6. GC 調優(工具篇)
進行GC性能調優時, 需要明確瞭解, 當前的GC行爲對系統和用戶有多大的影響。有多種監控GC的工具和方法, 本章將逐一介紹常用的工具。
JVM 在程序執行的過程中, 提供了GC行爲的原生數據。那麼, 我們就可以利用這些原生數據來生成各種報告。原生數據(raw data) 包括:
- 各個內存池的當前使用情況,
- 各個內存池的總容量,
- 每次GC暫停的持續時間,
- GC暫停在各個階段的持續時間。
可以通過這些數據算出各種指標, 例如: 程序的內存分配率, 提升率等等。本章主要介紹如何獲取原生數據。 後續的章節將對重要的派生指標(derived metrics)展開討論, 並引入GC性能相關的話題。
JMX API
從 JVM 運行時獲取GC行爲數據, 最簡單的辦法是使用標準 JMX API 接口. JMX是獲取 JVM內部運行時狀態信息 的標準API. 可以編寫程序代碼, 通過 JMX API 來訪問本程序所在的JVM，也可以通過JMX客戶端執行(遠程)訪問。
最常見的 JMX客戶端是 JConsole 和 JVisualVM (可以安裝各種插件,十分強大)。兩個工具都是標準JDK的一部分, 而且很容易使用. 如果使用的是 JDK 7u40 及更高版本, 還可以使用另一個工具: Java Mission Control( 大致翻譯爲 Java控制中心, jmc.exe)。
JVisualVM安裝MBeans插件的步驟: 通過 工具(T) — 插件(G) — 可用插件 — 勾選VisualVM-MBeans — 安裝 — 下一步 — 等待安裝完成…… 其他插件的安裝過程基本一致。
所有 JMX客戶端都是獨立的程序,可以連接到目標JVM上。目標JVM可以在本機, 也可能是遠端JVM. 如果要連接遠端JVM, 則目標JVM啓動時必須指定特定的環境變量,以開啓遠程JMX連接/以及端口號。 示例如下:
java -Dcom.sun.management.jmxremote.port=5432 com.yourcompany.YourApp
在此處, JVM 打開端口5432以支持JMX連接。
通過 JVisualVM 連接到某個JVM以後, 切換到 MBeans 標籤, 展開 “java.lang/GarbageCollector” . 就可以看到GC行爲信息, 下圖是 JVisualVM 中的截圖:
下圖是Java Mission Control 中的截圖:
從以上截圖中可以看到兩款垃圾收集器。其中一款負責清理年輕代(PS Scavenge)，另一款負責清理老年代(PS MarkSweep); 列表中顯示的就是垃圾收集器的名稱。可以看到 , jmc 的功能和展示數據的方式更強大。
對所有的垃圾收集器, 通過 JMX API 獲取的信息包括:
- CollectionCount : 垃圾收集器執行的GC總次數,
- CollectionTime: 收集器運行時間的累計。這個值等於所有GC事件持續時間的總和,
- LastGcInfo: 最近一次GC事件的詳細信息。包括 GC事件的持續時間(duration), 開始時間(startTime) 和 結束時間(endTime), 以及各個內存池在最近一次GC之前和之後的使用情況,
- MemoryPoolNames: 各個內存池的名稱,
- Name: 垃圾收集器的名稱
- ObjectName: 由JMX規範定義的 MBean的名字,,
- Valid: 此收集器是否有效。本人只見過 “
true“的情況 (^_^)
根據經驗, 這些信息對GC的性能來說,不能得出什麼結論. 只有編寫程序, 獲取GC相關的 JMX 信息來進行統計和分析。 在下文可以看到, 一般也不怎麼關注 MBean , 但 MBean 對於理解GC的原理倒是挺有用的。
JVisualVM
JVisualVM 工具的 “VisualGC” 插件提供了基本的 JMX客戶端功能, 還實時顯示出 GC事件以及各個內存空間的使用情況。
Visual GC 插件常用來監控本機運行的Java程序, 比如開發者和性能調優專家經常會使用此插件, 以快速獲取程序運行時的GC信息。
左側的圖表展示了各個內存池的使用情況: Metaspace/永久代, 老年代, Eden區以及兩個存活區。
在右邊, 頂部的兩個圖表與 GC無關, 顯示的是 JIT編譯時間 和 類加載時間。下面的6個圖顯示的是內存池的歷史記錄, 每個內存池的GC次數,GC總時間, 以及最大值，峯值, 當前使用情況。
再下面是 HistoGram, 顯示了年輕代對象的年齡分佈。至於對象的年齡監控(objects tenuring monitoring), 本章不進行講解。
與純粹的JMX工具相比, VisualGC 插件提供了更友好的界面, 如果沒有其他趁手的工具, 請選擇VisualGC. 本章接下來會介紹其他工具, 這些工具可以提供更多的信息, 以及更好的視角. 當然, 在“Profilers(分析器)”一節中，也會介紹 JVisualVM 的適用場景 —— 如: 分配分析(allocation profiling), 所以我們絕不會貶低哪一款工具, 關鍵還得看實際情況。
jstat
jstat 也是標準JDK提供的一款監控工具(Java Virtual Machine statistics monitoring tool),可以統計各種指標。既可以連接到本地JVM,也可以連到遠程JVM. 查看支持的指標和對應選項可以執行 “jstat -options” 。例如:
+-----------------+---------------------------------------------------------------+
| Option | Displays... |
+-----------------+---------------------------------------------------------------+
|class | Statistics on the behavior of the class loader |
|compiler | Statistics on the behavior of the HotSpot Just-In-Time com- |
| | piler |
