当前位置:首页 > 文章列表 > 文章 > java教程 > Java如何避免死锁问题详解

Java如何避免死锁问题详解

2026-03-30 17:08:14 0浏览 收藏
本文深入剖析了Java中死锁产生的根本原因——尤其是线程以不一致顺序获取同一组锁所引发的环路等待,并系统性地给出了五大实战解决方案:通过唯一不可变字段(如accountId)统一加锁顺序、利用ReentrantLock.tryLock()设置超时主动打破循环等待、大幅缩小锁粒度并移出同步块中的非必要操作、警惕嵌套锁与外部可重入调用带来的隐式死锁风险,以及强调业务层面锁语义的一致性。这些方法不仅直击死锁要害,更兼顾性能、可维护性与生产环境稳定性,是Java高并发编程中规避死锁不可或缺的硬核指南。

在Java里如何避免死锁问题_Java并发设计实践说明

按固定顺序获取锁

死锁最常见原因是多个线程以不同顺序请求同一组锁。比如线程 A 先锁 resourceA 再锁 resourceB,而线程 B 反过来先锁 resourceB 再锁 resourceA,就可能形成环路等待。

解决办法是强制所有线程按全局一致的顺序加锁。通常用对象哈希值排序:

public void transfer(Account from, Account to, BigDecimal amount) {
    // 确保总是先锁 hash 值小的对象
    Object firstLock = from.hashCode() < to.hashCode() ? from : to;
    Object secondLock = from.hashCode() < to.hashCode() ? to : from;

    synchronized (firstLock) {
        synchronized (secondLock) {
            // 执行转账逻辑
        }
    }
}
  • 注意:hashCode() 在 JVM 生命周期内不保证稳定,生产环境建议用唯一且不可变的字段(如 accountId)做比较
  • 避免在同步块内调用外部方法或阻塞操作,否则会延长持锁时间,增加竞争概率
  • 如果锁对象可能为 null,必须提前校验,否则 NullPointerException 会绕过锁保护逻辑

使用 tryLock() 设置超时

ReentrantLock.tryLock(long, TimeUnit) 能让线程在拿不到锁时主动放弃,而不是无限等待,从根本上打破死锁必要条件之一——“循环等待”。

典型用法:

ReentrantLock lockA = new ReentrantLock();
ReentrantLock lockB = new ReentrantLock();

boolean success = false;
try {
    if (lockA.tryLock(1, TimeUnit.SECONDS)) {
        try {
            if (lockB.tryLock(1, TimeUnit.SECONDS)) {
                try {
                    // 临界区操作
                    success = true;
                } finally {
                    lockB.unlock();
                }
            }
        } finally {
            lockA.unlock();
        }
    }
} catch (InterruptedException e) {
    Thread.currentThread().interrupt();
}
  • 超时时间不宜设为 0(即非阻塞),否则重试逻辑容易退化成忙等,浪费 CPU
  • 必须严格遵循“获取成功才继续下一步,失败则释放已获锁”的模式,否则可能造成锁泄漏
  • 嵌套多层 tryLock() 时,解锁顺序不必与加锁顺序严格相反,但每把锁都必须有对应 unlock() 且只调用一次

减少锁粒度和同步范围

很多死锁其实源于过度同步:把本可并行的操作强行串行化,人为扩大了锁持有窗口和依赖链。

例如,对整个 ConcurrentHashMap 加锁来执行单个 put() 是错的;又比如在 synchronized 方法里调用远程 HTTP 接口。

  • 优先用 java.util.concurrent 包中的线程安全类(如 ConcurrentHashMap、AtomicInteger),它们内部已做细粒度控制
  • 同步块只包裹真正需要互斥的代码段,像日志记录、参数校验、异步提交这类操作应移出同步区
  • 避免在持有锁期间调用第三方库方法,除非明确其不涉及加锁或 I/O —— 很多框架内部会隐式加锁(如某些 ORM 的 session 同步机制)

避免嵌套锁 + 外部可重入调用

当一个已持锁的方法被外部间接调用(比如通过回调、事件监听、Spring AOP 代理),而该外部调用又试图获取同一把锁,就可能触发重入死锁——尤其在未使用 ReentrantLock 或 synchronized 这类可重入锁时。

更危险的是“伪重入”:两个不同锁对象,但逻辑上代表同一资源(如 UserLock(userId) 和 OrderLock(orderId) 实际共享账户余额状态)。

  • 检查所有回调接口是否运行在相同线程上下文;若不确定,改用异步解耦(如 CompletableFuture 或消息队列)
  • 不要基于运行时参数动态生成锁对象(如 new Object()),这会让锁无法被其他线程识别和竞争
  • Spring 中使用 @Transactional 或 @Async 时,注意代理对象可能改变调用栈,导致锁失效或重复加锁
实际中最容易被忽略的,是锁的语义一致性:同一业务概念(如“用户资金”)在不同模块中用了不同锁对象或不同加锁策略,表面看没死锁,但会在高并发下暴露竞态漏洞。

今天带大家了解了的相关知识,希望对你有所帮助;关于文章的技术知识我们会一点点深入介绍,欢迎大家关注golang学习网公众号,一起学习编程~

ChatGPT写市场报告技巧分享ChatGPT写市场报告技巧分享
上一篇
ChatGPT写市场报告技巧分享
美图秀秀如何调整图片尺寸和像素
下一篇
美图秀秀如何调整图片尺寸和像素
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    344次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    406次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    404次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    366次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    187次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码