您应该已经阅读了前面的章节:
GC 调优 (Tuning Garbage Collection) 和其他性能调优是同样的原理。初学者可能会被 200 多个 GC 参数弄得一头雾水, 然后随便调整几个来试试结果, 又或者修改几行代码来测试。其实只要参照下面的步骤,就能保证你的调优方向正确:
第一步, 我们需要做的事情就是: 制定明确的 GC 性能指标。对所有性能监控和管理来说, 有三个维度是通用的:
我们先讲解基本概念, 然后再演示如何使用这些指标。如果您对 延迟、吞吐量和系统容量等概念很熟悉, 可以跳过这一小节。
我们先来看一家工厂的装配流水线。工人在流水线将现成的组件按顺序拼接, 组装成自行车。通过实地观测, 我们发现从组件进入生产线,到另一端组装成自行车需要 4 小时。
继续观察, 我们还发现, 此后每分钟就有 1 辆自行车完成组装, 每天 24 小时, 一直如此。将这个模型简化, 并忽略维护窗口期后得出结论: 这条流水线每小时可以组装 60 辆自行车。
通过这两种测量方法, 就知道了生产线的相关性能信息: 延迟与吞吐量:
请注意, 衡量延迟的时间单位根据具体需要而确定 —— 从纳秒 (nanosecond) 到几千年 (millennia) 都有可能。系统的吞吐量是每个单位时间内完成的操作。操作 (Operations) 一般是特定系统相关的东西。在本例中, 选择的时间单位是小时, 操作就是对自行车的组装。
掌握了延迟和吞吐量两个概念之后, 让我们对这个工厂来进行实际的调优。自行车的需求在一段时间内都很稳定, 生产线组装自行车有四个小时延迟, 而吞吐量在几个月以来都很稳定: 60 辆 / 小时。假设某个销售团队突然业绩暴涨, 对自行车的需求增加了 1 倍。客户每天需要的自行车不再是 60 * 24 = 1440 辆, 而是 2*1440 = 2880 辆 / 天。老板对工厂的产能不满意,想要做些调整以提升产能。
看起来总经理很容易得出正确的判断, 系统的延迟没法子进行处理 —— 他关注的是每天的自行车生产总量。得出这个结论以后, 假若工厂资金充足, 那么应该立即采取措施, 改善吞吐量以增加产能。
我们很快会看到, 这家工厂有两条相同的生产线。每条生产线一分钟可以组装一辆成品自行车。 可以想象,每天生产的自行车数量会增加一倍。达到 2880 辆 / 天。要注意的是, 不需要减少自行车的装配时间 —— 从开始到结束依然需要 4 小时。
巧合的是,这样进行的性能优化, 同时增加了吞吐量和产能。一般来说,我们会先测量当前的系统性能, 再设定新目标, 只优化系统的某个方面来满足性能指标。
在这里做了一个很重要的决定 —— 要增加吞吐量, 而不是减小延迟。在增加吞吐量的同时, 也需要增加系统容量。比起原来的情况, 现在需要两条流水线来生产出所需的自行车。在这种情况下, 增加系统的吞吐量并不是免费的, 需要水平扩展, 以满足增加的吞吐量需求。
在处理性能问题时, 应该考虑到还有另一种看似不相关的解决办法。假如生产线的延迟从 1 分钟降低为 30 秒, 那么吞吐量同样可以增长 1 倍。
或者是降低延迟, 或者是客户非常有钱。软件工程里有一种相似的说法 —— 每个性能问题背后, 总有两种不同的解决办法。 可以用更多的机器, 或者是花精力来改善性能低下的代码。
GC 的延迟指标由一般的延迟需求决定。延迟指标通常如下所述:
面对这类性能指标时, 需要确保在交易过程中, GC 暂停不能占用太多时间,否则就满足不了指标。"不能占用太多" 的意思需要视具体情况而定, 还要考虑到其他因素, 比如外部数据源的交互时间 (round-trips), 锁竞争 (lock contention), 以及其他的安全点等等。
假设性能需求为:
的交易要在
- 90%
以内完成, 每次交易最长不能超过
- 1000ms
。 根据经验, 假设 GC 暂停时间比例不能超过 10%。 也就是说, 90% 的 GC 暂停必须在
- 10秒
内结束, 也不能有超过
- 100ms
的 GC 暂停。为简单起见, 我们忽略在同一次交易过程中发生多次 GC 停顿的可能性。
- 1000ms
有了正式的需求, 下一步就是检查暂停时间。有许多工具可以使用, 在接下来的 中会进行详细的介绍, 在本节中我们通过查看 GC 日志, 检查一下 GC 暂停的时间。相关的信息散落在不同的日志片段中, 看下面的数据:
- 2015-06-04T13:34:16.974-0200: 2.578: [Full GC (Ergonomics)
- [PSYoungGen: 93677K->70109K(254976K)]
