在unix上做C的开发已经快2年了，一直在我们部门的一个主要产品项目组工作，该产品在市场上经受了一年半的考验，可以说已经是很成熟的产品了，该产品在大部分客户那里一直稳定的运行，没有任何问题，而在少数几个客户那里，时不时的出现整个系统的吊死，而且该问题没有任何规律可寻，除了系统吊死时候，我们对整个系统用pstack进行所有进程堆栈的跟踪记录外，我们没有任何其它线索，没有系统崩溃时候产生的CORE，我们开始面对来自客户强大的压力。。。。我们几乎喘不过起来，我们要给客户提交故障报告，而这些故障报告的问题都是这一个问题，这个问题开始成为悬在我们头上的一把利剑。
我开始被指派来解决这个问题。其实我们很早的就从进程的堆栈跟踪里知道这个问题是死锁问题，但是，它是怎么发生的那，我们几乎排查了整个系统的代码，但是一无所获。
在今年大年初一的时候，我们的系统又一次出现了该问题，当接到我们维护工程师的电话的时候，我的心情非常的沉重，我没有做到我作为一个程序员应有的职责，还是象往常一样，除了进程堆栈跟踪外，我没有任何其它线索，我还是照例接收邮件，查看我们维护工程师发回来的堆栈跟踪记录，可能是过年放假在家里休息了一段时间的缘故，脑袋好像特别清醒，面对堆栈跟踪记录，结合源码，我迅速的意识到造成死锁的原因是经典的竞态条件问题，是一个进程准备退出的时候，它会唤醒它里面的一个线程，该线程首先会获得一个锁，进行后续出来，然后解锁退出，但是由于该进程的主线程没有采用任何方式来等待该线程的退出，而是直接通过return的方式进行了退出，我们知道，当主线程退出的时候，操作系统会直接终止该进程里面的其它线程，不会留任何机会让那个线程做退出处理。而那个线程可能恰恰刚刚获的了锁，而还没来得及解锁，就被扼杀了，于是就造成了其它进程或线程再加这个锁的时候，就会被阻塞，系统死锁问题也就浮现了出来。
当然，我知道了是竞态条件问题造成了死锁，就会通过pthread_join来同步等待那个线程退出，来消除这个竞态条件，也就消除了死锁，问题其实也就解决了。但是，我们有没有办法来消除由于一个锁的owner没有释放该锁，就死掉了，其它线程再加这个锁的时候而造成的死锁问题那？
关于上面这个问题，我曾经请教过很多人，有的人想通过一个网络锁（就是加锁、解锁都要访问网络上的一台机器）来解决，但是这些方法都不成熟，也很复杂，也好像有高手对这个问题不屑。我通过搜集很多资料发现，原来解决这个问题非常的简单，简单的不能在简单了。
在很多系统上，当一个锁的owner没有释放该锁，就退出了，那么默认的方式就是其它线程再去加这个锁的时候，就会阻塞，造成死锁。而通过不同的属性初始化这个锁，我们能够改变这种默认的方式：
pthread_mutexattr_setprotocol(&mattr, PTHREAD_PRIO_INHERIT);
pthread_mutexattr_setrobust_np(&mattr,PTHREAD_MUTEX_ROBUST_NP);
通过设置锁的上面两个属性，我们就改变了默认的行为，当一个锁的owner死掉后，其它线程再去加这个锁的时候，不会被阻塞，而是通过返回值EOWNERDEAD来报告错误，那么你可以根据这个错误来进行处理：首先是应该调用pthread_mutex_consistent_np函数来恢复该锁的一致性，然后调用解锁pthread_mutex_unlock，接下来在调用加锁，这样该锁的行为就恢复正常了。如果上面这个函数在恢复锁的一致性时候没有成功，那么你只需要调用解锁函数就OK了，然后直接返回，而不要去调用加锁函数，那么接下来的线程在调用加锁函数的时候，会得到返回值ENOTRECOVERABLE，那么需要你做的就是调用pthread_mutex_destroy来destroy掉该锁，然后重新用锁的属性和锁的初始化函数来重新初始化该锁。
上面的这些解决死锁方式比较适合在系统中只有一个锁的情况，如果系统的死锁是由于多把锁的资源互相等待而造成的，那么这种解决方式无能为力。
注：上面有一些函数后面有np后缀的，表示not portable，就是不可移值的意思，这些函数是一些系统自己实现的，而不是POSIX标准。
jefen 于 2008-11-12 08:42:30发表:
谁能解释一下，竞态条件问题造成了死锁，为什么“只在少数几个客户那里，时不时的出现整个系统的吊死”？按我的理解，这种死锁现象应该是只要有该程序运行的地方都有可能出现的啊，不是很明白，谁能帮我解析一下，谢谢！