问题现象
在我们的系统中，使用了这样的配置来开启异步操作：
客户端开启异步代码如下：
@Async()
public Future calculateByLendId(int lendrequestId) {
// 标记1
// 调用REST服务；监控调用时间。
}
// 获取Future后的处理如下
try {
keplerOverdue = summay4Overdue.get(5, TimeUnit.SECONDS);
// 后续处理
} catch (Exception e) {
// 标记2
// 异常报警
}
然而在这种配置下，客户端在标记1处监控到的调用时间普遍在4s以内（平均时间不到1s，个别峰值请求会突破5s，全天超过5s的请求不到10个。然而，在标记2处捕获到的超时异常却非常多，一天接近700+。问题出在哪儿？
原因分析
上述问题相关代码的调用时序如下图所示。
其中，rest client 与rest server间的交互时间可以明确监控到，用时超过5s的非常少。但是，get方法却经常抛出超时异常。经过初步分析，问题出现在ThreadPoolTaskExecutor的任务调度过程中。
任务调度逻辑
使用
/**
* Executes the given task sometime in the future. The task
* may execute in a new thread or in an existing pooled thread.
*
* If the task cannot be submitted for execution, either because this
* executor has been shutdown or because its capacity has been reached,
* the task is handled by the current {@code RejectedExecutionHandler}.
*
* @param command the task to execute
* @throws RejectedExecutionException at discretion of
* {@code RejectedExecutionHandler}, if the task
* cannot be accepted for execution
* @throws NullPointerException if {@code command} is null
*/
public void execute(Runnable command) {
if (command == null)
throw new NullPointerException();
/*
* Proceed in 3 steps:
*
* 1. If fewer than corePoolSize threads are running, try to
* start a new thread with the given command as its first
* task. The call to addWorker atomically checks runState and
* workerCount, and so prevents false alarms that would add
* threads when it shouldn't, by returning false.
*
* 2. If a task can be successfully queued, then we still need
* to double-check whether we should have added a thread
* (because existing ones died since last checking) or that
* the pool shut down since entry into this method. So we
* recheck state and if necessary roll back the enqueuing if
* stopped, or start a new thread if there are none.
*
* 3. If we cannot queue task, then we try to add a new
* thread. If it fails, we know we are shut down or saturated
* and so reject the task.
*/
int c = ctl.get();
if (workerCountOf(c) < corePoolSize) {
if (addWorker(command, true))
return;
c = ctl.get();
}
if (isRunning(c) && workQueue.offer(command)) {
int recheck = ctl.get();
if (! isRunning(recheck) && remove(command))
reject(command);
else if (workerCountOf(recheck) == 0)
addWorker(null, false);
}
else if (!addWorker(command, false))
reject(command);
}
通过其中的注释，我们可以知道它的核心调度逻辑如下（省略了一些检查等方法）：
如果正在运行的线程数量小于corePoolSize（最小线程数），则尝试启动一个新线程，并将当入参command作为该线程的第一个task。否则进入步骤二。
如果没有按步骤1执行，那么尝试把入参command放入workQueue中。如果能成功入队，做后续处理；否则，进入步骤三。
如果没有按步骤2执行，那么将尝试创建一个新线程，然后做后续处理。
简单的说，当向ThreadPoolExecutor提交一个任务时，它会优先交给线程池中的现有线程；如果暂时没有可用的线程，那么它会将任务放到队列中；一般只有在队列满了的时候（导致无法成功入队），才会创建新线程来处理队列中的任务。顺带一说，任务入队后，在某些条件下也会创建新线程。但新线程不会立即执行当前任务，而是从队列中获取一个任务并开始执行。参见：http://www.infoq.com/cn/articles/java-threadPool
汇总分析
综上所述，我们可以确定以下信息：
根据系统的配置，ThreadPoolExecutor中的corePoolSize = 16。
-
在异步调度过程中，线程池数量没有增长（最多是16个）。
这一点是通过日志中的线程名称确认的。日志中，异步线程的id从executor-1、executor-2一直到executor-16，但17及以上的都没有出现过。
-
当并发数超过16时，ThreadPoolExecutor会按照步骤二进行任务调度，即把任务放入队列中，但没有及时创建新线程来执行这个任务。
这一点是推测。在后面的测试中会验证这一点。
-
队列中的任务出现积压、时间累积，导致某一个任务超时后，后续大量任务都超时。但是超时并没有阻止任务执行；任务仍然会继续通过rest client调用rest server，并被监控代码记录下时间。
任务在队列中积压、累积，是引发一天数百次异常、报警的原因。而监控代码并未监控到任务调度的时间，因此都没有出现超时。
模拟重现
模拟当线程池中工作线程数达到CorePoolSize、且任务数未达到queue-capacity时的情形。线程池配置如下，其中corePoolSize配置为2，queue-capacity配置为1000.