- [ParOldGen: 499597K->511230K(761856K)]
- 593275K->581339K(1016832K),
- [Metaspace: 2936K->2936K(1056768K)]
- , 0.0713174 secs]
- [Times: user=0.21 sys=0.02, real=0.07 secs
这表示一次 GC 暂停, 在
这个时刻触发. 对应于 JVM 启动之后的
- 2015-06-04T13:34:16
。
- 2,578 ms
此事件将应用线程暂停了
秒。虽然花费的总时间为 210 ms, 但因为是多核 CPU 机器, 所以最重要的数字是应用线程被暂停的总时间, 这里使用的是并行 GC, 所以暂停时间大约为
- 0.0713174
。 这次 GC 的暂停时间小于
- 70ms
的阈值,满足需求。
- 100ms
继续分析, 从所有 GC 日志中提取出暂停相关的数据, 汇总之后就可以得知是否满足需求。
吞吐量和延迟指标有很大区别。当然两者都是根据一般吞吐量需求而得出的。一般吞吐量需求 (Generic requirements for throughput) 类似这样:
可以看出, 吞吐量需求不是针对单个操作的, 而是在给定的时间内, 系统必须完成多少个操作。和延迟需求类似, GC 调优也需要确定 GC 行为所消耗的总时间。每个系统能接受的时间不同, 一般来说, GC 占用的总时间比不能超过
。
- 10%
现在假设需求为: 每分钟处理 1000 笔交易。同时, 每分钟 GC 暂停的总时间不能超过 6 秒 (即 10%)。
有了正式的需求, 下一步就是获取相关的信息。依然是从 GC 日志中提取数据, 可以看到类似这样的信息:
- 2015-06-04T13:34:16.974-0200: 2.578: [Full GC (Ergonomics)
- [PSYoungGen: 93677K->70109K(254976K)]
- [ParOldGen: 499597K->511230K(761856K)]
- 593275K->581339K(1016832K),
- [Metaspace: 2936K->2936K(1056768K)],
- 0.0713174 secs]
- [Times: user=0.21 sys=0.02, real=0.07 secs
此时我们对 用户耗时 (user) 和系统耗时 (sys) 感兴趣, 而不关心实际耗时(real)。在这里, 我们关心的时间为
(user + sys = 0.21 + 0.02 s), 这段时间内, GC 暂停占用了 cpu 资源。 重要的是, 系统运行在多核机器上, 转换为实际的停顿时间 (stop-the-world) 为
- 0.23s
, 下面的计算会用到这个数字。
- 0.0713174秒
提取出有用的信息后, 剩下要做的就是统计每分钟内 GC 暂停的总时间。看看是否满足需求: 每分钟内总的暂停时间不得超过 6000 毫秒 (6 秒)。
系统容量 (Capacity) 需求, 是在达成吞吐量和延迟指标的情况下, 对硬件环境的额外约束。这类需求大多是来源于计算资源或者预算方面的原因。例如:
- $12,000
因此, 在满足延迟和吞吐量需求的基础上必须考虑系统容量。可以说, 假若有无限的计算资源可供挥霍, 那么任何 延迟和吞吐量指标 都不成问题, 但现实情况是, 预算 (budget) 和其他约束限制了可用的资源。
介绍完性能调优的三个维度后, 我们来进行实际的操作以达成 GC 性能指标。
请看下面的代码:
- //imports skipped for brevity
- public class Producer implements Runnable {
- private static ScheduledExecutorService executorService
- = Executors.newScheduledThreadPool(2);
- private Deque<byte[]> deque;
- private int objectSize;
- private int queueSize;
- public Producer(int objectSize, int ttl) {
- this.deque = new ArrayDeque<byte[]>();
- this.objectSize = objectSize;
