快速识别指令重排 / 线程不安全代码 识别方案

总前置判断口诀(先记这句)

多线程共用静态 / 实例共享变量,不加 volatile、不加锁、不做局部快照拷贝 → 100% 存在线程不安全 + 指令重排风险

一、一眼识别【指令重排高危特征代码】(8 条,高频模板)

只要出现下面任意一种代码形态,直接判定存在重排漏洞

1. 共享引用分步初始化(DCL 同款重排)

特征:static 引用先 new 对象,再给对象内部字段赋值

static Data data;
void init(){
    data = new Data();
    data.x = 10; // 重排:引用先暴露,字段未赋值
}

识别标记:共享引用 = new 对象 + 连续对象属性赋值,两行分开写

2. 布尔标记变量,线程循环判断,无 volatile

特征:static boolean 做启停标记,子线程 while 循环判断

static boolean stop = false;
void run(){
    while(!stop){}
}

识别标记:全局布尔标记 + 死循环读取,无 volatile 修饰

3. 两个独立共享变量,先写 A 再写 B,另一个线程先读 B 再读 A

static int a;
static boolean flag;
void write(){
    a = 1;
    flag = true;
}
void read(){
    if(flag) print(a);
}

识别标记:两个无 volatile 共享变量,一写两段赋值,一读条件判断

4. 多全局数值参与计算,直接在线读取,不拷贝局部快照

static int a,b,c;
int calc(){
    int r1 = a*b;
    int r2 = b*c;
    return r1+r2;
}

识别标记:多处重复读取 static 变量,没有统一先拷贝到局部变量

5. 锁外读写共享变量,临界区只包裹部分逻辑

static int num;
void op(){
    num = 10; // 锁外写共享变量,会和锁内代码重排
    synchronized(this){
        // 业务
    }
}

识别标记:同步块前后存在共享变量读写

6. 异步线程、CompletableFuture 直接捕获外部 static 变量

static long flag;
void async(){
    flag = 99;
    CompletableFuture.runAsync(()->print(flag));
}

识别标记:主线程修改全局变量,立刻丢给异步线程读取

7. 数组 / 集合全局引用,分步赋值内部元素

static int[] arr = new int[2];
void set(){
    arr[0] = 1;
    arr[1] = 2;
}

识别标记:全局数组,逐下标赋值,无同步 /volatile

8. new 对象作为返回值,直接 return 分步构造

static User user;
User getUser(){
    User u = new User();
    u.id = 1;
    u.name = "test";
    return u;
}

识别标记:局部对象分步赋值后直接暴露给共享 / 返回

二、一眼识别【线程不安全通用特征】(12 条,覆盖并发所有坑)

1. 共享变量类(最容易出现)

  1. Service 单例实例变量(非 static 也危险)
@Service
public class BizService{
    private List<Order> tempList; // 实例成员,多线程共用
}

识别标记:Spring 单例 Bean 内定义集合、包装类、DTO 成员变量

  1. static 全局容器(List/Map),无并发类、无读写锁
static List<String> cache = new ArrayList<>();

标记:static + 普通集合,直接 add/remove

  1. ThreadLocal 使用完无 finally remove
ThreadLocal<User> tl = new ThreadLocal<>();
void handle(){
    tl.set(user);
    // 无finally清理
}

标记:set 之后没有 try-finally 包裹 remove

2. 复合操作无原子性

  1. 共享变量自增 i++、+=、-=
static int count = 0;
void add(){ count++; }

标记:共享变量自增 / 复合赋值,无 Atomic、无锁

  1. 先 get 再 set,两步操作修改共享缓存
Integer num = map.get(id);
map.put(id, num+1);

标记:查询 + 修改分两行,ConcurrentHashMap 也不安全

3. 可见性问题

  1. 共享数字 / 布尔无 volatile,多线程读写标记:static / 实例基础类型变量,多线程同时读写,没 volatile

  2. 循环读取全局变量,无任何同步措施标记:while/for 循环内反复读取实例 /static 变量

4. 集合遍历 / 修改

  1. ArrayList/HashMap 多线程同时 add、remove、遍历标记:普通集合,多线程写,无 CopyOnWrite、无锁

  2. 增强 for 循环遍历同时 remove 元素

for(String s : list){
    list.remove(s);
}

标记:增强 for + 集合删除,必抛并发修改异常

5. 异步 / 流式

  1. parallelStream 外部普通变量累加
AtomicInteger sum = new AtomicInteger();
list.parallelStream().forEach(sum::addAndGet);

