当前位置:首页 > 文章列表 > 文章 > java教程 > Java virtual thread 阻塞调用的线程池迁移

Java virtual thread 阻塞调用的线程池迁移

来源:17golang原创 2026-10-28 11:27:33 0浏览 收藏

Java 阻塞调用迁移到 virtual thread,通常可以保留同步式业务代码,将任务交给每任务一个虚拟线程的执行器。但线程变轻并不意味着数据库、远程服务或内存容量同步扩大;原来由固定线程池间接限制的并发,需要重新明确。

官方文档:https://docs.oracle.com/en/java/javase/25/core/virtual-threads.html

我会先看等待时间,而不是先换所有线程池

以一个读取远程资料的服务为设计场景:任务大多等待 I/O,固定线程池排队较多,这类负载值得评估虚拟线程。本文是迁移方案说明,没有声称完成生产压测。我的判断是先区分等待型任务和长期占用 CPU 的计算任务,不把线程数增加当作算力增加。

虚拟线程正式 API 可用于 Java 21 及以后版本。本文引用 Java 25 文档,目标运行时、框架和驱动仍应按实际版本确认。迁移收益主要在并发承载,不是保证单次调用更快。

执行器按任务创建线程,调用方式仍可同步

newVirtualThreadPerTaskExecutor 为每个任务启动虚拟线程,不是固定大小的工作线程复用池。我不建议为了延续旧配置,就再把虚拟线程装进固定数量的池。应直接表达业务任务,并单独表达受限资源。

虚拟线程执行器与任务关系静态图
执行器结构图:任务与线程、调用对象的关系,不代表实际运行结果。

下面是供读者接入的原创类片段。执行器与资源许可由调用方在服务生命周期管理;下游 Callable 需要自行配置连接和读取等超时。16 是示例并发上限,不能直接当成生产建议。

import java.util.concurrent.*;

final class BlockingTasks {
    private final ExecutorService executor;
    private final Semaphore permits = new Semaphore(16);

    BlockingTasks(ExecutorService executor) {
        this.executor = executor;
    }

     Future submit(Callable downstream) {
        // 入站另设总量限制,避免无限积累等待许可的任务。
        return executor.submit(() -> {
            permits.acquire();
            try {
                // 只限制当前实例的下游调用并发。
                return downstream.call();
            } finally {
                // 仅在成功获取许可后进入此finally。
                permits.release();
            }
        });
    }
}

调用方以 Executors.newVirtualThreadPerTaskExecutor() 创建并共享执行器,初始化 BlockingTasks 一次,在服务停止时关闭执行器。不要每次请求重新构造这个类,否则每个实例都有自己的16份许可,无法形成服务级限制。多个服务实例的总并发还需要另行考虑。

把旧线程池承担的限制逐项找出来

Semaphore 约束正在访问下游的任务数,但不约束已经提交、正在等待许可的任务总数。我的取舍是同时保留入口准入、下游超时及合理的请求规模限制,而不是只加一个信号量就认为系统不会过载。

入口准入与下游资源限制静态关系图
资源边界结构图:任务总量与下游并发是不同的限制对象。
原有约束迁移后要明确的行为
工作线程数每任务线程与下游资源额度分开
排队容量入口准入和等待任务总量
连接池继续按下游容量配置
任务失败读取Future结果并处理异常

调用方用 Future.get 观察结果;任务抛出的异常通过 ExecutionException 暴露,不能提交后丢弃 Future。取消时需检查下游是否响应中断,不能把 cancel(true) 当成外部操作已回滚的证明。请求超时与执行器关闭也不是同一件事。

兼容、上下文与关闭值得单独安排

我会检查代码是否依赖线程池里的 ThreadLocal 来缓存昂贵资源。每任务线程模式下,这种缓存的数量可能随任务数增长,应该重新评估资源归属。事务、日志上下文以及框架执行模型也需要保留原有语义。

停止服务时先停止接收新任务,再按停机策略等待或取消已提交任务。执行器 close 的等待语义不等于一个固定时限;不能在每次请求里创建执行器,再以为请求超时后关闭操作一定立即返回。

评估时可以对照吞吐、尾延迟、等待任务量、连接池占用与堆内存。这里列的是读者可采用的观察项,不是本文已经测得的指标。若主要瓶颈是 CPU 或下游配额,换执行器可能不会解决它。

常见问题

能直接删除连接池吗?不能。线程轻量化不改变连接资源约束。

旧代码使用 synchronized 就一定要改吗?不能脱离 JDK 版本和实际阻塞行为一概而论,应查目标运行时资料并观察热点,本文不把旧版限制套到所有版本。

什么时候更适合小步迁移?已有大量线程上下文依赖、第三方驱动行为不清楚时,先选择一个清晰的阻塞调用边界,更容易解释问题和恢复旧配置。接口语义见Executors 官方 API。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
Java 结构化并发任务作用域的取消传播Java 结构化并发任务作用域的取消传播
上一篇
Java 结构化并发任务作用域的取消传播
Java ClassValue 怎样缓存与类关联的计算结果
下一篇
Java ClassValue 怎样缓存与类关联的计算结果
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。
    754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。
    752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。
    833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。
    799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。
    633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