JDK 17 和 JDK 21 在垃圾回收器(GC)上有什么优化?如何调整 GC 算法以提升应用性能?
JDK 17 和 JDK 21 在垃圾回收器(GC)上有什么优化?如何调整 GC 算法以提升应用性能?
本文将从 JDK 17 与 JDK 21 的垃圾回收改进出发,结合代码示例解析优化方案,并提供实际项目中的调优策略,帮助你提升应用性能。
正文
一、JDK 17 与 JDK 21 的垃圾回收优化点
-
JDK 17 的垃圾回收改进
ZGC 进一步优化:
支持更大的堆内存(高达 16TB)。
极低的暂停时间(通常低于 10ms)。
G1 的吞吐量提升:
优化区域(Region)选择算法,提高多线程并发效率。 -
JDK 21 的垃圾回收改进
Shenandoah 的性能增强:
增加并发压缩阶段,减少内存碎片。
支持更多并发线程的动态调节。
G1 增强:
改进分区回收算法,减少停顿时间。
提供更高效的混合回收(Mixed GC)。
二、垃圾回收器的选择与调整
JDK 17 与 JDK 21 提供了多个垃圾回收器,可以根据应用需求调整: -
G1(Garbage-First GC)
适用场景
大型内存应用(堆内存 > 4GB)。
在线系统或对延迟有一定容忍度的应用。
调优参数
代码语言:javascript
复制
-XX:+UseG1GC # 启用 G1 GC
-XX:MaxGCPauseMillis=<时间> # 设置最大暂停时间
-XX:InitiatingHeapOccupancyPercent=<百分比> # 设置启动回收的堆占用百分比
代码示例:调优 G1
代码语言:javascript
复制
public class G1GCDemo {
public static void main(String[] args) {
System.out.println(“G1 GC 调优示例”);
for (int i = 0; i < 1_000_000; i++) {
byte[] data = new byte[1024 * 1024]; // 模拟分配大对象
}
System.out.println(“示例结束”);
}
}
启动参数:
代码语言:javascript
复制
java -XX:+UseG1GC -XX:MaxGCPauseMillis=100 -XX:InitiatingHeapOccupancyPercent=45 G1GCDemo
2. ZGC(Z Garbage Collector)
适用场景
超大内存应用(堆内存 > 16TB)。
延迟敏感型系统,如实时数据处理和金融应用。
调优参数
代码语言:javascript
复制
-XX:+UseZGC # 启用 ZGC
-Xms # 设置堆初始大小
-Xmx # 设置堆最大大小
-XX:SoftMaxHeapSize=<大小> # 设置软最大堆大小
代码示例:调优 ZGC
代码语言:javascript
复制
public class ZGCDemo {
public static void main(String[] args) {
System.out.println(“ZGC 调优示例”);
for (int i = 0; i < 1_000_000; i++) {
byte[] data = new byte[1024 * 1024]; // 模拟分配大对象
}
System.out.println(“示例结束”);
}
}
启动参数:
代码语言:javascript
复制
java -XX:+UseZGC -Xmx16G -XX:SoftMaxHeapSize=8G ZGCDemo
3. Shenandoah
适用场景
中大型内存应用(1GB~10TB)。
低延迟、高吞吐并重的应用场景。
调优参数
代码语言:javascript
复制
-XX:+UseShenandoahGC # 启用 Shenandoah GC
-XX:ShenandoahGCHeuristics=<策略> # 设置启发式策略(如 compact、static 等)
代码示例:调优 Shenandoah
代码语言:javascript
复制
public class ShenandoahGCDemo {
public static void main(String[] args) {
System.out.println(“Shenandoah 调优示例”);
for (int i = 0; i < 1_000_000; i++) {
byte[] data = new byte[1024 * 1024]; // 模拟分配大对象
}
System.out.println(“示例结束”);
}
}
启动参数:
代码语言:javascript
复制
java -XX:+UseShenandoahGC -XX:ShenandoahGCHeuristics=compact ShenandoahGCDemo
三、GC 调优的常用工具
- GC 日志
通过启用 GC 日志,可以分析垃圾回收的详细行为。
启动参数:
代码语言:javascript
复制
-Xlog:gc* # 启用 GC 日志
-Xlog:gc*:file=gc.log:time,uptime,level,tags # 输出到文件
2. JVisualVM
实时监控应用的堆内存使用和垃圾回收行为。
使用步骤
启动应用,添加 -Dcom.sun.management.jmxremote 参数。
打开 JVisualVM,连接目标应用。
观察内存和 GC 的运行情况。
四、垃圾回收器的性能对比
特性
G1
ZGC
Shenandoah
暂停时间
可控(用户设置目标)
极低(10ms 以下)
较低(10ms~100ms)
吞吐量
较高
较高
高
并发回收
部分并发
几乎全并发
大部分并发
内存支持
4GB~16TB
超大内存(16TB)
1GB~10TB
五、GC 调优常见问题 Q&A
Q1:如何减少 GC 对应用性能的影响?