|gc | Statistics on the behavior of the garbage collected heap |
|gccapacity | Statistics of the capacities of the generations and their |
| | corresponding spaces. |
|gccause | Summary of garbage collection statistics (same as -gcutil), |
| | with the cause of the last and current (if applicable) |
| | garbage collection events. |
|gcnew | Statistics of the behavior of the new generation. |
|gcnewcapacity | Statistics of the sizes of the new generations and its corre- |
| | sponding spaces. |
|gcold | Statistics of the behavior of the old and permanent genera- |
| | tions. |
|gcoldcapacity | Statistics of the sizes of the old generation. |
|gcpermcapacity | Statistics of the sizes of the permanent generation. |
|gcutil | Summary of garbage collection statistics. |
|printcompilation | Summary of garbage collection statistics. |
+-----------------+---------------------------------------------------------------+
jstat 對於快速確定GC行爲是否健康非常有用。啓動方式爲: “jstat -gc -t PID 1s” , 其中,PID 就是要監視的Java進程ID。可以通過 jps 命令查看正在運行的Java進程列表。
jps
jstat -gc -t 2428 1s
以上命令的結果, 是 jstat 每秒向標準輸出輸出一行新內容, 比如:
Timestamp S0C S1C S0U S1U EC EU OC OU MC MU CCSC CCSU YGC YGCT FGC FGCT GCT
200.0 8448.0 8448.0 8448.0 0.0 67712.0 67712.0 169344.0 169344.0 21248.0 20534.3 3072.0 2807.7 34 0.720 658 133.684 134.404
201.0 8448.0 8448.0 8448.0 0.0 67712.0 67712.0 169344.0 169343.2 21248.0 20534.3 3072.0 2807.7 34 0.720 662 134.712 135.432
202.0 8448.0 8448.0 8102.5 0.0 67712.0 67598.5 169344.0 169343.6 21248.0 20534.3 3072.0 2807.7 34 0.720 667 135.840 136.559
203.0 8448.0 8448.0 8126.3 0.0 67712.0 67702.2 169344.0 169343.6 21248.0 20547.2 3072.0 2807.7 34 0.720 669 136.178 136.898
204.0 8448.0 8448.0 8126.3 0.0 67712.0 67702.2 169344.0 169343.6 21248.0 20547.2 3072.0 2807.7 34 0.720 669 136.178 136.898
205.0 8448.0 8448.0 8134.6 0.0 67712.0 67712.0 169344.0 169343.5 21248.0 20547.2 3072.0 2807.7 34 0.720 671 136.234 136.954
206.0 8448.0 8448.0 8134.6 0.0 67712.0 67712.0 169344.0 169343.5 21248.0 20547.2 3072.0 2807.7 34 0.720 671 136.234 136.954
207.0 8448.0 8448.0 8154.8 0.0 67712.0 67712.0 169344.0 169343.5 21248.0 20547.2 3072.0 2807.7 34 0.720 673 136.289 137.009
208.0 8448.0 8448.0 8154.8 0.0 67712.0 67712.0 169344.0 169343.5 21248.0 20547.2 3072.0 2807.7 34 0.720 673 136.289 137.009
稍微解釋一下上面的內容。參考 jstat manpage , 我們可以知道:
- jstat 連接到 JVM 的時間, 是JVM啓動後的 200秒。此信息從第一行的 “Timestamp” 列得知。繼續看下一行, jstat 每秒鐘從JVM 接收一次信息, 也就是命令行參數中 “
1s“ 的含義。 - 從第一行的 “YGC” 列得知年輕代共執行了34次GC, 由 “FGC” 列得知整個堆內存已經執行了 658次 full GC。
- 年輕代的GC耗時總共爲
0.720 秒, 顯示在“YGCT” 這一列。 - Full GC 的總計耗時爲
133.684 秒, 由“FGCT”列得知。 這立馬就吸引了我們的目光, 總的JVM 運行時間只有 200 秒, 但其中有 66% 的部分被 Full GC 消耗了。
再看下一行, 問題就更明顯了。
- 在接下來的一秒內共執行了 4 次 Full GC。參見 “FGC“ 列.