测试代码如下：
@Test
public void test_multi_thread() {
System.out.println("start");
for (int i = 0; i < 10; i++) {
new Thread(
() -> {
long start = System.currentTimeMillis();
System.out.println("committed.");
Future result =
BizOverdueCalculateServiceTest.
this.bizOverdueCalculateService.
calculateByLendId(1231);
System.out.println("to get. cost:"
+ (System.currentTimeMillis() - start));
start = System.currentTimeMillis();
try {
result.get(5, TimeUnit.SECONDS);
} catch (InterruptedException | ExecutionException
| TimeoutException e) {
e.printStackTrace();
}
System.out.println("getted. cost:"
+ (System.currentTimeMillis() - start));
}, "thread_" + i).start();
}
System.out.println("all started");
try {
Thread.sleep(10001);
} catch (InterruptedException e) {
e.printStackTrace();
}
}
其中bizOverdueCalculateService.calculateByLendId(1231)中的代码如下：
/**
* 按进件id试算。 *
* 结清日期默认为系统当前日期
*
* @param lendrequestId
* @return
*/
@Async("keplerRestExecutor")
public Future calculateByLendId(int lendrequestId) {
long start = System.currentTimeMillis();
Future f =
this.calculateByLendId(lendrequestId,
new Date());
System.out.println(Thread.currentThread().getName() + ", active count:"
+ this.keplerRestExecutor.getActiveCount() + ", queue size :"
+ this.keplerRestExecutor.getThreadPoolExecutor().getQueue().size()
+ " rest cost: " + (System.currentTimeMillis() - start));
return f;
}
根据上述分析，预计：
测试类并发的发起10个rest调用任务后，只有两个任务会被线程池中的工作线程立即执行，其它八个任务都进入队列。
线程池中始终只有两个工作线程。
队列中每个任务的执行时间都不超时，但执行过若干个任务后，后续任务全部超时。
实际输出如下：
全部提交后，只有两个线程在执行，其它8个任务全部在队列中：active count:2, queue size :8。
线程池中始终只有keplerRestExecutor-1、keplerRestExecutor-2两个线程。active count也始终为2。
任务的实际执行时间（rest cost）都在1s上下。但从第9（每次测试，这个数字会略有不同）个任务开始，result.get(5, TimeUnit.SECONDS)方法出现超时。
测试输出如下：
start
committed.
committed.
committed.
committed.
committed.
all started
committed.
committed.
committed.
committed.
committed.
to get. cost:37
to get. cost:33
to get. cost:33
to get. cost:37
to get. cost:37
to get. cost:33
to get. cost:37
to get. cost:33
to get. cost:37
to get. cost:35
keplerRestExecutor-1, active count:2, queue size :8 rest cost: 1437
getted. cost:1444
keplerRestExecutor-2, active count:2, queue size :7 rest cost: 1437
getted. cost:1444
keplerRestExecutor-1, active count:2, queue size :6 rest cost: 1155
getted. cost:2599
keplerRestExecutor-2, active count:2, queue size :5 rest cost: 1155
getted. cost:2600
keplerRestExecutor-1, active count:2, queue size :4 rest cost: 1140
getted. cost:3739
keplerRestExecutor-2, active count:2, queue size :3 rest cost: 1140
getted. cost:3740
keplerRestExecutor-1, active count:2, queue size :2 rest cost: 1176
getted. cost:4915
keplerRestExecutor-2, active count:2, queue size :1 rest cost: 1176
getted. cost:4916
java.util.concurrent.TimeoutException
getted. cost:5001
getted. cost:5001
at java.util.concurrent.FutureTask.get(FutureTask.java:205)
at cn.youcredit.thread.common.service.portfolio.BizOverdueCalculateServiceTest.lambda$0(BizOverdueCalculateServiceTest.java:99)
