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：
- 如果workerCount < corePoolSize，则创建并启动一个线程来执行新提交的任务。
- 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。
- 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。
- 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(" 33[0;31m任务 " + taskId + " - 第三个节点执行完成，线程编号: " + Thread.currentThread().getId() + " 33[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。
![洛谷 P11345 [KTSC 2023 R2] 基地简化 题解](http://www.itfaba.com/wp-content/themes/kemi/timthumb.php?src=http://www.itfaba.com/wp-content/themes/kemi/img/random/3.jpg&w=218&h=124&zc=1)
