当前位置:首页 > 文章列表 > 文章 > java教程 > Java双亲委派模型:保障类加载安全与唯一性

Java双亲委派模型:保障类加载安全与唯一性

2026-04-01 22:23:14 0浏览 收藏
Java双亲委派模型并非继承关系,而是一条由Bootstrap、Ext和AppClassLoader通过parent字段构成的向上委托链,其核心价值在于保障类加载的安全性与唯一性——它确保如java.lang.String这样的核心类永远由启动类加载器加载,杜绝恶意替换;同时避免同一类被不同加载器重复加载导致ClassCastException等运行时错误。自定义类加载器必须显式维护委托逻辑(如调用super.loadClass),否则极易破坏机制引发故障;虽可在热部署、模块隔离等特殊场景下“打破”委派,但需谨慎设计包过滤策略,因为真正的安全防线不仅在于委派顺序,更在于JVM对核心包的硬性保护与字节码验证机制。

什么是Java中的双亲委派模型_类加载机制的安全性与唯一性保障

双亲委派不是继承关系,而是“委托链”

很多人一看到“双亲”就下意识以为是 Java 类的 extends 关系,其实完全不是——BootstrapClassLoader、ExtClassLoader、AppClassLoader 之间没有父子类继承,而是通过组合(parent 字段)构成一条向上的委托链。你自定义类加载器时,如果直接 new 一个 ClassLoader() 而不指定 parent,它的 parent 默认是 Thread.currentThread().getContextClassLoader(),而不是系统默认的 AppClassLoader,这点极易踩坑。

  • 检查委托链是否生效:调用 myLoader.getParent() 看返回值,别假设它自动连上了 AppClassLoader
  • 重写 loadClass(String name) 时,必须显式调用 super.loadClass(name) 或手动调用 parent.loadClass(name),否则双亲委派就断了
  • 不要重写 findClass(String name) 来做委托逻辑——它只负责“自己找字节码”,委托动作必须在 loadClass 中完成

为什么 java.lang.String 永远不会被你写的同名类替换

这不是 JVM 的“魔法”,而是双亲委派的刚性执行结果:当你调用 MyClassLoader.loadClass("java.lang.String"),请求会一路向上委派到 BootstrapClassLoader;它从 $JAVA_HOME/jre/lib/rt.jar(或 modules/java.base)中成功加载了真正的 String 类,并返回 Class 对象;你的类加载器根本没机会读取你项目里那个 java/lang/String.class 文件。

  • 哪怕你把恶意 String.class 放进 -Xbootclasspath/a:,启动类加载器仍可能优先加载原生版本(取决于 JDK 版本和模块系统行为)
  • 如果你用反射强行尝试 defineClass("java.lang.String", bytes, 0, bytes.length),JVM 会在验证阶段抛出 SecurityException: Prohibited package name: java.lang
  • 真正能绕过这层防护的,只有修改 JVM 启动参数(如 --patch-module)或使用 Instrumentation + agent,普通应用代码做不到

ClassCastException 的真实来源:同一个类被两个类加载器加载

这是双亲委派失效后最典型的运行时错误。比如 Web 容器中,两个 WAR 包都含 com.fasterxml.jackson.databind.ObjectMapper,但各自用独立的 WebAppClassLoader 加载,就会导致:A 应用传过来的 ObjectMapper 实例,在 B 应用里无法强转成同一类型——因为它们的 ClassLoader 不同,JVM 视为两个无关类。

  • 排查方法:打印出错类的 obj.getClass().getClassLoader() 和目标类型的 TargetClass.class.getClassLoader(),对比是否一致
  • 常见诱因:SPI 服务发现(如 ServiceLoader.load(X.class))默认用线程上下文类加载器(TCCL),而该加载器可能和当前类的加载器不一致
  • 修复方向:显式传入期望的类加载器,例如 ServiceLoader.load(X.class, MyClassLoader.class.getClassLoader())

想打破双亲委派?先确认你真需要它

绝大多数业务场景不该打破双亲委派。所谓“打破”,本质就是重写 loadClass 方法,把“先委派父类”改成“先自己找”。典型需求只有三类:热部署容器(如 Tomcat)、模块化框架(如 OSGi/Pandora)、或隔离不同版本的三方库(如同时用 log4j 1.x 和 2.x)。

  • Tomcat 的 WebAppClassLoader 是反双亲委派的:先查 WEB-INF/classes 和 WEB-INF/lib,找不到才委派给父加载器
  • 但注意:它对 java.*、javax.*、org.apache.catalina.* 等包做了白名单拦截,强制走父加载器,防止容器自身被污染
  • 自己实现时,务必加包名过滤逻辑,否则容易引发 NoClassDefFoundError 或核心类冲突
双亲委派的边界感很关键:它不控制“哪些类能被加载”,只控制“谁来加载”。真正决定安全性的,是类加载器自身的加载路径、字节码校验机制,以及 JVM 对 java.* 包的硬性保护。试图靠“绕过委派”来加载核心类,基本都会在验证阶段失败。

以上就是本文的全部内容了,是否有顺利帮助你解决问题?若是能给你带来学习上的帮助,请大家多多支持golang学习网!更多关于文章的相关知识,也可关注golang学习网公众号。

洗衣机洗完衣服有黑点怎么处理洗衣机洗完衣服有黑点怎么处理
上一篇
洗衣机洗完衣服有黑点怎么处理
国家政务服务平台官网入口及办理指南
下一篇
国家政务服务平台官网入口及办理指南
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。
    397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。
    478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。
    483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。
    428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。
    254次使用