Java 虚拟机优化指南：CMS垃圾回收器参数调优与性能监控工具详解

Java 虚拟机优化指南：CMS垃圾回收器参数调优与性能监控工具详解

引言

在高并发、大流量的企业级Java应用中，JVM参数的调优对系统性能至关重要。合理的JVM配置不仅能提高应用响应速度，还能减少垃圾回收造成的停顿时间，提升用户体验。本文将深入探讨CMS垃圾回收器的核心参数及其在大型电商系统中的优化策略，同时介绍几款实用的JVM监控与调优工具。

CMS垃圾回收器概述

CMS (Concurrent Mark Sweep) 是一种以获取最短回收停顿时间为目标的老年代垃圾回收器。CMS采用"标记-清除"算法，并且大部分工作是和应用线程一起并发执行的，仅在初始标记和重新标记阶段需要短暂停顿应用线程。

CMS核心参数详解

基础参数

  • -XX:+UseConcMarkSweepGC：启用CMS垃圾回收器
  • -XX:ConcGCThreads：并发GC线程数，通常设置为CPU核心数的1/4到1/2
  • -XX:+UseCMSCompactAtFullCollection：在Full GC后进行碎片整理，减少内存碎片
  • -XX:CMSFullGCsBeforeCompaction：设定多少次Full GC后进行一次碎片整理，默认值为0（表示每次Full GC后都进行整理）

触发条件参数

  • -XX:CMSInitiatingOccupancyFraction：老年代使用率达到该阈值时触发CMS GC，默认为92（表示92%）
  • -XX:+UseCMSInitiatingOccupancyOnly：只使用设定的回收阈值（由CMSInitiatingOccupancyFraction参数指定），如不设置此参数，JVM仅在第一次使用设定值，后续会根据运行情况动态调整

性能优化参数

  • -XX:+CMSScavengeBeforeRemark：在CMS GC的重新标记阶段前先执行一次minor GC，降低重新标记阶段的工作量和停顿时间
  • -XX:+CMSParallellnitialMarkEnabled：在初始标记阶段使用多线程并行执行，缩短停顿时间
  • -XX:+CMSParallelRemarkEnabled：在重新标记阶段使用多线程并行执行，缩短停顿时间

亿级流量电商系统JVM参数优化案例

大型电商系统通常分为多个子系统部署，如商品系统、库存系统、订单系统、促销系统和会员系统等。以核心的订单系统为例，针对8G内存的服务器，可分配4G内存给JVM。

优化思路与过程

初始配置
-Xms3072M -Xmx3072M -Xss1M -XX:MetaspaceSize=256M -XX:MaxMetaspaceSize=256M -XX:SurvivorRatio=8

这个配置可能会因动态对象年龄判断机制导致对象过早进入老年代，从而引发频繁的Full GC。

优化配置1：明确指定年轻代大小
-Xms3072M -Xmx3072M -Xmn2048M -Xss1M -XX:MetaspaceSize=256M -XX:MaxMetaspaceSize=256M -XX:SurvivorRatio=8

通过明确指定年轻代大小为2048M，降低了对象因动态年龄判断而频繁进入老年代的问题。JVM调优的核心思路是让短期存活对象尽量留在Survivor区，避免进入老年代导致Full GC。

优化配置2：调整对象晋升老年代的条件
-Xms3072M -Xmx3072M -Xmn2048M -Xss1M -XX:MetaspaceSize=256M -XX:MaxMetaspaceSize=256M -XX:SurvivorRatio=8
-XX:MaxTenuringThreshold=5 -XX:PretenureSizeThreshold=1M
  • MaxTenuringThreshold=5：将对象晋升到老年代的年龄阈值从默认的15降为5。结合实际业务场景，minor GC通常每二三十秒发生一次，大多数对象几秒内就会变为垃圾。经过5次minor GC（约1-2分钟）仍存活的对象，可认为是长期存活对象，适合移至老年代。
  • PretenureSizeThreshold=1M：超过1M的大对象直接在老年代分配，避免这类对象在Eden区和Survivor区之间复制，提高效率。
优化配置3：切换到ParNew+CMS收集器
-Xms3072M -Xmx3072M -Xmn2048M -Xss1M -XX:MetaspaceSize=256M -XX:MaxMetaspaceSize=256M -XX:SurvivorRatio=8
-XX:MaxTenuringThreshold=5 -XX:PretenureSizeThreshold=1M -XX:+UseParNewGC -XX:+UseConcMarkSweepGC
-XX:CMSInitiatingOccupancyFraction=92 -XX:+UseCMSCompactAtFullCollection -XX:CMSFullGCsBeforeCompaction=3

