程池卡死的现象时，后续提交进来的任务均会被放到阻塞队列中，按理会使得内存不断增长，从而引发内存溢出，但我们在排查过程中并未观察到内存异常。那么是什么原因呢？

我们看看提交到阻塞队列中的对象占了多大内存，改造一下handle方法，引入jol工具将其打印出来：

public void handle(int taskId) {
    Runnable task = () -> {
        System.out.println("任务 " + taskId + " - 第一个节点开始执行，线程编号: " + Thread.currentThread().getId());
        try {
            doHandle(taskId);
        } catch (ExecutionException e) {
            throw new RuntimeException(e);
        } catch (InterruptedException e) {
            throw new RuntimeException(e);
        }
        System.out.println("任务 " + taskId + " - 第一个节点执行完成，线程编号: " + Thread.currentThread().getId());
    };

    // 使用 JOL 打印该任务对象的内存大小
    System.out.println("\n【任务对象内存占用】");
    System.out.println(GraphLayout.parseInstance(task).toFootprint());

    executor.schedule(task, 10L, TimeUnit.MILLISECONDS);
}

输出：

     COUNT       AVG       SUM   DESCRIPTION
         1        16        16   TaskScheduler
         1        24        24   TaskScheduler$$Lambda$5/74534624

可以看到对象大小为24字节。当然，这是简化后的程序，实际的业务代码还要大一些，保守起见，预估为50字节。

假设每天10万次请求，那么会产生内存约为5M，按照平均每个月发版一次（实际大家的业务应该更为频繁）的节奏，仅会积累150M的内存，这个量级并不算高，也未引起JVM的"重视"。其实，如果把持续运行很久的内存dump下来，是可以发现端倪的。

内存计算方案有多种，除了JOL，也可以使用这个开源工具类：https://github.com/sunshanpeng/dark_magic

解决方案

讲完了问题，谈谈如何解决。

对于我们遇到的问题来说，是因为一个任务链路中的多个节点共用了同一个线程池，从而导致多个任务的前置节点把线程消耗完毕，后续资源没有线程去执行。从这个角度来看，可行的解决方案有几种：

方案1. 假设确实需要共用线程池，可以把线程池的核心线程数调大，比业务高峰期间的流量更高即可。当然，这个方案，并不算很优雅。

方案2. 任务链路中的多个节点，拆分独立线程池。这种可以从根源上避免线程争用（因为节点3总是会执行完毕的，对应任务占用的线程池2和线程池1会被逐级释放）。如下图：

方案3. 重新审视链路中的多层节点，是否必须异步执行，如某些地方其实可以改为同步执行。

最终，我们采用了方案2，改造后的代码类似于：

// 独立线程池：用于第一个调度节点（延迟执行 doHandle）
private ScheduledThreadPoolExecutor stage1Pool = new ScheduledThreadPoolExecutor(5);

// 独立线程池：用于数据获取（第二个节点）
private ExecutorService stage2Pool = Executors.newFixedThreadPool(5);

// 独立线程池：用于推送数据（第三个节点）
private ExecutorService stage3Pool = Executors.newFixedThreadPool(10);

public void handle() {
    // 线程延迟调度（第一个节点，调度后续两个节点）
    stage1Pool.schedule(() -> {
        doHandle();
    }, 10L, TimeUnit.MILLISECONDS);
}

 private List<String> fetchData()  {
    CompletableFuture<List<String>> future = CompletableFuture.supplyAsync(() -> {
        // 模拟数据获取业务逻辑（第二个节点）
    }, stage2Pool);
    return future.get();
}

private void doHandle() {
    // 推送数据业务逻辑（第三个节点，需要等第二个节点的数据获取完毕）
    List<String> data = fetchData(taskId);
    stage3Pool.schedule(() -> {
        push(data);
    }, 50L, TimeUnit.MILLISECONDS);
}

另外还有个新问题：如何合理设置线程池参数？其实这里面也有一套方法论。由于不是本文重点，不再展开，感兴趣的读者请参考此前写的一篇文章：https://www.cnblogs.com/xiaoxi666/p/16755570.html。

经验教训

要有全局观

本文为了表述方便，对代码做了简化，实际的业务逻辑较长，且为不同时期的历史逻辑，写代码时容易忽略全局，导致同一个线程池配置在同一个链路的多个节点而不自知。这是很有风险的。

要深刻掌握技术，才能直击本质

即便看出来了同一个线程池被链路中的多个节点复用，也不一定能意识到可能的风险。我们在排查的过程中就曾忽略这个方向，多花了很多时间（又是查CPU，又是看内存和GC，又是看火焰图，直到发现各项指标都正常时，才回过头重新审视代码，进而找到根因）。

要有意识地逐步重构代码

在开发过程中，遇到历史上不合理的逻辑，鼓励大胆提出来，共同探讨出更合适的方案并执行小步重构，防患于未然。

闭环思维

遇到"诡异"问题，势必要挖掘根因，不能让可能的问题处于悬而未决的状态，可能出问题的地方在将来一定会出问题。

参考文档

1\] [Life Cycle of a Thread in Java](https://www.baeldung.com/java-thread-lifecycle) \[2\] [Java线程池实现原理及其在美团业务中的实践](https://tech.meituan.com/2020/04/02/java-pooling-pratice-in-meituan.html)