- 這4次 Full GC 暫停佔用了差不多 1秒的時間(根據 FGCT列的差得知)。與第一行相比, Full GC 耗費了
928 毫秒, 即92.8%的時間。 - 根據 “OC 和 “OU” 列得知, 整個老年代的空間爲
169,344.0 KB(“OC“), 在 4 次 Full GC 後依然佔用了169,344.2 KB(“OU“)。用了928ms的時間卻只釋放了 800 字節的內存, 怎麼看都覺得很不正常。
只看這兩行的內容, 就知道程序出了很嚴重的問題。繼續分析下一行, 可以確定問題依然存在,而且變得更糟。
JVM幾乎完全卡住了(stalled), 因爲GC佔用了90%以上的計算資源。GC之後, 所有的老代空間仍然還在佔用。事實上, 程序在一分鐘以後就掛了, 拋出了 “java.lang.OutOfMemoryError: GC overhead limit exceeded” 錯誤。
可以看到, 通過 jstat 能很快發現對JVM健康極爲不利的GC行爲。一般來說, 只看 jstat 的輸出就能快速發現以下問題:
- 最後一列 “GCT”, 與JVM的總運行時間 “Timestamp” 的比值, 就是GC 的開銷。如果每一秒內, “GCT“ 的值都會明顯增大, 與總運行時間相比, 就暴露出GC開銷過大的問題. 不同系統對GC開銷有不同的容忍度, 由性能需求決定, 一般來講, 超過
10%的GC開銷都是有問題的。 - “YGC” 和 “FGC” 列的快速變化往往也是有問題的徵兆。頻繁的GC暫停會累積,並導致更多的線程停頓(stop-the-world pauses), 進而影響吞吐量。
- 如果看到 “OU” 列中,老年代的使用量約等於老年代的最大容量(OC), 並且不降低的話, 就表示雖然執行了老年代GC, 但基本上屬於無效GC。
GC日誌(GC logs)
通過日誌內容也可以得到GC相關的信息。因爲GC日誌模塊內置於JVM中, 所以日誌中包含了對GC活動最全面的描述。 這就是事實上的標準, 可作爲GC性能評估和優化的最真實數據來源。
GC日誌一般輸出到文件之中, 是純 text 格式的, 當然也可以打印到控制檯。有多個可以控制GC日誌的JVM參數。例如,可以打印每次GC的持續時間, 以及程序暫停時間(-XX:+PrintGCApplicationStoppedTime), 還有GC清理了多少引用類型(-XX:+PrintReferenceGC)。
要打印GC日誌, 需要在啓動腳本中指定以下參數:
-XX:+PrintGCTimeStamps -XX:+PrintGCDateStamps -XX:+PrintGCDetails -Xloggc:<filename>
以上參數指示JVM: 將所有GC事件打印到日誌文件中, 輸出每次GC的日期和時間戳。不同GC算法輸出的內容略有不同. ParallelGC 輸出的日誌類似這樣:
199.879: [Full GC (Ergonomics) [PSYoungGen: 64000K->63998K(74240K)] [ParOldGen: 169318K->169318K(169472K)] 233318K->233317K(243712K), [Metaspace: 20427K->20427K(1067008K)], 0.1473386 secs] [Times: user=0.43 sys=0.01, real=0.15 secs]
200.027: [Full GC (Ergonomics) [PSYoungGen: 64000K->63998K(74240K)] [ParOldGen: 169318K->169318K(169472K)] 233318K->233317K(243712K), [Metaspace: 20427K->20427K(1067008K)], 0.1567794 secs] [Times: user=0.41 sys=0.00, real=0.16 secs]
200.184: [Full GC (Ergonomics) [PSYoungGen: 64000K->63998K(74240K)] [ParOldGen: 169318K->169318K(169472K)] 233318K->233317K(243712K), [Metaspace: 20427K->20427K(1067008K)], 0.1621946 secs] [Times: user=0.43 sys=0.00, real=0.16 secs]
200.346: [Full GC (Ergonomics) [PSYoungGen: 64000K->63998K(74240K)] [ParOldGen: 169318K->169318K(169472K)] 233318K->233317K(243712K), [Metaspace: 20427K->20427K(1067008K)], 0.1547695 secs] [Times: user=0.41 sys=0.00, real=0.15 secs]
