突破JVM性能瓶颈：通过GC调优实现TPS提升200%的实战案例-java教程-PHP中文网

答案是通过切换至G1 GC、降低IHOP、优化新生代大小、调整并发线程数并结合代码优化，成功将TPS提升超200%。核心在于分析GC日志，识别对象晋升过快与Full GC主因，针对性调整JVM参数并优化内存分配密集的业务代码，最终实现GC停顿大幅降低和吞吐量显著提升。

突破jvm性能瓶颈：通过gc调优实现tps提升200%的实战案例

突破JVM性能瓶颈，通过GC调优实现TPS提升200%并非神话，它背后是对系统深层次的理解和精准的干预。核心在于识别应用程序的内存使用模式和垃圾回收行为，然后针对性地调整JVM参数，优化GC策略，从而减少停顿时间，提高吞吐量。这通常是一个诊断、实验、验证的迭代过程，但回报往往是显著的性能飞跃。

解决方案

我记得有一次，我们负责的一个核心交易系统，在业务高峰期TPS总是上不去，响应时间也经常毛刺。监控数据显示，CPU使用率并不高，但GC活动异常频繁，特别是老年代的Full GC，每次都能让系统“卡”上几秒钟，这在生产环境简直是灾难。

我们当时的系统配置是默认的JDK8，使用的是Parallel GC。问题出现后，第一步当然是收集GC日志。通过

jstat -gcutil

登录后复制

和

jmap -histo:live

登录后复制

，我们发现新生代对象晋升老年代的速度非常快，而且老年代在短时间内就被填满，触发Full GC。更深一步分析，GC日志里充斥着

promotion failure

登录后复制

和

concurrent mode failure

登录后复制

（在尝试切换到G1后）。这说明我们的应用存在大量的瞬时对象，并且有部分大对象直接进入了老年代，导致GC无法有效回收。

我们的解决路径大致是这样的：

切换GC算法并初步调优： 考虑到系统是大内存（32GB堆），并且对停顿时间有一定要求，我们决定从Parallel GC切换到G1 GC。初期配置了
```
-XX:+UseG1GC -Xms30g -Xmx30g -XX:MaxGCPauseMillis=200
```
登录后复制
，并开启详细GC日志：
```
-XX:+PrintGCDetails -XX:+PrintGCDateStamps -XX:+PrintGCTimeStamps -XX:+PrintGCApplicationStoppedTime -Xloggc:gc.log
```
登录后复制
。
分析G1行为与调整： 切换到G1后，Full GC虽然减少了，但G1的Young GC停顿时间依然偏长，且偶尔出现
```
concurrent mode failure
```
登录后复制
。这表明G1的并发标记周期没能及时完成，老年代在并发回收前就满了。通过分析GC日志，我们注意到G1的默认
```
InitiatingHeapOccupancyPercent
```
登录后复制
（默认45%）对于我们的应用来说可能太高了。也就是说，G1直到堆内存使用率达到45%才开始并发标记，但此时老年代增长过快，导致标记来不及。
精细化参数调整：
- 降低IHOP： 我们尝试将
```
-XX:InitiatingHeapOccupancyPercent
```
  登录后复制
  从45%降到30%，甚至20%。这让G1能更早地启动并发标记，为回收争取更多时间。
- 调整G1 Young Gen大小： 发现Young GC耗时主要因为新生代过大，导致每次GC需要处理大量存活对象。虽然G1是自适应的，但我们可以通过
```
-XX:G1NewSizePercent
```
  登录后复制
  和
```
-XX:G1MaxNewSizePercent
```
  登录后复制
  给它一个合理的范围。我们观察到新生代对象大部分是短生命周期的，适度减小新生代比例，让它们更快被回收，减少晋升到老年代的机会。
- 优化业务代码： 这是最关键的一环。通过
```
JProfiler
```
  登录后复制
  和
```
Arthas
```
  登录后复制
  等工具，我们定位到几处高频创建大对象的地方，比如一些集合类没有预设大小，导致频繁扩容；或者在循环中重复创建临时对象。对这些代码进行了优化，减少了不必要的内存分配。
- 增大
  -XX:ConcGCThreads
  登录后复制
  ：适当增加并发GC线程数，让G1的并发标记和清除阶段能更快完成，尤其是在多核CPU环境下。

经过这一系列诊断和迭代调优，特别是结合了业务代码的优化，我们成功将系统的Full GC几乎消除，Young GC的平均停顿时间也控制在了50ms以内。最终，在相同的硬件资源下，系统的TPS从原来的不足1000提升到了3000+，超过了200%的提升，响应时间也变得非常稳定。这不仅仅是参数调整，更是对整个系统运行机制的深入理解。