调整堆大小(-Xms 和 -Xmx),确保有足够的内存分配空间。
使用并发 GC(如 G1、ZGC 或 Shenandoah),减少全停顿。
Q2:为什么 ZGC 的暂停时间如此低?
A:ZGC 将大部分垃圾回收工作并发完成,仅有极少部分需要停顿。
Q3:Shenandoah 和 G1 如何选择?
如果需要更低的延迟,选 Shenandoah。
如果吞吐量优先,可选择 G1。
六、总结
JDK 17 与 JDK 21 中 GC 的优化点:
ZGC 的低延迟与超大内存支持。
G1 的吞吐提升与分区回收优化。
Shenandoah 的并发压缩与动态线程支持。
调优建议:
根据应用场景选择合适的 GC:延迟敏感选 ZGC,吞吐优先选 G1,混合负载选 Shenandoah。
启用 GC 日志和监控工具,分析垃圾回收行为并优化内存分配。
相关文章:
JDK 17 和 JDK 21 在垃圾回收器(GC)上有什么优化?如何调整 GC 算法以提升应用性能?
JDK 17 和 JDK 21 在垃圾回收器(GC)上有什么优化?如何调整 GC 算法以提升应用性能? 本文将从 JDK 17 与 JDK 21 的垃圾回收改进出发,结合代码示例解析优化方案,并提供实际项目中的调优策略,帮助…...
CNN-GRU卷积神经网络门控循环单元多变量多步预测,光伏功率预测(Matlab完整源码和数据)
代码地址:CNN-GRU卷积神经网络门控循环单元多变量多步预测,光伏功率预测(Matlab完整源码和数据) CNN-GRU卷积神经网络门控循环单元多变量多步预测,光伏功率预测 一、引言 1.1、研究背景和意义 随着全球能源危机和环境问题的日…...
kotlin中expect和actual关键字修饰的函数作用
在 Kotlin 多平台编程中,expect 和 actual 关键字用于定义跨平台的抽象和具体实现。这种机制允许开发者声明一个平台无关的接口或函数签名(使用 expect),然后在每个目标平台上提供具体的实现(使用 actual)。…...
鸿蒙音视频播放器:libwlmedia
libwlmedia 跨平台播放器wlmedia现在已经支持了鸿蒙(Harmony)平台了,SDK插件地址:libwlmedia 一、接入SDK 1.1 导入SDK ohpm i ywl5320/libwlmedia1.2 添加权限(可选) 如果需要播放网络视频,需要添加网络权限 #m…...
【devops】 Git仓库如何fork一个私有仓库到自己的私有仓库 | git fork 私有仓库
一、场景说明 场景: 比如我们Codeup的私有仓库下载代码 放入我们的Github私有仓库 且保持2个仓库是可以实现fork的状态,即:Github会可以更新到Codeup的最新代码 二、解决方案 1、先从Codeup下载私有仓库代码 下载代码使用 git clone 命令…...
CEF132编译指南 MacOS 篇 - 构建 CEF (六)
1. 引言 经过前面一系列的精心准备,我们已经完成了所有必要的环境配置和源码获取工作。本篇作为 CEF132 编译指南系列的第六篇,将详细介绍如何在 macOS 系统上构建 CEF132。通过配置正确的编译命令和参数,我们将完成 CEF 的构建工作…...
mysql大数据量分页查询
一、什么是MySQL大数据量分页查? MySQL大数据量分页查是指在使用MySQL数据库时,将大量数据分成多个较小的部分进行显示,以提高查询效率和用户体验。分页查询通常用于网页或应用程序中,以便用户能够逐步浏览结果集。 二、为什…...