- this.queueSize = ttl * 1000;
- }
- @Override
- public void run() {
- for (int i = 0; i < 100; i++) {
- deque.add(new byte[objectSize]);
- if (deque.size() > queueSize) {
- deque.poll();
- }
- }
- }
- public static void main(String[] args)
- throws InterruptedException {
- executorService.scheduleAtFixedRate(
- new Producer(200 * 1024 * 1024 / 1000, 5),
- 0, 100, TimeUnit.MILLISECONDS
- );
- executorService.scheduleAtFixedRate(
- new Producer(50 * 1024 * 1024 / 1000, 120),
- 0, 100, TimeUnit.MILLISECONDS);
- TimeUnit.MINUTES.sleep(10);
- executorService.shutdownNow();
- }
- }
这段程序代码, 每 100 毫秒 提交两个作业 (job) 来。每个作业都模拟特定的生命周期: 创建对象, 然后在预定的时间释放, 接着就不管了, 由 GC 来自动回收占用的内存。
在运行这个示例程序时,通过以下 JVM 参数打开 GC 日志记录:
- -XX:+PrintGCDetails -XX:+PrintGCDateStamps -XX:+PrintGCTimeStamps
还应该加上 JVM 参数
以指定 GC 日志的存储位置, 类似这样:
- -Xloggc
- -Xloggc:C:\\Producer_gc.log
在日志文件中可以看到 GC 的行为, 类似下面这样:
- 2015-06-04T13:34:16.119-0200: 1.723: [GC (Allocation Failure)
- [PSYoungGen: 114016K->73191K(234496K)]
- 421540K->421269K(745984K),
- 0.0858176 secs]
- [Times: user=0.04 sys=0.06, real=0.09 secs]
- 2015-06-04T13:34:16.738-0200: 2.342: [GC (Allocation Failure)
- [PSYoungGen: 234462K->93677K(254976K)]
- 582540K->593275K(766464K),
- 0.2357086 secs]
- [Times: user=0.11 sys=0.14, real=0.24 secs]
- 2015-06-04T13:34:16.974-0200: 2.578: [Full GC (Ergonomics)
- [PSYoungGen: 93677K->70109K(254976K)]
- [ParOldGen: 499597K->511230K(761856K)]
- 593275K->581339K(1016832K),
- [Metaspace: 2936K->2936K(1056768K)],
- 0.0713174 secs]
- [Times: user=0.21 sys=0.02, real=0.07 secs]
基于日志中的信息, 可以通过三个优化目标来提升性能:
为此, 用三种不同的配置, 将代码运行 10 分钟, 得到了三种不同的结果, 汇总如下:
堆内存大小 (Heap) | GC 算法 (GC Algorithm) | 有效时间比 (Useful work) | 最长停顿时间 (Longest pause) |
---|---|---|---|
-Xmx12g | -XX:+UseConcMarkSweepGC | 89.8% | 560 ms |
-Xmx12g | -XX:+UseParallelGC | 91.5% | 1,104 ms |
-Xmx8g | -XX:+UseConcMarkSweepGC | 66.3% | 1,610 ms |
使用不同的 GC 算法, 和不同的内存配置, 运行相同的代码, 以测量 GC 暂停时间与 延迟、吞吐量的关系。实验的细节和结果在后面章节详细介绍。