为什么我的应用TPS上不去，GC日志里总是Full GC？

应用TPS低，GC日志里频繁出现Full GC，这通常是JVM性能瓶颈最直接的信号。但原因往往不单一，它可能指向几个核心问题。首先，最常见的是内存泄漏或对象生命周期管理不当。如果你的应用持续创建对象但无法及时释放，或者持有对不再使用对象的引用，那么老年代就会迅速膨胀，最终触发Full GC。这些Full GC不仅耗时，还会暂停整个应用线程，直接导致TPS下降。

其次，默认的JVM参数不适合当前应用的负载。很多时候，我们直接使用JDK的默认GC配置，但这些默认值是为了通用性而非特定高性能场景设计的。比如，新生代太小可能导致对象过早晋升老年代；老年代过小则更容易被填满。当应用程序的内存分配速率远超GC回收速率时，Full GC就成了必然。

再者，存在大量短生命周期的大对象。如果你的业务逻辑频繁创建占用内存较大的临时对象，这些对象在新生代存活时间很短，但因为体积大，可能直接被分配到老年代，或者很快就占据了新生代的大部分空间，导致频繁的Young GC和快速的老年代增长。

要诊断这类问题，你不能只看“Full GC”这个表象。你需要深入分析GC日志，关注每次GC的耗时、回收了多少内存、以及各个代（新生代、老年代）的内存使用情况和对象晋升情况。

jstat -gc

登录后复制

可以帮你实时监控GC统计信息，而

jmap -histo:live

登录后复制

则能帮你找出当前堆中存活对象的数量和大小，配合

jstack

登录后复制

查看线程栈，往往能定位到是哪段代码在“吃”内存。

如何选择合适的GC算法，G1真的比CMS好吗？

选择GC算法从来都不是一个“哪个最好”的简单问题，它更像是一个“哪个最适合我的应用场景”的权衡。G1（Garbage-First）和CMS（Concurrent Mark Sweep）是Java 8及以前版本中，应对大堆和低延迟需求最常用的两种算法，但它们的设计哲学和适用场景有所不同。

CMS的设计目标是最大程度地减少应用停顿时间，它通过并发标记和并发清除来完成大部分工作，但仍然会有STW（Stop-The-World）阶段。CMS的优点是停顿时间短，适合对响应时间敏感的应用。然而，它也有一些明显的缺点：它不进行内存压缩，长时间运行后可能导致内存碎片化，最终可能触发Full GC（

concurrent mode failure

登录后复制

或

promotion failure

登录后复制

）。另外，CMS在并发标记阶段会占用一部分CPU资源，并且它对浮动垃圾（在并发标记和清除期间产生的垃圾）处理不够完美，可能需要预留更多堆空间。

G1旨在取代CMS，它将堆内存划分为多个大小相等的Region，每个Region可以是Eden、Survivor或Old区。G1的优势在于它能够预测GC停顿时间，通过

MaxGCPauseMillis

登录后复制

参数来设置目标停顿时间，G1会尽量在每次GC中回收最多垃圾的Region，从而实现这个目标。G1在并发标记阶段会识别出哪些Region包含的垃圾最多，优先回收这些Region。G1还具有内存压缩功能，可以有效避免碎片化问题。它更适合大堆内存（通常建议8GB以上）的应用，并且对停顿时间有较高要求。

ViiTor实时翻译

AI实时多语言翻译专家！强大的语音识别、AR翻译功能。

116

查看详情

那么，G1真的比CMS好吗？不一定。对于一些内存较小（比如几GB）且对延迟要求不那么极致的应用，CMS可能表现得很好，甚至比G1更稳定。G1的算法相对复杂，其内部的并发标记和回收过程会消耗更多的CPU资源。如果你的应用CPU资源本身就紧张，G1的额外开销可能反而会带来负面影响。

我的经验是，如果你的应用堆内存较大（8GB+），且对GC停顿有严格要求，那么G1通常是更好的选择。它能提供更可控的停顿时间，并且自带内存压缩，能有效解决碎片化问题。但如果你还在使用Java 8，并且应用堆内存不大，CMS可能仍然是一个不错的选择。对于Java 11及更高版本，ZGC和Shenandoah等更先进的低延迟GC算法则提供了更极致的性能，它们几乎可以做到与堆大小无关的停顿时间，但它们也需要更多的CPU和内存资源。选择哪个，最终还是要看你的应用特点、资源预算和性能目标。