标记:并行流操作外部可变变量(非原子也危险)

  1. 匿名内部类 Runnable 持有外部 this 大对象,常驻线程
new Thread(new Runnable(){
    @Override
    public void run(){
        while(true){} // 持有外部Service引用
    }
}).start();

标记:无限循环子线程 + 匿名内部类

  1. 多线程复用同一个 Wrapper、Page 对象
QueryWrapper<User> wrapper = new QueryWrapper<>();
// 多线程共用同一个wrapper查询

标记:非线程安全工具类全局复用

三、快速排查三步法(编码审查自查流程,30 秒定位)

第一步:找出所有「多线程可同时访问」的变量

筛选三类高危变量:

  1. static 静态变量(全局所有线程共享)
  2. Spring 单例 Service/Controller 的实例成员变量
  3. ThreadLocal、全局缓存集合、异步捕获的外部变量

第二步:判断操作是否存在「多步拆分读写」

满足任意一条 = 重排风险:

  1. 先写变量 A,再写变量 B;
  2. 先读变量 A,再读变量 B;
  3. 对象引用先赋值,再填充内部字段;
  4. 同一共享变量多处分开读取(计算重复读取);
  5. 写操作后立刻交给异步 / 子线程读取。

第三步:检查是否有「屏障 / 快照 / 锁」防护

无下面任意一种修复手段 → 确定漏洞:

  1. 变量加 volatile;
  2. 全部读写被 synchronized/Lock 包裹;
  3. 读取前统一拷贝到局部变量(快照隔离);
  4. 使用原子类 AtomicInteger/AtomicReference;
  5. 读写分离,不共享可变对象。

四、极简记忆口诀(背诵版,快速复盘)

重排识别口诀

静态引用分步赋值,标记循环无 volatile;两变量先后读写,计算重复读全局;锁内外读写共享值,异步捕获全局变量;数组逐一分段赋值,全是重排高危代码。

线程不安全识别口诀

单例成员存集合,static 容器无并发;自增复合两步改,本地线程忘清除;普通集合多线程写,增强 for 里删元素;并行流改外部变量,匿名线程持 this;全局包装循环读,无锁无 volatile 必出事。

五、无风险安全代码对照(反向记忆)

  1. 共享变量统一拷贝局部再计算(快照隔离,防重排)
  2. 全局布尔标记加 volatile
  3. 对象先局部完整初始化,最后赋值共享引用
  4. 多线程修改使用 Atomic 原子类
  5. 读写共享变量统一加锁包裹完整逻辑
  6. ThreadLocal try-finally 强制 remove
  7. 单例不定义可变实例集合,临时 List 全部方法内新建
内容概要:本文围绕联邦卡尔曼滤波(Federated Kalman Filter)、集中式滤波和分布式卡尔曼滤波(Decentralized Kalman Filter)展开系统性研究,重点探讨了这三种滤波架构在多传感器系统中的轨迹估计性能与适用场景。通过Matlab代码实现,对三类滤波方法在滤波精度、计算效率、容错能力及通信负载等方面进行了对比分析,深入剖析了联邦滤波在保证各子系统独立性的同时实现全局状态一致估计的优势。研究结合雷达、水下机器人、飞行器等典型应用场景,验证了算法在复杂动态环境下的鲁棒性与适应性,展示了多源信息融合中同架构的权衡与选择依据。; 适合人群:具备一定信号处理、控制理论基础和Matlab编程能力,从事导航、传感融合、自动化、机器人或相关领域研究的研发人员及研究生。; 使用场景及目标:①比较联邦式、集中式与分布式卡尔曼滤波在多源信息融合中的性能差异与适用条件;②为无人机、水下航行器等多传感器系统设计高效可靠的状态估计方案;③学习并复现联邦卡尔曼滤波的Matlab实现方法,掌握其信息融合机制; 阅读建议:此资源以Matlab代码为核心,强调理论与实践深度融合,建议读者在理解滤波算法原理的基础上,动手运行、调试代码,深入探究同系统参数、噪声设定和融合策略对滤波性能的影响,从而真正掌握多传感器状态估计的设计精髓。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值