JVM篇常见题型讲解(女蓝夺冠,yyds)

简介: JVM篇常见题型讲解(女蓝夺冠,yyds)

目录

进阶篇

26,什么是空闲列表?

27,什么是TLAB?

28、对象头具体都包含哪些内容?

本期分享到此为止,关注博主不迷路,叶秋学长带你上高速~~


进阶篇

26,什么是空闲列表?

如果Java堆内存中的内存并不是规整的,已被使用的内存和空闲的内存相互交错在一起,不可以进行指针碰撞啦,虚拟机必须维护一个列表,记录哪些内存是可用的,在分配的时候从列表找到一块大的空间分配给对象实例,并更新列表上的记录,这种分配方式就是空闲列表。

27,什么是TLAB?

可以把内存分配的动作按照线程划分在不同的空间之中进行,每个线程在Java堆中预先分配一小块内存,这就是TLAB(Thread Local Allocation Buffer,本地线程分配缓存) 。虚拟机通过-

XX:UseTLAB设定它的。

28、对象头具体都包含哪些内容?

在我们常用的Hotspot虚拟机中,对象在内存中布局实际包含3个部分:

  1. 对象头
  2. 实例数据
  3. 对齐填充

而对象头包含两部分内容,Mark Word中的内容会随着锁标志位而发生变化,所以只说存储结构就好了。

  1. 对象自身运行时所需的数据,也被称为Mark Word,也就是用于轻量级锁和偏向锁的关键点。

具体的内容包含对象的hashcode、分代年龄、轻量级锁指针、重量级锁指针、GC标记、偏向

锁线程ID、偏向锁时间戳。

  1. 存储类型指针,也就是指向类的元数据的指针,通过这个指针才能确定对象是属于哪个类的实

例。

如果是数组的话,则还包含了数组的长度。

网络异常,图片无法展示
|


相关文章
|
人工智能
版权困境——AIGC版权认定的三层逻辑
【1月更文挑战第6天】版权困境——AIGC版权认定的三层逻辑
344 1
版权困境——AIGC版权认定的三层逻辑
|
存储 安全 NoSQL
Seraphdb: 轻量级图计算引擎(一) 概述
随着图技术的不断成熟,与大数据框架的融合也越来越紧密,使得使用图的场景也越来越广泛;安全领域里很多的场景也开始用图的相关技术来解决实际问题;如云安全中心利用图对关联关系的遍历能力,实现了基于进程链的安全检测, 更大程度的检测隐藏在正常操作背后的恶意行文, 为用户的主机保驾护航;同时基于多种数据的关联关系,可以实现安全事件的调查分析、溯源等;基于图来分析解决安全问题更符合现实场景,也更容易被人理解和
962 0
Seraphdb: 轻量级图计算引擎(一) 概述
|
存储 移动开发 前端开发
2023年最新前端面试题汇总大全(含答案超详细,HTML,JS,CSS汇总篇)-- 持续更新6
2023年最新前端面试题汇总大全(含答案超详细,HTML,JS,CSS汇总篇)-- 持续更新
522 0
|
JSON 前端开发 安全
Web前端开发中的跨域问题及解决方案
【2月更文挑战第8天】在Web前端开发中,跨域是一个常见且具有挑战性的问题。本文将深入探讨跨域产生的原因、影响以及多种解决方案,帮助开发者更好地理解和解决跨域问题。
|
存储 缓存 NoSQL
Redis中大Key与热Key的解决方案
在工作中,Redis作为一款高性能缓存数据库被广泛应用,但常遇到“大key”和“热key”问题。“大key”指单个键包含大量数据,导致内存消耗高、性能下降及持久化效率降低;“热key”则是频繁访问的键,会引起CPU占用率高、请求阻塞等问题。本文详细分析了这些问题的定义、影响、原因,并提供了相应的解决方案,如合理设置缓存时间和数据结构、拆分大key、采用热点数据分片等方法。
1009 4
Redis中大Key与热Key的解决方案
|
C# 容器
WPF技术之StatusBar控件
WPF StatusBar控件用于在应用程序底部显示状态信息。它提供了一个容器,用于展示与应用程序相关的各种状态信息。
982 0
|
消息中间件 Kafka RocketMQ
Kafka vs RocketMQ——单机系统可靠性
引言 前几期的评测中,我们对比了Kafka和RocketMQ的吞吐量和稳定性,本期我们要引入一个新的评测标准——软件可靠性。 何为“可靠性”? 先看下面这种情况:有A,B两辆越野汽车,在城市的周边地区均能很好应对泥泞的路况。当一同开去穿越西藏,A车会因为西藏本地的汽油不达标,导致油路受阻无
8170 85
02-解决开通会员才可复制问题
02-解决开通会员才可复制问题
|
C语言
字符串逆序(C语言版 函数,递归方法)
字符串逆序(C语言版 函数,递归方法)
297 0
字符串逆序(C语言版 函数,递归方法)
|
机器学习/深度学习 人工智能 自动驾驶
玩转水平集 | 弱监督实例分割新SOTA!(ECCV2022)
全监督学习需要大量的标签数据,对分割任务而言,人工标注十分昂贵,因此基于框的弱监督实例分割获得了广泛的关注。本文提出一种新的single-shot框监督实例分割方法,将水平集(level-set)与CNN巧妙地结合起来。具体来说,模型以端到端的方式通过基于连续Chan-Vese能量的函数迭代地学习一系列水平集。本文基于SOLOv2上实现弱监督实例分割。
玩转水平集 | 弱监督实例分割新SOTA!(ECCV2022)