《Java 虚拟机》运行期优化

简介: 《Java 虚拟机》运行期优化

🟧1. 分层编译

为了在程序启动响应速度与运行效率之间达到最佳平衡,HotSpot 虚拟机启用了分层编译(Tiered Compilation)的策略,。分层编译根据编译器编译、优化的规模与耗时,划分出不同的编译层次:


第 0 层:程序解释执行,解释器不开启性能监控功能(Profiling),可触发第一层编译。

第 1 层:使用 C1 即时编译器编译执行(不带 profiling)

第 2 层:使用 C1 即时编译器编译执行(带基本的 profiling)

第 3 层:使用 C1 即时编译器编译执行(带完全的 profiling)

第 4 层:使用 C2 即时编译器编译执行,将字节码编译为本地代码。

profiling 是指在运行过程中收集一些程序执行状态的数据,例如【方法的调用次数】,【循环的 回边次数】等。


即时编译器(JIT)与解释器的区别:


解释器

1.1 将字节码解释为机器码,下次即使遇到相同的字节码,仍会执行重复的解释

1.2 是将字节码解释为针对所有平台都通用的机器码

即时编译器

2.1 JIT(Just In Time Compiler) 是将一些字节码编译为机器码,并存入 Code Cache,下次遇到相同的代码,直接执行,无需再编译

2.2 根据平台类型,生成平台相关的机器码

对于大部分的不常用的代码,我们无需耗费时间将其编译成机器码,而是采取解释执行的方式运行;另一方面,对于仅占据小部分的热点代码,我们则可以将其编译成机器码,以达到理想的运行速度。 执行效率上简单比较一下 Interpreter < C1 < C2,总的目标是发现热点代码(hotspot 名称的由来),并优化这些热点代码。


🟧2. 逃逸分析

逃逸分析(Escape Analysis)简单来讲就是,Java Hotspot 虚拟机可以分析新创建对象的使用范围,并决定是否在 Java 堆上分配内存的一项技术。


逃逸分析的 JVM 参数如下:


开启逃逸分析:-XX:+DoEscapeAnalysis

关闭逃逸分析:-XX:-DoEscapeAnalysis

显示分析结果:-XX:+PrintEscapeAnalysis

逃逸分析技术在 Java SE 6u23+ 开始支持,并默认设置为启用状态,可以不用额外加这个参数。

🟠2.1 对象逃逸状态

1、全局逃逸(GlobalEscape)


一个对象的作用范围逃出了当前方法或者当前线程,有以下几种场景:


对象是一个静态变量,类变量

对象是一个已经发生逃逸的对象,可以在其他线程中访问到

作为调用参数传递到其他方法中

2、参数逃逸(ArgEscape)


一个对象被作为方法参数传递或者被参数引用,但在调用过程中不会发生全局逃逸,这个状态是通过被调方法的字节码确定的。


3、没有逃逸


方法中的对象没有发生逃逸。

🟠2.2 逃逸分析优化

针对上面第三点,当一个对象没有逃逸时,可以得到以下几个虚拟机的优化。

🔸2.2.1 同步消除

线程同步是一个相对耗时的过程,如果逃逸分析能够确定一个变量不会逃出线程,无法被其他线程访问,那么读写就不存在竞争了,对这个变量的同步措施可以消除掉了。


例如,StringBuffer 和 Vector 都是用 synchronized 修饰线程安全的,但大部分情况下,它们都只是在当前线程中用到,这样编译器就会优化移除掉这些锁操作。


锁消除的 JVM 参数如下:


开启锁消除:-XX:+EliminateLocks

关闭锁消除:-XX:-EliminateLocks

同步消除(锁消除)在 JDK8 中都是默认开启的,并且锁消除都要建立在逃逸分析的基础上。

🔸2.2.2 标量替换

首先要明白标量和聚合量,基础类型和对象的引用可以理解为标量,它们不能被进一步分解。而能被进一步分解的量就是聚合量,例如 Java 中的对象。


如果把一个 Java 对象拆散,根据程序访问的情况,将其使用到的成员变量恢复原始类型来访问就叫做标量替换。


这样,如果一个对象没有发生逃逸,那程序在执行时压根就不用创建它,而改为直接创建它的若干个被这个方法使用到的成员变量来代替,将对象拆分后,只会在栈上或者寄存器上创建它用到的成员标量,节省了内存空间,也提升了应用程序性能。


标量替换的 JVM 参数如下:


开启标量替换:-XX:+EliminateAllocations

关闭标量替换:-XX:-EliminateAllocations

显示标量替换详情:-XX:+PrintEliminateAllocations

标量替换同样在 JDK8 中都是默认开启的,并且都要建立在逃逸分析的基础上。

🔸2.2.3 栈上分配

当对象没有发生逃逸时,该对象就可以通过标量替换分解成成员标量分配在栈内存中,和方法的生命周期一致,随着栈帧出栈时销毁,减少了 GC 压力,提高了应用程序性能。


🟧3. 方法内联

🟠3.1 内联函数

C++ 是否为内联函数由自己决定,Java 由编译器决定。Java 不支持直接声明为内联函数,如果想让它内联,你只能够向编译器提出请求: 关键字 final 修饰 用来指明那个函数是希望被 JVM内联的,如:

public final void doSomething() {  
      // to do something  
}

总的来说,一般的函数都不会被当做内联函数,只有声明了 final 后,编译器才会考虑是不是要把你的函数变成内联函数。


JVM 内建有许多运行时优化,首先短方法更利于JVM 推断。流程更明显,作用域更短,副作用也更明显。如果是长方法 JVM 可能直接就崩了。

🟠3.2 方法内联

如果 JVM 监测到一些小方法被频繁的执行,它会把方法的调用替换成方法体本身,如:

private int add4(int x1, int x2, int x3, int x4) { 
    //这里调用了add2方法
      return add2(x1, x2) + add2(x3, x4);  
  }  
  private int add2(int x1, int x2) {  
      return x1 + x2;  
  }

