博客
关于我
垃圾回收器细说---JVM(十四)
阅读量:495 次
发布时间:2019-03-07

本文共 1556 字,大约阅读时间需要 5 分钟。

JVM垃圾收集器深入理解

串行收集器(Serial GC)

串行收集器是JVM中最基础、历史悠久的垃圾收集器,曾是JDK1.3之前唯一的新生代垃圾收集选项。以下是其关键特性:

  • 工作机制:采用复制算法和“停止世界”(Stop-the-World)机制,执行内存回收。
  • 适用场景
    • 在Client模式下,HotSpot虚拟机的默认新生代垃圾收集器。
    • 适用于内存量较小(几十MB至一两百MB)的桌面应用场景,是选择的良好方案。
    • 性能优势:在单线程环境下,避免线程切换开销,实现最高单线程垃圾回收效率。
    • 配置建议:通过-XX:+UseSerialGC参数指定年轻代和老年代使用串行收集器。

    串行旧生代收集器(Serial Old GC)

    串行旧生代收集器是串行收集器在老年代垃圾回收中的版本,采用相同的串行回收和“停止世界”机制,使用标记-压缩算法。主要用途:

    • Client模式下的老年代垃圾回收默认选择。
    • Server模式中,与新生代的并行收集器配合使用,或作为CMS收集器的后备方案。

    并行收集器(Parallel GC)

    并行收集器是串行收集器的多线程版本,专门用于新生代垃圾回收,特点有:

  • 工作机制:采用复制算法和“停止世界”机制,同时支持并行回收。
  • 适用场景
    • 新生代垃圾回收,适合多CPU环境,充分利用多核资源。
    • 在服务器环境中,通过高吞吐量优化应用程序性能。
  • 性能优化:支持自适应调节策略,自动调整垃圾回收参数。
  • 配置建议
    • 使用-XX:+UseParallelGC手动指定新生代使用并行收集器。
    • 通过-XX:ParallelGCThreads设置并行回收线程数,默认与CPU核数一致。
  • 参数优化:使用-XX:+UseAdaptiveSizePolicy开启自适应调节策略,达到内存堆和吞吐量的平衡。
  • 吞吐量优先收集器(Parallel Scavenge)

    Parallel Scavenge收集器专注于高吞吐量,其主要特点是:

  • 工作机制:采用复制算法和并行回收,支持老年代的Parallel Old收集器。
  • 适用场景:适合需要长时间运行且对应用程序性能有严格要求的吞吐量优先场景。
  • 老年代垃圾回收:通过Parallel Old收集器,采用标记-压缩算法。
  • 优化优势:通过自动调节策略,平衡内存使用、吞吐量和停顿时间。
  • 默认配置:JDK8及以上版本默认使用Parallel Scavenge作为老年代垃圾收集器。
  • CMS收集器(Concurrent Mark Sweep GC)

    CMS收集器作为HotSpot虚拟机的第一款并发垃圾收集器,以低延迟著称:

  • 工作机制:采用标记-清除算法,并在并发清除阶段与用户线程同时运行,减少“停止世界”时间。
  • 适用场景:优化互联网站或B/S系统等高并发场景的服务响应速度。
  • 内存管理:通过动态 Adjustment 保证应用程序有足够内存可用,避免“Concurrent Mode Failure”失败。
  • 可选项参数
    • 设置-XX:CMS Initiating Occupancy Fraction老年代触发回收阈值。
    • 使用-XX:+UseCMSCompactAtFullCollection优化内存碎片。
    • 设置-XX:CMSFullGCsBeforeCompaction触发内存压缩次数。
    • 通过-XX:ParallelCMSThreads设置并发线程数,平衡性能与资源消耗。
  • 收集器选择与优化

    选择合适的垃圾收集器取决于具体需求:

  • 最小化内存占用与并行开销:选择Serial GC
  • 最大化吞吐量:选择Parallel GC
  • 最小化GC中断时间:选择CMS GC
  • 通过合理配置垃圾收集器参数,可以根据应用场景的具体需求平衡垃圾回收性能与应用性能,实现高效内存管理。

    转载地址:http://wuacz.baihongyu.com/

    你可能感兴趣的文章
    OpenCV与AI深度学习 | 实战 | 基于OpenCV和K-Means聚类实现颜色分割(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YoloV5和Mask RCNN实现汽车表面划痕检测(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YOLOv9+SAM实现动态目标检测和分割(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YOLOv9和OpenCV实现车辆跟踪计数(步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 文本图片去水印--同时保持文本原始色彩(附源码)
    查看>>
    OpenCV与AI深度学习 | 实战—使用YOLOv8图像分割实现路面坑洞检测(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战篇——基于YOLOv8和OpenCV实现车速检测(详细步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战|OpenCV实时弯道检测(详细步骤+源码)
    查看>>
    OpenCV与AI深度学习 | 实践教程|旋转目标检测模型-TensorRT 部署(C++)
    查看>>
    OpenCV与AI深度学习 | 工业缺陷检测中数据标注需要注意的几个事项
    查看>>
    OpenCV与AI深度学习 | 干货 | 深度学习模型训练和部署的基本步骤
    查看>>
    OpenCV与AI深度学习 | 手把手教你用Python和OpenCV搭建一个半自动标注工具(详细步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 水下检测+扩散模型:或成明年CVPR最大惊喜!
    查看>>
    OpenCV与AI深度学习 | 深度学习检测小目标常用方法
    查看>>
    OpenCV与AI深度学习 | 超越YOLOv10/11、RT-DETRv2/3!中科大D-FINE重新定义边界框回归任务
    查看>>
    OpenCV与AI深度学习 | 高效开源的OCR工具:Surya-OCR介绍与使用
    查看>>
    OpenCV与AI深度学习|16个含源码和数据集的计算机视觉实战项目(建议收藏!)
    查看>>
    Opencv中KNN背景分割器
    查看>>
    OpenCV中基于已知相机方向的透视变形
    查看>>
    OpenCV中的监督学习
    查看>>