计算机毕业设计SpringBoot校园二手交易小程序 校园二手交易平台(websocket消息推送+云存储+双端+数据统计)(源码+文档+运行视频+讲解视频)
温馨提示:文末有 CSDN 平台官方提供的学长联系方式的名片! 温馨提示:文末有 CSDN 平台官方提供的学长联系方式的名片! 温馨提示:文末有 CSDN 平台官方提供的学长联系方式的名片! 作者简介:Java领…...
尚硅谷爬虫note003
一、函数 1. 函数的定义 def 函数名(): 代码 2.函数的调用 函数名() 3. 定义参数(不调用函数不执行) def sum(a,b) #形参 c a b print(c&…...
【逆向工程】破解unity的安卓apk包
先了解一下普通apk包的逆向方法(无加密或加壳) 开发环境: 操作系统:windows 解apk包 下载工具:apktool【Install Guide | Apktool】按照文档说的操作就行,先安装java运行时环境【我安装的是jre-8u441-wind…...
稠密架构和稀疏架构
稠密架构和稀疏架构 flyfish 稠密架构 参数使用方面:稠密架构中的大部分参数在每次计算时都会被使用。也就是说,对于输入的每一个样本,模型的所有或大部分参数都会参与到计算过程中。计算特点:计算密集,需要对大量的…...
LeetCode --- 436周赛
题目列表 3446. 按对角线进行矩阵排序 3447. 将元素分配给有约束条件的组 3448. 统计可以被最后一个数位整除的子字符串数目 3449. 最大化游戏分数的最小值 一、按对角线进行矩阵排序 直接模拟,遍历每一个斜对角线,获取斜对角线上的数字,排…...
用easyExcel如何实现?
要使提供的 ExcelModelListener 类来解析 Excel 文件并实现批量存储数据库的功能,需要结合 EasyExcel 库来读取 Excel 数据。具体来说,可以使用 EasyExcel.read() 方法来读取 Excel 文件,并指定 ExcelModelListener 作为事件监听器。 下面是…...
从 X86 到 ARM :工控机迁移中的核心问题剖析
在工业控制领域,技术的不断演进促使着工控机从 X86 架构向 ARM 架构迁移。然而,这一过程并非一帆风顺,面临着诸多关键挑战。 首先,软件兼容性是一个重要问题。许多基于 X86 架构开发的工业控制软件可能无法直接在 ARM 架构上运行…...
大模型DeepSeek-R1学习
学习路线 机器学习-> 深度学习-> 强化学习-> 深度强化学习 大模型演进分支 微调: SFT 监督学习蒸馏:把大模型作为导师训练小模型RLHF:基于人类反馈的强化学习 PPO 近端策略优化 油门 - 重要性采样 权重 * 打分刹车 - clip 修剪…...
【STM32】H743的以太网MAC控制器的一个特殊功能
调试743的MAC,翻阅手册的时候,发现了一个有意思的功能 混杂模式 H743的MAC控制器,可以设置为混杂模式,这就意味着它可以做一些网络监控的应用,譬如连接具备端口镜像功能的交换机,然后直接代替PC实现网络数据…...
关于“i18n“在vue中的使用
关于"i18n"在vue中的使用 <!-- vue2中 --> <template><div>{{ $t("This campaign has expired.") }}}}</div> </template> <script> export default {created() {this.onLoading();},methods: {onLoading () {this.$…...
前缀树算法篇:前缀信息的巧妙获取
前缀树算法篇:前缀信息的巧妙获取 那么前缀树算法是一个非常常用的算法,那么在介绍我们前缀树具体的原理以及实现上,我们先来说一下我们前缀树所应用的一个场景,那么在一个字符串的数据集合当中,那么我们查询我们某个字…...