at cn.youcredit.thread.common.service.portfolio.BizOverdueCalculateServiceTest$$Lambda$21/648122621.run(Unknown Source)
at java.lang.Thread.run(Thread.java:745)
java.util.concurrent.TimeoutException
at java.util.concurrent.FutureTask.get(FutureTask.java:205)
at cn.youcredit.thread.common.service.portfolio.BizOverdueCalculateServiceTest.lambda$0(BizOverdueCalculateServiceTest.java:99)
at cn.youcredit.thread.common.service.portfolio.BizOverdueCalculateServiceTest$$Lambda$21/648122621.run(Unknown Source)
at java.lang.Thread.run(Thread.java:745)
keplerRestExecutor-1, active count:2, queue size :0 rest cost: 1175
keplerRestExecutor-2, active count:1, queue size :0 rest cost: 1175
rejection-policy的几种配置
rejection-policy是指当线程池中的工作线程和任务队列都达到饱和状态时、或者线程池已经关闭的情况下，线程池处理新的任务的规则。
| 配置值 | 基本含义 | 备注 |
|---|---|---|
| ABORT | 直接中断任务的提交动作 | 在主线程中抛出任务被拒绝异常。 |
| CALLER_RUNS | 由主线程来执行新的任务 | 异步操作会转换为同步操作 |
| DISCARD | 直接丢弃当前任务 | 在对当前任务进行get时，会出现超时异常。 |
| DISCARD_OLDEST | 丢弃任务队列中第一个任务 | 在关闭队列的情况下，会陷入“尝试丢弃队首任务-尝试入队-尝试丢弃-尝试入队” 的死循环中。 |
解决方案
针对线程数和队列大小，考虑方案有三：
提高初始线程数。
提高步并发的初始线程数（如将16-128调整为32-128）。以此减少新任务进入队列的几率。但是这个方案只是降低队列积压的风险，并不解决问题。
关闭队列。
将队列大小调整为0，以此保证每一个新任务都有一个新线程来执行。这个方案的问题在于，并发压力大时，可能导致线程不够用。此时的异步调用会根据rejection-policy="CALLER_RUNS"的配置而变为同步调用。
更换线程池。
使用优先创建新线程（而非优先入队列）的线程池。改动最大的方案。目前考虑：底层系统并发压力并不大；根据ELK的统计，最高并发大约也就30+rps。可以考虑在指定专用ThreadPoolTaskExecutor的前提下，关闭队列。
此外，rejection-policy的配置，考虑方案有二：
设定为CALLER_RUNS。
这种方式可以保证任务得到执行；但有可能会阻塞主线程。并且阻塞时间视REST调用时间而定。
设定为DISCARD。
这种方式实际上也会阻塞主线程，但是最长会阻塞5s。目前考虑：试算服务试运行期间设定为DISCARD，以免主线程阻塞时间过长。逾期试算服务完成性能优化、并且服务稳定之后，设定为CALLER_RUNS，以确保试算任务得到执行。
关闭队列方案测试代码
复用模拟重现中的测试代码，修改线程池配置如下
再次执行上测试代码。预计：
任务一经提交，就会创建10个工作线程来分别执行。
队列大小始终为0.
不会出现超时。
可能会出现后续任务中，active count 小于10的情况。
关闭队列后的日志输出
start
committed.
committed.
committed.
committed.
committed.
all started
committed.
committed.
committed.
committed.
committed.
to get. cost:3
to get. cost:7
to get. cost:7
to get. cost:3
to get. cost:7
to get. cost:7
to get. cost:7
to get. cost:7
to get. cost:4
to get. cost:4
keplerRestExecutor-7, active count:10, queue size :0 rest cost: 2177
getted. cost:2182
keplerRestExecutor-4, active count:9, queue size :0 rest cost: 2182
getted. cost:2187
keplerRestExecutor-9, active count:8, queue size :0 rest cost: 2185
getted. cost:2190
keplerRestExecutor-1, active count:7, queue size :0 rest cost: 2190
getted. cost:2196
keplerRestExecutor-3, active count:6, queue size :0 rest cost: 2191
getted. cost:2196
keplerRestExecutor-2, active count:5, queue size :0 rest cost: 2191
keplerRestExecutor-5, active count:4, queue size :0 rest cost: 2191
getted. cost:2196
getted. cost:2196
keplerRestExecutor-10, active count:3, queue size :0 rest cost: 2192
getted. cost:2197
keplerRestExecutor-8, active count:2, queue size :0 rest cost: 2192
getted. cost:2197
keplerRestExecutor-6, active count:1, queue size :0 rest cost: 2193
getted. cost:2198