当内存较大（经验值为超过4G）且系统对停顿时间敏感时，建议使用ParNew+CMS组合替代默认的Parallel收集器。

  • CMSInitiatingOccupancyFraction=92：保持默认值，老年代使用率达到92%时触发CMS GC
  • UseCMSCompactAtFullCollection：在Full GC后进行碎片整理
  • CMSFullGCsBeforeCompaction=3：每3次Full GC后进行一次碎片整理

优化分析

在电商系统中，老年代中的对象主要包括：

  • Spring容器中的Bean
  • 线程池对象
  • 初始化缓存数据
  • 突发流量下产生的临时对象

通过合理配置年轻代大小和对象晋升条件，可以确保大多数临时对象在minor GC时被回收，只有真正长期存活的对象才进入老年代。在秒杀或大促期间，可能会有更多对象晋升到老年代，但通过上述配置，Full GC的频率可控制在半小时到一小时一次，且可能发生在流量高峰过后，对用户体验影响较小。

JVM调优工具详解

Java提供了多种调优工具帮助开发者分析和优化应用性能：

jstat (Java Statistics Monitoring Tool)

功能：监控Java应用运行时状态，尤其是GC相关的统计信息。

常用命令：

  • jstat -gc <pid> <interval> <count>：定期显示GC相关的堆内存和元空间使用情况
    S0C    S1C    S0U    S1U      EC       EU        OC         OU       MC     MU     CCSC   CCSU   YGC     YGCT    FGC    FGCT     GCT 
1024.0 1024.0  0.0   985.1  10240.0   5672.9    20480.0    15214.5   27648.0 26983.5 3584.0 3286.5     11    0.122   2      0.277    0.399
  • jstat -gcutil <pid> <interval> <count>：定期显示GC的百分比使用情况
    S0     S1     E      O      M     CCS    YGC     YGCT    FGC    FGCT     GCT 
0.00  96.20  55.40  74.29  97.60  91.70     11    0.122     2    0.277    0.399
  • jstat -class <pid>：显示类加载和卸载的统计信息

适用场景：

  • 监控GC行为，观察各代内存使用变化趋势
  • 分析内存泄漏或GC性能问题
  • 评估当前JVM参数配置的有效性

jmap (Java Memory Map)

功能：生成Java进程的内存快照，或查看内存使用情况。

常用命令：

  • jmap -heap <pid>：显示Java堆的详细信息，包括各代内存使用情况和GC算法
    Heap Configuration:
   MinHeapFreeRatio         = 40
   MaxHeapFreeRatio         = 70
   MaxHeapSize              = 3221225472 (3072.0MB)
   NewSize                  = 2147483648 (2048.0MB)
   MaxNewSize               = 2147483648 (2048.0MB)
   OldSize                  = 1073741824 (1024.0MB)
   NewRatio                 = 2
   SurvivorRatio            = 8
   ...
  • jmap -histo[:live] <pid>：显示堆中对象的直方图，添加:live参数时只统计存活对象
    num     #instances         #bytes  class name
----------------------------------------------
   1:        189981       45283000  [C
   2:        107433       11311720  java.lang.String
   3:         11251        5760960  [I
   ...
  • jmap -dump:format=b,file=heapdump.hprof <pid>：生成堆转储文件，用于后续分析

适用场景：

  • 分析内存使用情况，找出占用内存最多的对象类型
  • 生成堆转储文件，使用Eclipse MAT等工具进行深入分析
  • 排查内存泄漏问题

jinfo (Java Configuration Info)

功能：查看和修改Java进程的JVM参数。

常用命令：

  • jinfo <pid>：显示当前JVM的配置信息
  • jinfo -flag <flag_name> <pid>：查看特定JVM参数的当前值
    -XX:MaxHeapSize=3221225472
  • jinfo -flag [+|-]<flag_name> <pid>：动态启用或禁用某个JVM标志（仅支持部分参数）

适用场景：

  • 在运行时查看JVM配置，验证参数是否生效
  • 动态调整支持热修改的JVM参数，无需重启应用
  • 诊断排查JVM参数相关的问题

jstack (Java Stack Trace)

功能：生成Java进程的线程转储，显示所有线程的堆栈跟踪信息。

常用命令：

  • jstack <pid>：生成线程转储并输出到控制台
  • jstack -l <pid>：生成线程转储，包含锁信息和监视器信息
    "main" #1 prio=5 os_prio=0 tid=0x00007f8a54009800 nid=0x1234 waiting on condition [0x00007f8a5e123000]
   java.lang.Thread.State: WAITING (parking)
      at sun.misc.Unsafe.park(Native Method)
      ...

适用场景：

  • 分析线程死锁问题
  • 排查线程阻塞或CPU占用过高的问题
  • 了解应用的线程使用情况和线程状态分布

综合使用策略

在实际调优过程中，通常需要结合使用多种工具：

  1. 内存泄漏分析流程：

    • 使用jstat长期监控GC频率和各代内存使用情况
    • 发现老年代内存持续增长且GC无法回收时，使用jmap生成堆转储
    • 使用Eclipse MAT等工具分析堆转储，找出内存泄漏根源

  2. 线程问题分析流程：

    • 使用top -Hp <pid>找出CPU使用率高的Java线程
    • 将线程ID转换为十六进制：printf "%x\n" <tid>
    • 使用jstack生成线程转储，查找对应十六进制ID的线程
    • 分析线程状态、执行堆栈和锁竞争情况

  3. JVM参数优化流程：

    • 使用jinfo查看当前JVM参数配置
    • 使用jstat监控GC行为，评估调优效果
    • 根据监控结果调整JVM参数，如年轻代大小、GC触发阈值等
    • 使用jmap -heap验证参数变更是否生效

最佳实践与建议

  1. 内存分配原则：

    • 一般将可用物理内存的50%-70%分配给JVM
    • 年轻代内存通常占JVM堆内存的1/3到1/2
    • 调整Survivor比例，确保Eden区足够大，Survivor区能容纳Minor GC后存活的对象

  2. 对象晋升策略：

    • 根据应用对象生命周期特点，合理设置MaxTenuringThreshold
    • 对于瞬态业务（如电商秒杀），可适当降低该值，如设为5-8
    • 对于稳定业务，可使用默认值15或调高，减少对象晋升到老年代的可能性

  3. CMS参数调优：

    • CMSInitiatingOccupancyFraction设置需平衡GC频率和内存利用率
    • 高并发系统可适当降低该值（如70-80），提前触发GC，避免并发失败
    • 配合CMSScavengeBeforeRemark参数，减少重新标记阶段停顿时间

  4. 碎片整理策略：

    • 根据Full GC频率设置CMSFullGCsBeforeCompaction
    • 对于频繁Full GC的系统，可设置为较大值，减少碎片整理带来的停顿
    • 对于Full GC较少的系统，可设为较小值，保持内存紧凑

结语

JVM调优是一个持续优化的过程，需要根据应用特点和业务场景不断调整。通过合理配置CMS垃圾回收器参数，结合丰富的监控工具，可以显著提升Java应用的性能和稳定性。在实际调优过程中，应建立完善的监控体系，持续跟踪系统性能指标，及时发现并解决潜在问题。希望本文对您的JVM调优工作有所帮助！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/984611.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

探索在生成扩散模型中基于RAG增强生成的实现与未来

探索在生成扩散模型中基于RAG增强生成的实现与未来

概述 像 Stable Diffusion、Flux 这样的生成扩散模型&#xff0c;以及 Hunyuan 等视频模型&#xff0c;都依赖于在单一、资源密集型的训练过程中通过固定数据集获取的知识。任何在训练之后引入的概念——被称为 知识截止——除非通过 微调 或外部适应技术&#xff08;如 低秩适…
阅读更多...
OpenAI API模型ChatGPT各模型功能对比，o1、o1Pro、GPT-4o、GPT-4.5调用次数限制附ChatGPT订阅教程

OpenAI API模型ChatGPT各模型功能对比，o1、o1Pro、GPT-4o、GPT-4.5调用次数限制附ChatGPT订阅教程

本文包含OpenAI API模型对比页面以及ChatGPT各模型功能对比表 - 截至2025最新整理数据&#xff1a;包含模型分类及描述&#xff1b;调用次数限制&#xff1b; 包含模型的类型有&#xff1a; Chat 模型&#xff08;如 GPT-4o、GPT-4.5、GPT-4&#xff09;专注于对话&#xff0c…
阅读更多...
【时间序列聚类】Feature-driven Time Series Clustering（特征驱动的时间序列聚类）

【时间序列聚类】Feature-driven Time Series Clustering（特征驱动的时间序列聚类）

文章目录 1.文章介绍2.问题背景3.拟解决的问题4.主要贡献5.提出的方法5.1模型pipeline5.2特征抽取和选择5.3图渲染和社区检测5.4共现矩阵的构建5.5对共现矩阵进行聚类 6.实验6.1模型设置6.2实验结果6.3消融实验 7.结论8.个人观点9.Reference 1.文章介绍 论文出处&#xff1a;ED…
阅读更多...
采用内存局部性分配有什么好处？

采用内存局部性分配有什么好处？

内存分配时的局部性分配&#xff08;Locality of Allocation&#xff09;是指将相关的内存对象分配在相邻或相近的内存区域中。这种分配策略在现代计算机系统中具有显著的好处&#xff0c;主要体现在以下几个方面&#xff1a; 1. 提高缓存命中率 现代计算机系统依赖于多级缓存…
阅读更多...
Fast DDS Security--秘钥交换

Fast DDS Security--秘钥交换

Fast DDS Security模块中默认使用Diffie-Hellman算法进行秘钥交换。Diffie-Hellman 算法&#xff08;简称 DH 算法&#xff09;是一个非常重要的加密协议&#xff0c;用于在不安全的通信通道中安全地交换密钥。该算法通过利用数学中的离散对数问题来生成共享密钥&#xff0c;使…
阅读更多...
3.3.5 VO-O语法- 高级语法

3.3.5 VO-O语法- 高级语法

VO语言还提供了一些个性化的高级语法特性&#xff0c;这些语法特性有别于传统的编程语言。但可以更好的帮助开发者实现高效、稳定的生产级数据流程。 调度运行 在现行的编程语言中&#xff0c;调度运行不在语法表示范围之内。这属于具体的代码实现逻辑。但在VO语言设计中&…
阅读更多...
NLP文本分析之依存句法分析（理论及技术实践）

NLP文本分析之依存句法分析（理论及技术实践）

引言 在自然语言处理&#xff08;NLP&#xff09;领域中&#xff0c;理解句子的语法结构是实现语义理解的基础。依存句法分析&#xff08;Dependency Parsing&#xff09; 作为句法分析的核心任务之一&#xff0c;通过揭示句子中词语之间的依存关系&#xff0c;为机器翻译、信…
阅读更多...
LeetCode hot 100—爬楼梯

LeetCode hot 100—爬楼梯

题目 假设你正在爬楼梯。需要 n 阶你才能到达楼顶。 每次你可以爬 1 或 2 个台阶。你有多少种不同的方法可以爬到楼顶呢&#xff1f; 示例 示例 1&#xff1a; 输入&#xff1a;n 2 输出&#xff1a;2 解释&#xff1a;有两种方法可以爬到楼顶。 1. 1 阶 1 阶 2. 2 阶 示例…
阅读更多...
RoboVQA：机器人多模态长范围推理

RoboVQA：机器人多模态长范围推理

23 年 11 月来自 Google Deepmind 的论文“RoboVQA: Multimodal Long-Horizon Reasoning for Robotics”。 本文提出一种可扩展、自下而上且本质多样化的数据收集方案&#xff0c;该方案可用于长期和中期的高级推理&#xff0c;与传统的狭窄自上而下的逐步收集相比&#xff0c…
阅读更多...
WWDG窗口看门狗原理

WWDG窗口看门狗原理

WWDG&#xff08;窗口看门狗&#xff09;在窗口期喂狗 作用&#xff1a; 原理&#xff1a; 框图 WWDG寄存器&#xff1a; WWDG_CR控制寄存器 WWDG_CFR配置寄存器 状态寄存器WWDG_SR 超时时间计算公式 最小最大超时值 HAL配置函数&#xff1a; 1. IWDG 和 WWDG 的区别 IWDG&…
阅读更多...
基于Flink SQL的实时指标多维分析模型

基于Flink SQL的实时指标多维分析模型

数据流程介绍 1.创建源表kafka接入消息队列数据&#xff0c;定义字段映射规则&#xff1b; 2.创建目标表es_sink配置Elasticsearch输出&#xff1b; 3.通过多级视图&#xff08;tmp→tmp_dedup→tmp1/tmp2→tmp3→tmp_groupby&#xff09;实现数据清洗、去重、状态计算&#x…
阅读更多...
超分之DeSRA

超分之DeSRA

Desra: detect and delete the artifacts of gan-based real-world super-resolution models.DeSRA&#xff1a;检测并消除基于GAN的真实世界超分辨率模型中的伪影Xie L, Wang X, Chen X, et al.arXiv preprint arXiv:2307.02457, 2023. 摘要 背景&#xff1a; GAN-SR模型虽然…
阅读更多...
UIToolkit（一）

UIToolkit（一）

1 前言 UI Toolkit 是一种基于 Web 技术的 GUI 框架&#xff0c;是为了解决 UGUI 效率问题而设计的新一代 UI 系统&#xff08;UGUI 的介绍详见→UGUI概述&#xff09;。与 UGUI 不同&#xff0c;UI Toolkit 没有采用 GameObject 的方式&#xff0c;而是参考了 Web 技术的 XML …
阅读更多...
Unsloth - 微调 Phi-4 + 修复 Bug

Unsloth - 微调 Phi-4 + 修复 Bug

文章目录 Phi-4 错误修复1、分词器错误修复2、微调错误修复3、聊天模板问题 &#x1f4a1; 我们的问题修复有效吗&#xff1f;&#x1f999; Llama-fication&#x1f9a5; 动态 4 位量化&#x1f6e0;️ Finetuning Phi-4性能基准测试 本文翻译自&#xff1a;Phi-4 Finetuning …
阅读更多...
多视图几何--对极几何--从0-1理解对极几何

多视图几何--对极几何--从0-1理解对极几何

1对极几何 1.1本质矩阵 1.1.1几何约束与推导 如图所示&#xff0c;物体点 P P P&#xff0c;图像点 p 1 , p 2 p_1,p_2 p1​,p2​,相机中心 o 1 , o 2 o_1,o_2 o1​,o2​五点共面的关系称为对极几何。 o 1 , o 2 o_1,o_2 o1​,o2​连线称为基线&#xff0c;其与图像的交点称为…
阅读更多...
SpringBoot3.3.0集成Knife4j4.5.0实战

SpringBoot3.3.0集成Knife4j4.5.0实战

原SpringBoot2.7.18升级至3.3.0之后&#xff0c;Knife4j进行同步升级(Spring Boot 3 只支持OpenAPI3规范)&#xff0c;从原3.0.3(knife4j-spring-boot-starter)版本升级至4.5.0(knife4j-openapi3-jakarta-spring-boot-starter)&#xff0c;以下是升级过程与注意事项等 版本信息…
阅读更多...
一招解决Pytorch GPU版本安装慢的问题

一招解决Pytorch GPU版本安装慢的问题

Pytorch是一个流行的深度学习框架&#xff0c;广泛应用于计算机视觉、自然语言处理等领域。安装Pytorch GPU版本可以充分利用GPU的并行计算能力&#xff0c;加速模型的训练和推理过程。接下来&#xff0c;我们将详细介绍如何在Windows操作系统上安装Pytorch GPU版本。 查看是否…
阅读更多...
Linux——system V共享内存

Linux——system V共享内存

共享内存区是最快的IPC(进程内通信)形式&#xff0c;不再通过执行进入内核的系统调用来传递彼此的数据 1.共享内存的原理 IPC通信的本质是让不同的进程先看到同一份资源&#xff0c;然后再进行通信&#xff0c;所以想要通过共享内存进行通信&#xff0c;那么第一步一定是让两个…
阅读更多...
初识数组

初识数组

数组的大概内容(自学)上篇 数组的创建和赋值 创建&#xff1a; int [] name new int [5]; int name [] new int [5]; int [] name {1,2.3,4,5}; 赋值&#xff1a; int [] score {1,2,3}; int [] score new int [] {1,2,3}; int [] score;//声明 score new int []…
阅读更多...
OSPF-单区域的配置

OSPF-单区域的配置

一、单区域概念&#xff1a; 单区域OSPF中&#xff0c;整个网络被视为一个区域&#xff0c;区域ID通常为0&#xff08;骨干区域&#xff09;。所有的路由器都在这个区域内交换链路状态信息。 补充知识点&#xff1a; OSPF为何需要loopback接口&#xff1a; 1.Loopback接口的…
阅读更多...
最新文章

Copyright @ 2022~2023