200.502: [Full GC (Ergonomics) [PSYoungGen: 64000K->63999K(74240K)] [ParOldGen: 169318K->169318K(169472K)] 233318K->233317K(243712K), [Metaspace: 20427K->20427K(1067008K)], 0.1563071 secs] [Times: user=0.42 sys=0.01, real=0.16 secs]
200.659: [Full GC (Ergonomics) [PSYoungGen: 64000K->63999K(74240K)] [ParOldGen: 169318K->169318K(169472K)] 233318K->233317K(243712K), [Metaspace: 20427K->20427K(1067008K)], 0.1538778 secs] [Times: user=0.42 sys=0.00, real=0.16 secs]
在 “04. GC算法:實現篇” 中詳細介紹了這些格式, 如果對此不瞭解, 可以先閱讀該章節。
分析以上日誌內容, 可以得知:
- 這部分日誌截取自JVM啓動後200秒左右。
- 日誌片段中顯示, 在
780毫秒以內, 因爲垃圾回收 導致了5次 Full GC 暫停(去掉第六次暫停,這樣更精確一些)。 - 這些暫停事件的總持續時間是
777毫秒, 佔總運行時間的 99.6%。 - 在GC完成之後, 幾乎所有的老年代空間(
169,472 KB)依然被佔用(169,318 KB)。
通過日誌信息可以確定, 該應用的GC情況非常糟糕。JVM幾乎完全停滯, 因爲GC佔用了超過99%的CPU時間。 而GC的結果是, 老年代空間仍然被佔滿, 這進一步肯定了我們的結論。 示例程序和jstat 小節中的是同一個, 幾分鐘之後系統就掛了, 拋出 “java.lang.OutOfMemoryError: GC overhead limit exceeded” 錯誤, 不用說, 問題是很嚴重的.
從此示例可以看出, GC日誌對監控GC行爲和JVM是否處於健康狀態非常有用。一般情況下, 查看 GC 日誌就可以快速確定以下症狀:
- GC開銷太大。如果GC暫停的總時間很長, 就會損害系統的吞吐量。不同的系統允許不同比例的GC開銷, 但一般認爲, 正常範圍在
10%以內。 - 極個別的GC事件暫停時間過長。當某次GC暫停時間太長, 就會影響系統的延遲指標. 如果延遲指標規定交易必須在
1,000 ms內完成, 那就不能容忍任何超過1000毫秒的GC暫停。 - 老年代的使用量超過限制。如果老年代空間在 Full GC 之後仍然接近全滿, 那麼GC就成爲了性能瓶頸, 可能是內存太小, 也可能是存在內存泄漏。這種症狀會讓GC的開銷暴增。
可以看到,GC日誌中的信息非常詳細。但除了這些簡單的小程序, 生產系統一般都會生成大量的GC日誌, 純靠人工是很難閱讀和進行解析的。
GCViewer
我們可以自己編寫解析器, 來將龐大的GC日誌解析爲直觀易讀的圖形信息。 但很多時候自己寫程序也不是個好辦法, 因爲各種GC算法的複雜性, 導致日誌信息格式互相之間不太兼容。那麼神器來了: GCViewer。
GCViewer 是一款開源的GC日誌分析工具。項目的 GitHub 主頁對各項指標進行了完整的描述. 下面我們介紹最常用的一些指標。
第一步是獲取GC日誌文件。這些日誌文件要能夠反映系統在性能調優時的具體場景. 假若運營部門(operational department)反饋: 每週五下午,系統就運行緩慢, 不管GC是不是主要原因, 分析週一早晨的日誌是沒有多少意義的。
獲取到日誌文件之後, 就可以用 GCViewer 進行分析, 大致會看到類似下面的圖形界面:
使用的命令行大致如下:
java -jar gcviewer_1.3.4.jar gc.log
當然, 如果不想打開程序界面,也可以在後面加上其他參數,直接將分析結果輸出到文件。
命令大致如下:
java -jar gcviewer_1.3.4.jar gc.log summary.csv chart.png
以上命令將信息彙總到當前目錄下的 Excel 文件 summary.csv 之中, 將圖形信息保存爲 chart.png 文件。
點擊下載: gcviewer的jar包及使用示例 。
上圖中, Chart 區域是對GC事件的圖形化展示。包括各個內存池的大小和GC事件。上圖中, 只有兩個可視化指標: 藍色線條表示堆內存的使用情況, 黑色的Bar則表示每次GC暫停時間的長短。