方法调用被替换后

private int add4(int x1, int x2, int x3, int x4) {  
  //被替换为了方法本身
    return x1 + x2 + x3 + x4;  
}
相关文章
|
2月前
|
安全 Java 编译器
new出来的对象,不一定在堆上?聊聊Java虚拟机的优化技术:逃逸分析
逃逸分析是一种静态程序分析技术,用于判断对象的可见性与生命周期。它帮助即时编译器优化内存使用、降低同步开销。根据对象是否逃逸出方法或线程,分析结果分为未逃逸、方法逃逸和线程逃逸三种。基于分析结果,编译器可进行同步锁消除、标量替换和栈上分配等优化,从而提升程序性能。尽管逃逸分析计算复杂度较高,但其在热点代码中的应用为Java虚拟机带来了显著的优化效果。
61 4
|
2月前
|
数据采集 搜索推荐 Java
Java 大视界 -- Java 大数据在智能教育虚拟学习环境构建与用户体验优化中的应用(221)
本文探讨 Java 大数据在智能教育虚拟学习环境中的应用,涵盖多源数据采集、个性化推荐、实时互动优化等核心技术,结合实际案例分析其在提升学习体验与教学质量中的成效,并展望未来发展方向与技术挑战。
|
4月前
|
资源调度 安全 Java
Java 大数据在智能教育在线实验室设备管理与实验资源优化配置中的应用实践
本文探讨Java大数据技术在智能教育在线实验室设备管理与资源优化中的应用。通过统一接入异构设备、构建四层实时处理管道及安全防护双体系,显著提升设备利用率与实验效率。某“双一流”高校实践显示,设备利用率从41%升至89%,等待时间缩短78%。该方案降低管理成本,为教育数字化转型提供技术支持。
101 1
|
12天前
|
Java Spring
如何优化Java异步任务的性能?
本文介绍了Java中四种异步任务实现方式:基础Thread、线程池、CompletableFuture及虚拟线程。涵盖多场景代码示例,展示从简单异步到复杂流程编排的演进,适用于不同版本与业务需求,助你掌握高效并发编程实践。(239字)
116 6
|
18天前
|
数据采集 存储 弹性计算
高并发Java爬虫的瓶颈分析与动态线程优化方案
高并发Java爬虫的瓶颈分析与动态线程优化方案
|
4月前
|
消息中间件 机器学习/深度学习 Java
java 最新技术驱动的智能教育在线实验室设备管理与实验资源优化实操指南
这是一份基于最新技术的智能教育在线实验室设备管理与实验资源优化的实操指南,涵盖系统搭建、核心功能实现及优化策略。采用Flink实时处理、Kafka消息队列、Elasticsearch搜索分析和Redis缓存等技术栈,结合强化学习动态优化资源调度。指南详细描述了开发环境准备、基础组件部署、数据采集与处理、模型训练、API服务集成及性能调优步骤,支持高并发设备接入与低延迟处理,满足教育机构数字化转型需求。代码已提供下载链接,助力快速构建智能化实验室管理系统。
133 44
|
2月前
|
存储 人工智能 算法
Java 大视界 -- Java 大数据在智能医疗影像数据压缩与传输优化中的技术应用(227)
本文探讨 Java 大数据在智能医疗影像压缩与传输中的关键技术应用,分析其如何解决医疗影像数据存储、传输与压缩三大难题,并结合实际案例展示技术落地效果。
|
2月前
|
机器学习/深度学习 算法 Java
Java 大视界 -- Java 大数据机器学习模型在生物信息学基因功能预测中的优化与应用(223)
本文探讨了Java大数据与机器学习模型在生物信息学中基因功能预测的优化与应用。通过高效的数据处理能力和智能算法,提升基因功能预测的准确性与效率,助力医学与农业发展。
|
2月前
|
机器学习/深度学习 算法 Java
Java 大视界 -- Java 大数据在智能物流运输车辆智能调度与路径优化中的技术实现(218)
本文深入探讨了Java大数据技术在智能物流运输中车辆调度与路径优化的应用。通过遗传算法实现车辆资源的智能调度,结合实时路况数据和强化学习算法进行动态路径优化,有效提升了物流效率与客户满意度。以京东物流和顺丰速运的实际案例为支撑,展示了Java大数据在解决行业痛点问题中的强大能力,为物流行业的智能化转型提供了切实可行的技术方案。
|
3月前
|
Linux 虚拟化 iOS开发
VMware Fusion 13.6.4 OEM BIOS 2.7 - 在 macOS 中运行 Windows 虚拟机的最佳方式
VMware Fusion 13.6.4 OEM BIOS 2.7 - 在 macOS 中运行 Windows 虚拟机的最佳方式
387 3