说明:
Capacity: 性能, 能力, 系统容量; 文中翻译为”系统容量“; 意为硬件配置。
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:
- 列出性能调优指标(State your performance goals)
- 执行测试(Run tests)
- 检查结果(Measure the results)
- 与目标进行对比(Compare the results with the goals)
- 如果达不到指标, 修改配置参数, 然后继续测试(go back to running tests)
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:
- Latency(延迟)
- Throughput(吞吐量)
- Capacity(系统容量)
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。
核心概念(Core Concepts)
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。
05_01_assembly-line01-compact.jpg
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。
说明: 时间窗口 / 窗口期，请类比车站卖票的窗口，是一段规定 / 限定做某件事的时间段。
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:
- 生产线的延迟: 4 小时
- 生产线的吞吐量: 60 辆 / 小时
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。
05_02_assembly-line02-compact.jpg
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。
Latency(延迟)
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:
- 所有交易必须在 10 秒内得到响应
- 90% 的订单付款操作必须在 3 秒以内处理完成
- 推荐商品必须在 100 ms 内展示到用户面前
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: 90%的交易要在 1000ms 以内完成, 每次交易最长不能超过 10 秒。 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 100ms 内结束, 也不能有超过 1000ms 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。
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 「译文」Java 垃圾收集参考手册（十）：GC 调优工具篇 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 MATHEMATICA |
这表示一次 GC 暂停, 在 2015-06-04T13:34:16 这个时刻触发. 对应于 JVM 启动之后的 2,578 ms。
此事件将应用线程暂停了 0.0713174 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 70ms 。 这次 GC 的暂停时间小于 100ms 的阈值，满足需求。
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。
Throughput(吞吐量)
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:
- 解决方案每天必须处理 100 万个订单
- 解决方案必须支持 1000 个登录用户, 同时在 5-10 秒内执行某个操作: A、B 或 C
- 每周对所有客户进行统计, 时间不能超过 6 小时，时间窗口为每周日晚 12 点到次日 6 点之间。
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 MATHEMATICA |
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 0.23s(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 0.0713174 秒, 下面的计算会用到这个数字。
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)。
Capacity(系统容量)
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:
- 系统必须能部署到小于 512 MB 内存的 Android 设备上
- 系统必须部署在 Amazon EC2实例上, 配置不得超过 c3.xlarge(4 核 8GB)。
- 每月的 Amazon EC2 账单不得超过
$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。
相关示例
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(); } } JAVA |
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:
1 |
-XX:+PrintGCDetails -XX:+PrintGCDateStamps -XX:+PrintGCTimeStamps RUBY |
还应该加上 JVM 参数 -Xloggc以指定 GC 日志的存储位置, 类似这样:
1 |
-Xloggc:C:\\Producer_gc.log 1C |
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] MATHEMATICA |
基于日志中的信息, 可以通过三个优化目标来提升性能:
- 确保最坏情况下,GC 暂停时间不超过预定阀值
- 确保线程暂停的总时间不超过预定阀值
- 在确保达到延迟和吞吐量指标的情况下, 降低硬件配置以及成本。
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。
Tuning for Latency(调优延迟指标)
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 RUBY |
对应的 GC 日志中, 暂停时间最大为 560 ms, 这达到了延迟指标 900 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。
Tuning for Throughput(吞吐量调优)
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 RUBY |
可以看到,GC 占用了 8.5% 的 CPU 时间, 剩下的 91.5% 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:
- 每个 CPU 核心处理一次作业需要耗时
100ms - 因此, 一分钟内每个核心可以执行 60,000 次操作 ( 每个 job 完成 100 次操作)
- 一小时内, 一个核心可以执行 360 万次操作
- 有四个 CPU 内核, 则每小时可以执行: 4 x 3.6M = 1440 万次操作
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: 14.4 M * 91.5% = 13,176,000 次, 满足需求。
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 1,104 ms, 最大延迟时间是前一种配置的两倍。
Tuning for Capacity(调优系统容量)
假设需要将软件部署到服务器上(commodity-class hardware), 配置为 4 核 10G。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 8GB。有了这个需求, 我们需要调整为第三套配置进行测试:
| 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 RUBY |
测试结果是延迟大幅增长, 吞吐量同样大幅降低:
- 现在,GC 占用了更多的 CPU 资源, 这个配置只有
66.3%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. - 最坏情况下的延迟变成了 1,610 ms, 而不再是 560ms。
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。