從圖中可以看到, 內存使用量增長很快。一分鐘左右就達到了堆內存的最大值. 堆內存幾乎全部被消耗, 不能順利分配新對象, 並引發頻繁的 Full GC 事件. 這說明程序可能存在內存泄露, 或者啓動時指定的內存空間不足。
從圖中還可以看到 GC暫停的頻率和持續時間。30秒之後, GC幾乎不間斷地運行,最長的暫停時間超過1.4秒。
在右邊有三個選項卡。“Summary(摘要)” 中比較有用的是 “Throughput”(吞吐量百分比) 和 “Number of GC pauses”(GC暫停的次數), 以及“Number of full GC pauses”(Full GC 暫停的次數). 吞吐量顯示了有效工作的時間比例, 剩下的部分就是GC的消耗。
以上示例中的吞吐量爲 6.28%。這意味着有 93.72% 的CPU時間用在了GC上面. 很明顯系統所面臨的情況很糟糕 —— 寶貴的CPU時間沒有用於執行實際工作, 而是在試圖清理垃圾。
下一個有意思的地方是“Pause”(暫停)選項卡:
“Pause” 展示了GC暫停的總時間,平均值,最小值和最大值, 並且將 total 與minor/major 暫停分開統計。如果要優化程序的延遲指標, 這些統計可以很快判斷出暫停時間是否過長。另外, 我們可以得出明確的信息: 累計暫停時間爲 634.59 秒, GC暫停的總次數爲 3,938 次, 這在11分鐘/660秒的總運行時間裏那不是一般的高。
更詳細的GC暫停彙總信息, 請查看主界面中的 “Event details” 標籤:
從“Event details” 標籤中, 可以看到日誌中所有重要的GC事件彙總: 普通GC停頓 和 Full GC 停頓次數, 以及併發執行數, 非 stop-the-world 事件等。此示例中, 可以看到一個明顯的地方, Full GC 暫停嚴重影響了吞吐量和延遲, 依據是: 3,928 次 Full GC, 暫停了634秒。
可以看到, GCViewer 能用圖形界面快速展現異常的GC行爲。一般來說, 圖像化信息能迅速揭示以下症狀:
- 低吞吐量。當應用的吞吐量下降到不能容忍的地步時, 有用工作的總時間就大量減少. 具體有多大的 “容忍度”(tolerable) 取決於具體場景。按照經驗, 低於 90% 的有效時間就值得警惕了, 可能需要好好優化下GC。
- 單次GC的暫停時間過長。只要有一次GC停頓時間過長,就會影響程序的延遲指標. 例如, 延遲需求規定必須在 1000 ms以內完成交易, 那就不能容忍任何一次GC暫停超過1000毫秒。
- 堆內存使用率過高。如果老年代空間在 Full GC 之後仍然接近全滿, 程序性能就會大幅降低, 可能是資源不足或者內存泄漏。這種症狀會對吞吐量產生嚴重影響。
業界良心 —— 圖形化展示的GC日誌信息絕對是我們重磅推薦的。不用去閱讀冗長而又複雜的GC日誌,通過容易理解的圖形, 也可以得到同樣的信息。
分析器(Profilers)
下面介紹分析器(profilers, Oracle官方翻譯是:抽樣器)。相對於前面的工具, 分析器只關心GC中的一部分領域. 本節我們也只關注分析器相關的GC功能。
首先警告 —— 不要認爲分析器適用於所有的場景。分析器有時確實作用很大, 比如檢測代碼中的CPU熱點時。但某些情況使用分析器不一定是個好方案。
對GC調優來說也是一樣的。要檢測是否因爲GC而引起延遲或吞吐量問題時, 不需要使用分析器. 前面提到的工具( jstat 或 原生/可視化GC日誌)就能更好更快地檢測出是否存在GC問題. 特別是從生產環境中收集性能數據時, 最好不要使用分析器, 因爲性能開銷非常大。
如果確實需要對GC進行優化, 那麼分析器就可以派上用場了, 可以對 Object 的創建信息一目瞭然. 換個角度看, 如果GC暫停的原因不在某個內存池中, 那就只會是因爲創建對象太多了。 所有分析器都能夠跟蹤對象分配(via allocation profiling), 根據內存分配的軌跡, 讓你知道 實際駐留在內存中的是哪些對象。
分配分析能定位到在哪個地方創建了大量的對象. 使用分析器輔助進行GC調優的好處是, 能確定哪種類型的對象最佔用內存, 以及哪些線程創建了最多的對象。
下面我們通過實例介紹3種分配分析器: hprof, JVisualVM 和 AProf。實際上還有很多分析器可供選擇, 有商業產品,也有免費工具, 但其功能和應用基本上都是類似的。
hprof
hprof 分析器內置於JDK之中。 在各種環境下都可以使用, 一般優先使用這款工具。
要讓 hprof 和程序一起運行, 需要修改啓動腳本, 類似這樣:
java -agentlib:hprof=heap=sites com.yourcompany.YourApplication
在程序退出時,會將分配信息dump(轉儲)到工作目錄下的 java.hprof.txt 文件中。使用文本編輯器打開, 並搜索 “SITES BEGIN” 關鍵字, 可以看到:
SITES BEGIN (ordered by live bytes) Tue Dec 8 11:16:15 2015
percent live alloc'ed stack class
rank self accum bytes objs bytes objs trace name
1 64.43% 4.43% 8370336 20121 27513408 66138 302116 int[]
2 3.26% 88.49% 482976 20124 1587696 66154 302104 java.util.ArrayList
3 1.76% 88.74% 241704 20121 1587312 66138 302115 eu.plumbr.demo.largeheap.ClonableClass0006
... 部分省略 ...
SITES END
從以上片段可以看到, allocations 是根據每次創建的對象數量來排序的。第一行顯示所有對象中有 64.43% 的對象是整型數組(int[]), 在標識爲 302116 的位置創建。搜索 “TRACE 302116” 可以看到:
TRACE 302116:
eu.plumbr.demo.largeheap.ClonableClass0006.<init>(GeneratorClass.java:11)
sun.reflect.GeneratedConstructorAccessor7.newInstance(<Unknown Source>:Unknown line)
sun.reflect.DelegatingConstructorAccessorImpl.newInstance(DelegatingConstructorAccessorImpl.java:45)
java.lang.reflect.Constructor.newInstance(Constructor.java:422)
現在, 知道有 64.43% 的對象是整數數組, 在 ClonableClass0006 類的構造函數中, 第11行的位置, 接下來就可以優化代碼, 以減少GC的壓力。
Java VisualVM
本章前面的第一部分, 在監控 JVM 的GC行爲工具時介紹了 JVisualVM , 本節介紹其在分配分析上的應用。
JVisualVM 通過GUI的方式連接到正在運行的JVM。 連接上目標JVM之後 :
- 打開 “工具” —> “選項” 菜單, 點擊 性能分析(Profiler) 標籤, 新增配置, 選擇 Profiler 內存, 確保勾選了 “Record allocations stack traces”(記錄分配棧跟蹤)。
- 勾選 “Settings”(設置) 複選框, 在內存設置標籤下,修改預設配置。
- 點擊 “Memory”(內存) 按鈕開始進行內存分析。
- 讓程序運行一段時間,以收集關於對象分配的足夠信息。
- 單擊下方的 “Snapshot”(快照) 按鈕。可以獲取收集到的快照信息。
完成上面的步驟後, 可以得到類似這樣的信息:
上圖按照每個類被創建的對象數量多少來排序。看第一行可以知道, 創建的最多的對象是 int[] 數組. 鼠標右鍵單擊這行, 就可以看到這些對象都在哪些地方創建的:
與 hprof 相比, JVisualVM 更加容易使用 —— 比如上面的截圖中, 在一個地方就可以看到所有int[] 的分配信息, 所以多次在同一處代碼進行分配的情況就很容易發現。
AProf
最重要的一款分析器,是由 Devexperts 開發的 AProf。 內存分配分析器 AProf 也被打包爲 Java agent 的形式。
用 AProf 分析應用程序, 需要修改 JVM 啓動腳本,類似這樣:
java -javaagent:/path-to/aprof.jar com.yourcompany.YourApplication
重啓應用之後, 工作目錄下會生成一個 aprof.txt 文件。此文件每分鐘更新一次, 包含這樣的信息:
========================================================================================================================
TOTAL allocation dump for 91,289 ms (0h01m31s)
Allocated 1,769,670,584 bytes in 24,868,088 objects of 425 classes in 2,127 locations
========================================================================================================================
