【JVM】垃圾释放方式:标记-清除、复制算法、标记-整理、分代回收

简介: 【JVM】垃圾释放方式:标记-清除、复制算法、标记-整理、分代回收

把标记为垃圾的对象的内存空间进行释放。主要有三种释放方式

1. 标记-清除

把标记为垃圾的对象,直接释放掉(最朴素的做法)

此时就是把标记为垃圾的对象所对应的内存空间直接释放。但这样的释放会产生“内存碎片”问题

  • 上述释放方式,就可能会产生很多小的,但是离散的空闲内存空间
  • 这样就可能会导致后续申请内存失败
  • 因为内存申请都是一次申请一个连续的空间
  • 申请 1M 内存空间,此时 1M 都是连续的
  • 如果存在很多内存碎片,就可能导致总的空闲空间远远超过 1MB,但是并不存在比 1M 大的连续空间。此时,去申请内存就会失败

类似于,你去吗房子,需要一次性付 30W 首付。你的总存款超过了 30W,但是可能分散在不同的卡上,所以就没法完成上述的支付操作

一般不会使用这个方案,内存碎片问题,比较致命

2. 复制算法

复制算法的核心就是:不直接释放内存,而是把不是垃圾的对象,复制到内存的另一半里面。

  • 然后就把左侧空间整体释放掉

确实能规避内存碎片问题,但是也有缺点:

  1. 总的可用内存变少了(买两碗豆浆,喝一碗倒一碗)
  2. 如果每次要复制的对象比较多,此时复制的开销也就很大了。

需要是当这一轮 GC 的过程中,大部分对象都释放,少数对象存活,这个时候适合用复制

4. 标记-整理

类似于顺序表删除中间元素,中间有个“搬运”的过程

  • 若要删除 1,就把 2 往前搬,覆盖掉 1,3 覆盖掉 2… 最后把后面的内存释放

通过这个过程,也可以解决内存碎片问题,并且这个过程也不像复制算法一样,需要浪费过多的内存空间。但是,这里的搬运内存的开销很大

因此,JVM 没有直接使用上述的方案,而是结合上述思想,高出了一个“综合性”方案,取长补短

4. 分代回收

依据不同种类的对象,采取不同的方式

引入概念:对象的年龄

  • JVM 中,有专门的线程负责周期性扫描/释放
  • 一个对象如果被线程扫描了一次,可达了(不是垃圾),年龄就+1(初始年龄相当于是 0)

JVM 中就会跟对象年龄的差异,把整个堆内存分为两个大的部分:新生代(年龄小的对象)/老年代(年龄大的对象)

年龄也是会占内存的,每个对象有一个“对象头”,在对象头里有一个属性来存储年龄

  1. 当我们代码中new出一个新的对象,这个对象就是被创建在伊甸区,在伊甸区会有很多对象
  • 一个经验规律:伊甸区中的对象,大部分是活不过第一轮 GC 的(朝生夕死,生命周期非常短)
  1. 第一轮 GC 扫描完成之后,少数在伊甸区中幸存的对象,就会通过复制算法,复制到生存区
  • 后续的 GC 扫描线程还会持续的扫描,不仅要扫描伊甸区,还要扫描生存区的对象
  • 生存区中的大部分对象也会在扫描中被标记为垃圾
  • 少数存活的,就会继续使用复制算法,复制到另一个生存区中
  • 只要这个对象能够在生存区中继续存活,就会被复制算法继续拷贝到另一半的生存区中
  • 每经历一轮 GC,对象的年龄就会+1

每一次拷贝不仅仅只有生存区的对象进行互相拷贝,还有来自伊甸区的对象

  1. 如果这个对象在生存区中, 经过了若干轮 GC 仍然健在,JVM 就会认为,这个对象生命周期大概很长,就会把这个对象从生存区拷贝到老年代
  2. 老年代的对象,当然也要被 GC 扫描,但是扫描频次就会大大降低了

老年代的对象,要寄早寄了。既然没有寄,说明其生命周期应该是很长的,频繁 GC 扫描意义也不大,白白浪费时间。不入放到老年代,降低扫描频率

  1. 对象在老年代寿终正寝,此时 JVM 就会按照标记整理的方式,释放内存

上述过程,也是非常好理解的。这个过程和我们找工作是一模一样的

  • 伊甸区:一个公司收到很多的简历,然后安排笔试。笔试的过程就会使绝大部分的人被刷掉,少数的人能进入到面试环节
  • 生存区:进入面试环节,面试有很多轮,每一轮也会刷掉一批人
  • 老年代:通过了上述层层筛选,拿到 offer,进入公司入职了。
    - 进入公司后也会有绩效考评、末位淘汰,但周期比较长,远远超过笔试和面试

上述分代回收是 JVM GC 中的核心思想。但是 JVM 实际的垃圾回收的实现细节上,还会存在一些变数和优化

垃圾收集器就是具体实际的情况

课件列出了 7 个垃圾收集器,主要掌握 CMS,G1(ZGC)


相关文章
|
4天前
|
机器学习/深度学习 人工智能 算法
基于Python深度学习的【垃圾识别系统】实现~TensorFlow+人工智能+算法网络
垃圾识别分类系统。本系统采用Python作为主要编程语言,通过收集了5种常见的垃圾数据集('塑料', '玻璃', '纸张', '纸板', '金属'),然后基于TensorFlow搭建卷积神经网络算法模型,通过对图像数据集进行多轮迭代训练,最后得到一个识别精度较高的模型文件。然后使用Django搭建Web网页端可视化操作界面,实现用户在网页端上传一张垃圾图片识别其名称。
25 0
基于Python深度学习的【垃圾识别系统】实现~TensorFlow+人工智能+算法网络
|
1月前
|
缓存 算法 Java
JVM知识体系学习六:JVM垃圾是什么、GC常用垃圾清除算法、堆内存逻辑分区、栈上分配、对象何时进入老年代、有关老年代新生代的两个问题、常见的垃圾回收器、CMS
这篇文章详细介绍了Java虚拟机(JVM)中的垃圾回收机制,包括垃圾的定义、垃圾回收算法、堆内存的逻辑分区、对象的内存分配和回收过程,以及不同垃圾回收器的工作原理和参数设置。
62 4
JVM知识体系学习六:JVM垃圾是什么、GC常用垃圾清除算法、堆内存逻辑分区、栈上分配、对象何时进入老年代、有关老年代新生代的两个问题、常见的垃圾回收器、CMS
|
1月前
|
算法 Java
JVM进阶调优系列(4)年轻代和老年代采用什么GC算法回收?
本文详细介绍了JVM中的GC算法,包括年轻代的复制算法和老年代的标记-整理算法。复制算法适用于年轻代,因其高效且能避免内存碎片;标记-整理算法则用于老年代,虽然效率较低,但能有效解决内存碎片问题。文章还解释了这两种算法的具体过程及其优缺点,并简要提及了其他GC算法。
 JVM进阶调优系列(4)年轻代和老年代采用什么GC算法回收?
|
30天前
|
Java
JVM进阶调优系列(5)CMS回收器通俗演义一文讲透FullGC
本文介绍了JVM中CMS垃圾回收器对Full GC的优化,包括Stop the world的影响、Full GC触发条件、GC过程的四个阶段(初始标记、并发标记、重新标记、并发清理)及并发清理期间的Concurrent mode failure处理,并简述了GC roots的概念及其在GC中的作用。
|
1月前
|
算法 Java
JVM进阶调优系列(3)堆内存的对象什么时候被回收?
堆对象的生命周期是咋样的?什么时候被回收,回收前又如何流转?具体又是被如何回收?今天重点讲对象GC,看完这篇就全都明白了。
|
24天前
|
算法 安全 数据安全/隐私保护
基于game-based算法的动态频谱访问matlab仿真
本算法展示了在认知无线电网络中,通过游戏理论优化动态频谱访问,提高频谱利用率和物理层安全性。程序运行效果包括负载因子、传输功率、信噪比对用户效用和保密率的影响分析。软件版本:Matlab 2022a。完整代码包含详细中文注释和操作视频。
|
9天前
|
算法 数据挖掘 数据安全/隐私保护
基于FCM模糊聚类算法的图像分割matlab仿真
本项目展示了基于模糊C均值(FCM)算法的图像分割技术。算法运行效果良好,无水印。使用MATLAB 2022a开发,提供完整代码及中文注释,附带操作步骤视频。FCM算法通过隶属度矩阵和聚类中心矩阵实现图像分割,适用于灰度和彩色图像,广泛应用于医学影像、遥感图像等领域。
|
10天前
|
算法 调度
基于遗传模拟退火混合优化算法的车间作业最优调度matlab仿真,输出甘特图
车间作业调度问题(JSSP)通过遗传算法(GA)和模拟退火算法(SA)优化多个作业在并行工作中心上的加工顺序和时间,以最小化总完成时间和机器闲置时间。MATLAB2022a版本运行测试,展示了有效性和可行性。核心程序采用作业列表表示法,结合遗传操作和模拟退火过程,提高算法性能。
|
11天前
|
存储 算法 决策智能
基于免疫算法的TSP问题求解matlab仿真
旅行商问题(TSP)是一个经典的组合优化问题,目标是寻找经过每个城市恰好一次并返回起点的最短回路。本文介绍了一种基于免疫算法(IA)的解决方案,该算法模拟生物免疫系统的运作机制,通过克隆选择、变异和免疫记忆等步骤,有效解决了TSP问题。程序使用MATLAB 2022a版本运行,展示了良好的优化效果。
|
10天前
|
机器学习/深度学习 算法 芯片
基于GSP工具箱的NILM算法matlab仿真
基于GSP工具箱的NILM算法Matlab仿真,利用图信号处理技术解析家庭或建筑内各电器的独立功耗。GSPBox通过图的节点、边和权重矩阵表示电气系统,实现对未知数据的有效分类。系统使用MATLAB2022a版本,通过滤波或分解技术从全局能耗信号中提取子设备的功耗信息。