注意, 为了尽量简单, 示例中只改变了很少的输入参数, 此实验也没有在不同 CPU 数量或者不同的堆布局下进行测试。
假设有一个需求, 每次作业必须在 1000ms 内处理完成。我们知道, 实际的作业处理只需要 100 ms,简化后, 两者相减就可以算出对 GC 暂停的延迟要求。现在需求变成: GC 暂停不能超过 900ms。这个问题很容易找到答案, 只需要解析 GC 日志文件, 并找出 GC 暂停中最大的那个暂停时间即可。
再来看测试所用的三个配置:
堆内存大小 (Heap) | GC 算法 (GC Algorithm) | 有效时间比 (Useful work) | 最长停顿时间 (Longest pause) |
---|---|---|---|
-Xmx12g | -XX:+UseConcMarkSweepGC | 89.8% | 560 ms |
-Xmx12g | -XX:+UseParallelGC | 91.5% | 1,104 ms |
-Xmx8g | -XX:+UseConcMarkSweepGC | 66.3% | 1,610 ms |
可以看到, 其中有一个配置达到了要求。运行的参数为:
- java -Xmx12g -XX:+UseConcMarkSweepGC Producer
对应的 GC 日志中, 暂停时间最大为
, 这达到了延迟指标
- 560 ms
的要求。如果还满足吞吐量和系统容量需求的话, 就可以说成功达成了 GC 调优目标, 调优结束。
- 900 ms
假定吞吐量指标为: 每小时完成 1300 万次操作处理。同样是上面的配置, 其中有一种配置满足了需求:
堆内存大小 (Heap) | GC 算法 (GC Algorithm) | 有效时间比 (Useful work) | 最长停顿时间 (Longest pause) |
---|---|---|---|
-Xmx12g | -XX:+UseConcMarkSweepGC | 89.8% | 560 ms |
-Xmx12g | -XX:+UseParallelGC | 91.5% | 1,104 ms |
-Xmx8g | -XX:+UseConcMarkSweepGC | 66.3% | 1,610 ms |
此配置对应的命令行参数为:
- java -Xmx12g -XX:+UseParallelGC Producer
可以看到, GC 占用了 8.5% 的 CPU 时间, 剩下的
是有效的计算时间。为简单起见, 忽略示例中的其他安全点。现在需要考虑:
- 91.5%
- 100ms
理论上,通过简单的计算就可以得出结论, 每小时可以执行的操作数为:
次, 满足需求。
- 14.4 M * 91.5% = 13,176,000
值得一提的是, 假若还要满足延迟指标, 那就有问题了, 最坏情况下, GC 暂停时间为
, 最大延迟时间是前一种配置的两倍。
- 1,104 ms
假设需要将软件部署到服务器上 (commodity-class hardware), 配置为
。这样的话, 系统容量的要求就变成: 最大的堆内存空间不能超过
- 4核10G
。有了这个需求, 我们需要调整为第三套配置进行测试:
- 8GB
堆内存大小 (Heap) | GC 算法 (GC Algorithm) | 有效时间比 (Useful work) | 最长停顿时间 (Longest pause) |
---|---|---|---|
-Xmx12g | -XX:+UseConcMarkSweepGC | 89.8% | 560 ms |
-Xmx12g | -XX:+UseParallelGC | 91.5% | 1,104 ms |
-Xmx8g | -XX:+UseConcMarkSweepGC | 66.3% | 1,610 ms |
程序可以通过如下参数执行:
- java -Xmx8g -XX:+UseConcMarkSweepGC Producer
测试结果是延迟大幅增长, 吞吐量同样大幅降低:
的有效 CPU 时间。因此, 这个配置让吞吐量从最好的情况 13,176,000 操作 / 小时 下降到 不足 9,547,200 次操作 / 小时.
- 66.3%
通过对这三个维度的介绍, 你应该了解, 不是简单的进行 "性能 (performance)" 优化, 而是需要从三种不同的维度来进行考虑, 测量, 并调优延迟和吞吐量, 此外还需要考虑系统容量的约束。
翻译人员:
翻译时间: 2016 年 02 月 06 日
来源: