哈喽,大家好,我是指北君。
最近项目一直在跑性能测试,看到程序的MinorGC频率增高, 每分钟GC时间增大,心里总是会忐忑,待会儿不会又有503吧。
前言
对于Java程序员来说,GC总是绕不过去的一个知识点,总有那么一刻必然会用到这些内容。
只是书到用时方恨少,需要进行GC优化的时候再去看GC的每一步的详细内容也难以快速完成任务。之前我们也有写过关于GC的一些文章:
这一篇内容就只有满满的干货,可以说是拿来即用。下面我们废话少说,走起。
1.GC算法种类
目前OpenJDK中有以下几种常见的GC算法。
- Serial GC
- Parallel GC
- CMS GC (Concurrent Mark & Sweep)
- G1 GC
- Z GC
目前大多数的人使用Java8居多。如果没有明确指定GC算法,那么Java8会使用默认Parallel GC。 Java9开始 ,默认GC 是G1 GC算法。 Java 17 默认也是G1 GC,其中个别版本会有点差异。
下面是常用GC算法使用命令。
GC Algorithm | JVM argument |
---|---|
Serial GC | -XX:+UseSerialGC |
Parallel GC | -XX:+UseParallelGC |
CMS GC | -XX:+UseConcMarkSweepGC |
G1 GC | -XX:+UseG1GC |
ZGC | -XX:+UseZGC |
网上大多数人都对ZGC算法的性能比较称赞,如果是使用Java11以上的版本,那么可以考虑使用ZGC。奈何大多数同学们包括笔者都在Java8中久久不能自拔,所以我们这一篇就避开ZGC吧。
2. JVM的一些重要参数
JVM中的参数分为3类:
- 标准参数(-),所有的JVM都必须实现这些参数的功能,并且必须向后兼容. 如java -version等
- 非标准参数(-X),默认JVM实现这些功能,不保证所有的JVM都能使用,且不向后兼容。
- 非Stable参数(-XX),这些参数每个JVM实现都会不同,而且将来可能取消,需要谨慎使用
关于非标准参数,我们使用 java -X 命令 即可找到这些参数,
- -Xmn 新生代内存大小,包括E区和两个S区,使用方法如下:-Xmn65535,-Xmn2048k,-Xmn512m, -Xmn2g (-Xms,-Xmx 也是同一种写法)
- -Xms 初始堆的大小,堆大小的最小值,默认值是物理内存的1/64(小于1G), 默认情况下,如果堆中可用内存小于40%时(调整参数 -X:MinHeapFreeRatio=40),堆内存会开始增加,一直增加到-Xmx的大小
- -Xmx 堆的最大值,默认是物理内存的1/64,如果Xms和Xmx都不设置的话,两者的大小会相同,默认情况下,当堆中可用内存大于70%时(调整参数 -X:MaxHeapFreeRatio=70),堆内存会开始减少,一直减少到-Xms的大小
- -Xss 线程的栈内存,默认时1m, 如果项目使用lombok过多的情况下,编译的时候可能会有栈溢出,就需要配置多一点栈内存。
- -XX:MaxTeurningThreashold 新生代存活对象晋升到老年代的年龄阈值,对象头中存储age用了4个bit,所以其最大值为15。默认值是15,如果年轻代垃圾回收后总有一段时间内存的占用仍然保持在某一个高位,过一段时间恢复正常。那么可以适当降低年龄阈值,让存活对象更早的进入到老年代,提高年轻代的可用率。
3.使用哪种GC最合适
既然大多数同学都使用Java8,那么一定会在Parallel GC 和G1 GC中选择了。
关于那种GC最合适,我们下面分别来看看。
3.1 如果选择ParallelGC
ParallelGC是Java8的默认GC算法,对于新生代其使用Parallel Scavenge (复制算法),老年代垃圾回收则不同。
有两种组合:
- 使用 -XX:UseParallelGC 参数,新生代使用 Parallel Scavenge 垃圾回收算法 ,老年代使用PSMarkSweep(Serial Old)垃圾回收算法(标记-整理算法)。
- 使用 -XX:UseParallelOldGC 参数, 新生代使用 Parallel Scavenge 垃圾回收算法,老年代使用Parallel Old垃圾回收算法(标记整理算法)。
3.1.1 Parallel Scavenge
Parallel Scavenge 是新生代并行回收器,使用复制算法。主要关注的是吞吐量,吞吐量就是JVM运行期间非垃圾回收用时百分比。
Parallel Scavenge 收集器控制吞吐量有两个重要参数:
-
最大停顿时间 -XX:MaxGCPauseMills=100
其值为大于0的毫秒数,垃圾收集器尽可能保证回收的耗时不超过设定的值,但是并不是越小越好,如果值设置太小,那么GC的频率会提高,这样吞吐量就降低了。
-
控制吞吐量大小 -XX:GCTimeRatio=99
其值为0-100的整数,表示吞吐量,默认值是99,表示允许1%的垃圾回收时间占比。
-
-XX:UseAdaptiveSizePolicy 自动调节新生代大小比例
启用这个参数之后,JVM会根据当前系统运行情况收集监控信息,动态调整新生代的比例等等。如果设置了这个参数之后,就不需要在设置新生代大小,Eden以及 S0/S1的比例等参数。
3.1.2 Parallel Old
Parallel Old 是老年代垃圾回收器,负责Full GC ,是一个并行垃圾回收器,整理老年代的时候,是基于“标记-整理”算法,
Parallel Old算法分为3各部分,
- Mark: 将老年代的内存,划分为大小固定的多个连续的Region,标记完存活对象之后,统计每个Region的存活对象数量。Mark阶段采用串行标记所有从GC Roots可直达的对象,并行标记所有存活的对象。
- Summary:某个Region的密度 = 存活对象的内存大小/Region内存大小,Summary阶段会从左向右计算各个Region的密度,然后找到一个平衡点,这个平衡点左侧的Region都不会进入下一个回收阶段,另外一侧的Region则需要进入到下一个阶段进行回收。相当于只回收部分Region,Summary阶段是串行执行阶段。
- Compaction:利用Summary阶段的统计数据,针对需要整理的部分,采用“整理”算法进行操作
- -XX:+ScavengeBeforeFullGC ScavengBeforeFullGC 是 Parallel GC中的一个参数,默认开启。其作用就是在一次FullGC之前先触发一次Young GC 来清理新生代,以降低Full GC时 STW的耗时,
3.1.3 ParallelGC调优
Parallel GC会尽量去满足如下目标:(优先级由高到低)
- 最大停顿时间目标
- 吞吐量目标
- 最小移动目标
对ParallelGC的调优,其目标应尽可能避免Full GC, 这就需要优化对象老年化的频率,
使用ParallelGC时,垃圾收集的资源开销应小于5%,如果已经减少到1%甚至更少,基本上已经达到极限了。
-
Survivor调优: ParallelGC可以自动调整Survivor空间,大部分的程序使用自动调整可以满足要求,个别应用在需要的情况下可以关闭自动调整,进行手动调整。
1
2-Xmn1024m //新生代大小 -XX:-UseAdaptiveSizePolicy //关闭自适应调整
-XX:SurvivorRatio 可以调整新生代中Survivor与Eden区的比例,例如-XX:SurvivorRatio=6表示S(From) : S(To) : Eden = 1: 1: 6 。其默认值为8
如果发现GC频率过高,整体新生代又太小,可以增大新生代的大小,从而降低YoungGC的频率和占用时间。
可以调小 SurvivorRatio的值,在整个新生代不变的情况下,会增大Survivor区的大小(From和To同时增大)。一般情况下Eden区的大小应该比Survivor大很多,如果大量对象都在一次YoungGC后就会回收清理,那么新生代Eden:From:To 为8:1:1就比较合适。如果说很大部分对象的年龄都超过1,即需要在Survivor的From,To中来回转换几次之后才能被回收,那么此时可以适当增大一下Survivor区的空间,并且可以将Survivor的空间使用率增大,避免对象年龄增长过快,从而被移动到老年代,造成FullGC。
1 |
|
-
并行线程的优化
1
-XX:ParallelGCThreads=<N>
此参数设置年轻代并行收集器的线程数,一般与CPU数量相等,过多的线程数量会影响垃圾回收以及整个程序的性能。
-
默认情况下,当CPU的数量小于8,其值等于CPU数量
-
CPU数量大于8个,其值等于3+5*CPU数量 / 8
-
-
最大停顿时间
1
-XX:MaxGCPauseMills=<N> //最大停顿时间,值大于0的毫秒数
垃圾收集器为了将最大停顿时间控制在此参数内,收集器会调整堆的大小和其他的参数。
对于用户体验,停顿越短越好,在服务端,会比较注重高并发和高吞吐量。
-
控制吞吐量大小
1
-XX:GCTimeRatio=99 //吞吐量
其值为0-100的整数,表示吞吐量,默认值是99,表示允许1%的垃圾回收时间占比。暂停时间越长,那么垃圾回收占用的时间比越大,可能会超过前面的设定比例。
总结
本篇主要讲了JVM的一些重要参数,还有ParallelGC常用的优化参数,下一篇会讲一下Garbage-First (G1)相关内容,敬请期待!