DVSI使用SenseGlove为开发虚拟现实场景技能培训
虚拟现实场景技能培训能够有效提升被培训者的技能熟练度,使其在现实世界中经历类似事件时第一时间做出正确反映,从而大大降低因缺乏相关技能经验所造成的财产、人员、时间损失。 DVSI(Digital Voice Systems Inc)是一家美国数字化…...
VSCode + Continue 实现AI编程助理
安装VS Code 直接官网下载安装,反正是免费的。 安装VS插件Continue 直接在插件市场中搜索, Continue,第一个就是了。 配置Chat Model 点击Add Chat model后进行选择: 选择Ollama后,需要点击下面的config file : 由于…...
装饰模式(Decorator Pattern)重构java邮件发奖系统实战
前言 现在我们有个如下的需求,设计一个邮件发奖的小系统, 需求 1.数据验证 → 2. 敏感信息加密 → 3. 日志记录 → 4. 实际发送邮件 装饰器模式(Decorator Pattern)允许向一个现有的对象添加新的功能,同时又不改变其…...
设计模式和设计原则回顾
设计模式和设计原则回顾 23种设计模式是设计原则的完美体现,设计原则设计原则是设计模式的理论基石, 设计模式 在经典的设计模式分类中(如《设计模式:可复用面向对象软件的基础》一书中),总共有23种设计模式,分为三大类: 一、创建型模式(5种) 1. 单例模式(Sing…...
R语言AI模型部署方案:精准离线运行详解
R语言AI模型部署方案:精准离线运行详解 一、项目概述 本文将构建一个完整的R语言AI部署解决方案,实现鸢尾花分类模型的训练、保存、离线部署和预测功能。核心特点: 100%离线运行能力自包含环境依赖生产级错误处理跨平台兼容性模型版本管理# 文件结构说明 Iris_AI_Deployme…...
安宝特方案丨XRSOP人员作业标准化管理平台:AR智慧点检验收套件
在选煤厂、化工厂、钢铁厂等过程生产型企业,其生产设备的运行效率和非计划停机对工业制造效益有较大影响。 随着企业自动化和智能化建设的推进,需提前预防假检、错检、漏检,推动智慧生产运维系统数据的流动和现场赋能应用。同时,…...
深入浅出:JavaScript 中的 `window.crypto.getRandomValues()` 方法
深入浅出:JavaScript 中的 window.crypto.getRandomValues() 方法 在现代 Web 开发中,随机数的生成看似简单,却隐藏着许多玄机。无论是生成密码、加密密钥,还是创建安全令牌,随机数的质量直接关系到系统的安全性。Jav…...
视频字幕质量评估的大规模细粒度基准
大家读完觉得有帮助记得关注和点赞!!! 摘要 视频字幕在文本到视频生成任务中起着至关重要的作用,因为它们的质量直接影响所生成视频的语义连贯性和视觉保真度。尽管大型视觉-语言模型(VLMs)在字幕生成方面…...
TRS收益互换:跨境资本流动的金融创新工具与系统化解决方案
一、TRS收益互换的本质与业务逻辑 (一)概念解析 TRS(Total Return Swap)收益互换是一种金融衍生工具,指交易双方约定在未来一定期限内,基于特定资产或指数的表现进行现金流交换的协议。其核心特征包括&am…...
鱼香ros docker配置镜像报错:https://registry-1.docker.io/v2/
使用鱼香ros一件安装docker时的https://registry-1.docker.io/v2/问题 一键安装指令 wget http://fishros.com/install -O fishros && . fishros出现问题:docker pull 失败 网络不同,需要使用镜像源 按照如下步骤操作 sudo vi /etc/docker/dae…...
QT: `long long` 类型转换为 `QString` 2025.6.5
在 Qt 中,将 long long 类型转换为 QString 可以通过以下两种常用方法实现: 方法 1:使用 QString::number() 直接调用 QString 的静态方法 number(),将数值转换为字符串: long long value 1234567890123456789LL; …...
Java线上CPU飙高问题排查全指南
一、引言 在Java应用的线上运行环境中,CPU飙高是一个常见且棘手的性能问题。当系统出现CPU飙高时,通常会导致应用响应缓慢,甚至服务不可用,严重影响用户体验和业务运行。因此,掌握一套科学有效的CPU飙高问题排查方法&…...