GC调优的常用参数有哪些，怎么确定它们的值？

GC调优的参数种类繁多，但有一些是我们在实战中经常会调整的核心参数。理解这些参数的作用以及如何根据应用行为来确定它们的值，是GC调优的关键。

堆大小参数：
```
-Xms
```
登录后复制
和
-Xmx
登录后复制
- 作用： 分别设置JVM的初始堆内存和最大堆内存。
- 确定值： 通常建议将两者设置为相同的值，以避免JVM在运行时动态调整堆大小带来的额外开销和不稳定性。这个值应该根据你的应用实际内存需求、并发量以及可用的物理内存来决定。一个经验法则是，让JVM堆大小占据物理内存的60%-80%，留下部分内存给操作系统和其他进程。如果堆过小，会频繁GC；如果过大，可能导致单次GC耗时过长，或者占用过多系统资源。
新生代大小参数：
```
-Xmn
```
登录后复制
或
-XX:NewRatio
登录后复制
- 作用：
```
Xmn
```
  登录后复制
  直接设置新生代大小，而
```
NewRatio
```
  登录后复制
  （默认2）设置老年代与新生代的比例（即老年代是新生代的2倍）。
- 确定值： 新生代的大小直接影响Young GC的频率和耗时。如果新生代太小，对象会过早晋升老年代，导致老年代GC频繁；如果新生代太大，Young GC的单次停顿时间会变长。通常，对于大部分短生命周期对象应用，新生代可以设置为堆总大小的1/4到1/3。对于G1，可以通过
```
-XX:G1NewSizePercent
```
  登录后复制
  和
```
-XX:G1MaxNewSizePercent
```
  登录后复制
  来控制新生代占总堆的百分比范围。
Survivor空间比例：
```
-XX:SurvivorRatio
```
登录后复制
- 作用： 设置Eden区与单个Survivor区的比例（默认8，即Eden:S0:S1 = 8:1:1）。
- 确定值： 适当的SurvivorRatio可以确保对象在晋升老年代前有足够的机会在新生代被回收。如果Survivor区太小，对象可能在新生代存活不了几次就晋升老年代；如果太大，则浪费了内存。通常默认值在大多数情况下是合理的，但如果GC日志显示大量对象在经历很少次GC后就晋升，可以考虑适当调整。
对象晋升老年代的年龄阈值：
```
-XX:MaxTenuringThreshold
```
登录后复制
- 作用： 设置对象在新生代中经历多少次GC后晋升到老年代（默认15）。
- 确定值： 这个参数与SurvivorRatio协同工作。如果你的应用中有很多对象在新生代存活时间稍长，但最终还是会被回收，可以适当调高这个值，让它们在新生代多存活一段时间，避免过早进入老年代。反之，如果调低，则会加速对象进入老年代。
G1相关参数：
```
-XX:MaxGCPauseMillis
```
登录后复制
和
-XX:InitiatingHeapOccupancyPercent
登录后复制
- 作用：
```
MaxGCPauseMillis
```
  登录后复制
  是G1的停顿时间目标，G1会尽量满足这个目标；
```
InitiatingHeapOccupancyPercent
```
  登录后复制
  （IHOP）是G1启动并发标记周期的堆内存使用率阈值（默认45%）。
- 确定值：
```
MaxGCPauseMillis
```
  登录后复制
  应根据你的应用对延迟的实际要求来设定，比如100ms或200ms。IHOP的调整是G1调优的关键，如果并发标记总来不及，导致
```
concurrent mode failure
```
  登录后复制
  ，就需要降低IHOP，让G1更早启动标记。这会增加G1的CPU开销，但能有效避免Full GC。

如何确定这些值？

确定这些参数的值，绝不是一次性的配置，而是一个迭代和基于监控的过程：

从默认值开始： 不要一开始就过度调优，先用默认配置运行，收集基线数据。
开启详细GC日志：
```
-Xloggc:gc.log -XX:+PrintGCDetails -XX:+PrintGCDateStamps -XX:+PrintGCTimeStamps
```
登录后复制
这些参数是必备的，它们提供了分析GC行为的所有信息。
监控与分析： 使用GCViewer、GCEasy等工具分析GC日志，结合
```
jstat
```
登录后复制
、
```
jmap
```
登录后复制
、
```
VisualVM
```
登录后复制
等工具实时监控JVM状态。关注GC频率、每次GC的停顿时间、GC后的内存使用情况、对象晋升模式等。
负载测试： 在接近生产环境的负载下进行测试，观察GC行为，根据测试结果调整参数。
小步快跑： 每次只调整一个或少量参数，然后重新测试和分析，观察效果。这样可以更容易地定位是哪个参数的调整带来了正面或负面影响。
理解业务： 最重要的是理解你的应用内存分配模式。是大量短生命周期对象？还是少数几个大对象？是内存泄漏？这些都决定了你的调优方向。

GC调优没有银弹，它需要耐心、细致的分析和持续的实践。

以上就是突破JVM性能瓶颈：通过GC调优实现TPS提升200%的实战案例的详细内容，更多请关注php中文网其它相关文章！