Top allocation-inducing locations with the data types allocated from them
------------------------------------------------------------------------------------------------------------------------
eu.plumbr.demo.largeheap.ManyTargetsGarbageProducer.newRandomClassObject: 1,423,675,776 (80.44%) bytes in 17,113,721 (68.81%) objects (avg size 83 bytes)
int[]: 711,322,976 (40.19%) bytes in 1,709,911 (6.87%) objects (avg size 416 bytes)
char[]: 369,550,816 (20.88%) bytes in 5,132,759 (20.63%) objects (avg size 72 bytes)
java.lang.reflect.Constructor: 136,800,000 (7.73%) bytes in 1,710,000 (6.87%) objects (avg size 80 bytes)
java.lang.Object[]: 41,079,872 (2.32%) bytes in 1,710,712 (6.87%) objects (avg size 24 bytes)
java.lang.String: 41,063,496 (2.32%) bytes in 1,710,979 (6.88%) objects (avg size 24 bytes)
java.util.ArrayList: 41,050,680 (2.31%) bytes in 1,710,445 (6.87%) objects (avg size 24 bytes)
... cut for brevity ...
上面的輸出是按照 size 進行排序的。可以看出, 80.44% 的 bytes 和 68.81% 的 objects 是在 ManyTargetsGarbageProducer.newRandomClassObject() 方法中分配的。 其中, int[] 數組佔用了 40.19% 的內存, 是最大的一個。
繼續往下看, 會發現 allocation traces(分配痕跡)相關的內容, 也是以 allocation size 排序的:
Top allocated data types with reverse location traces
------------------------------------------------------------------------------------------------------------------------
int[]: 725,306,304 (40.98%) bytes in 1,954,234 (7.85%) objects (avg size 371 bytes)
eu.plumbr.demo.largeheap.ClonableClass0006.: 38,357,696 (2.16%) bytes in 92,206 (0.37%) objects (avg size 416 bytes)
java.lang.reflect.Constructor.newInstance: 38,357,696 (2.16%) bytes in 92,206 (0.37%) objects (avg size 416 bytes)
eu.plumbr.demo.largeheap.ManyTargetsGarbageProducer.newRandomClassObject: 38,357,280 (2.16%) bytes in 92,205 (0.37%) objects (avg size 416 bytes)
java.lang.reflect.Constructor.newInstance: 416 (0.00%) bytes in 1 (0.00%) objects (avg size 416 bytes)
... cut for brevity ...
可以看到, int[] 數組的分配, 在 ClonableClass0006 構造函數中繼續增大。
和其他工具一樣, AProf 揭露了 分配的大小以及位置信息(allocation size and locations), 從而能夠快速找到最耗內存的部分。在我們看來, AProf 是最有用的分配分析器, 因爲它只專注於內存分配, 所以做得最好。 當然, 這款工具是開源免費的, 資源開銷也最小。
原文鏈接: GC Tuning: Tooling