“ 這篇文章，給大家聊一個生產環境的實踐經驗：線上系統部署的時候，JVM堆記憶體大小是越大越好嗎？
先說明白一個前提，本文主要討論的是Kafka和Elasticsearch兩種分散式系統的線上部署情況，不是普通的Java應用系統。
1、是否依賴Java系統自身記憶體處理資料？
先說明一點，不管是我們自己開發的Java應用系統，還是一些中介軟體系統，在實現的時候都需要選擇是否基於自己Java程式的記憶體來處理資料。
大家應該都知道，Java、Scala等程式語言底層依賴的都是JVM，那麼只要是使用JVM，就可以考慮在JVM程式的記憶體中來放置大量的資料。
還是給大家舉個例子，大家應該還記得之前聊過訊息中介軟體系統。
比如說系統A可以給系統B傳送一條訊息，那麼中間需要依賴一個訊息中介軟體，系統A要先把訊息傳送到訊息中介軟體，然後系統B從這個訊息中介軟體消費到這條訊息。
大家看下面的示意圖。
大家應該都知道，一條訊息傳送到訊息中介軟體之後，有一種處理方式，就是把這條資料先緩衝在自己的JVM記憶體裡。
然後過一段時間之後，再從自己的記憶體重新整理到磁碟上去，這樣可以持久化儲存這條訊息，如下圖。
2、依賴Java系統自身記憶體有什麼缺陷
如果用類似上述的方式，依賴Java系統自身記憶體處理資料，比如說設計一個記憶體緩衝區，來緩衝住高併發寫入的大量訊息，那麼是有其缺陷的。
最大的缺陷，其實就是JVM的GC問題，這個GC就是垃圾回收，這裡簡單說一下他是怎麼回事。
大家可以想一下，如果一個Java程式里老是塞入很多的資料，這些資料都是用來緩衝在記憶體裡的，但是過一會兒這些資料都會寫入磁碟。
那麼寫入磁碟之後，這些資料還需要繼續放在記憶體裡嗎？
明顯是不需要的了，此時就會依託JVM垃圾回收機制，把記憶體裡那些不需要的資料給回收掉，釋放掉那些記憶體空間騰出來。
但是JVM垃圾回收的時候，有一種情況叫做stop the world，就是他會停止你的工作執行緒，就專門讓他進行垃圾回收。
這個時候，他在垃圾回收的時候，有可能你的這個中介軟體系統就執行不了了。
比如你傳送請求給他，他可能都沒法響應給你，因為他的接收請求的工作執行緒都停了，現在人家後臺的垃圾回收執行緒正在回收垃圾物件。
大家看下圖。
雖然說現在JVM的垃圾回收器一直在不斷的演進和發展，從CMS到G1，儘可能的在降低垃圾回收的時候的影響，減少工作執行緒的停頓。
但是你要是完全依賴JVM記憶體來管理大量的資料，那在垃圾回收的時候，或多或少總是有影響的。
所以特別是對於一些大資料系統，中介軟體系統，這個JVM的GC（Garbage Collector，垃圾回收）問題，真是最頭疼的一個問題。
3、優化為依賴OS Cache而不是JVM
所以類似Kafka、Elasticsearch等分散式中介軟體系統，雖然也是基於JVM執行的，但是他們都選擇了依賴OS Cache來管理大量的資料。
也就是說，是作業系統管理的記憶體緩衝，而不是依賴JVM自身記憶體來管理大量的資料。
具體來說，比如說Kafka吧，如果你寫一條資料到Kafka，他實際上會直接寫入磁碟檔案。
但是磁碟檔案在寫入之前其實會進入os cache，也就是作業系統管理的記憶體空間，然後過一段時間，作業系統自己會選擇把他的os cache的資料刷入磁碟。
然後後續在消費資料的時候，其實也會優先從os cache（記憶體緩衝）裡來讀取資料。
相當於寫資料和讀資料都是依託於os cache來進行的，完全依託作業系統級別的記憶體區域來進行，讀寫效能都很高。
此外，還有另外一個好處，就是不要依託自身JVM來緩衝大量的資料，這樣可以避免複雜而且耗時的JVM垃圾回收操作。
大家看下面的圖，其實就是一個典型的Kafka的執行流程。
然後比如Elasticsearch，他作為一個現在最流行的分散式搜尋系統，也是採用類類似的機制。
大量的依賴os cache來緩衝大量的資料，然後在進行搜尋和查詢的時候，也可以優先從os cache（記憶體區域）中讀取資料，這樣就可以保證非常高的讀寫效能。
4、老司機經驗之談：依賴os cache的系統JVM記憶體越大越好？
所以現在就可以進入我們的主題了，那麼比如就以上述說的kafka、elasticsearch等系統而言，線上上生產環境部署的時候，你知道他們是大量依賴於os cache來緩衝大量資料的。
那麼，給他們分配JVM堆記憶體大小的時候是越大越好嗎？
明顯不是的，假如說你有一臺機器，有32GB的記憶體，現在你如果在搞不清楚狀況的情況下，要是傻傻的認為還是給JVM分配越大記憶體越好，此時比如給了16G的堆記憶體空間給JVM，那麼os cache剩下的記憶體，可能就不到10GB了，因為本身其他的程式還要佔用幾個GB的記憶體。
那如果是這樣的話，就會導致你在寫入磁碟的時候，os cache能容納的資料量很有限。
比如說一共有20G的資料要寫入磁碟，現在就只有10GB的資料可以放在os cache裡，然後另外10GB的資料就只能放在磁碟上。
此時在讀取資料的時候，那麼起碼有一半的讀取請求，必須從磁碟上去讀了，沒法從os cache裡讀，誰讓你os cache裡就只能放的下10G的一半大小的資料啊，另外一半都在磁碟裡，這也是沒辦法的，如下圖。
那此時你有一半的請求都是從磁碟上在讀取資料，必然會導致效能很差。
所以很多人在用Elasticsearch的時候就是這樣的一個問題，老是覺得ES讀取速度慢，幾個億的資料寫入ES，讀取的時候要好幾秒。
那能不花費好幾秒嗎？你要是ES叢集部署的時候，給JVM記憶體過大，給os cache留了幾個GB的記憶體，導致幾億條資料大部分都在磁碟上，不在os cache裡，最後讀取的時候大量讀磁碟，耗費個幾秒鐘是很正常的。
5、正確的做法：針對場景合理給os cache更大記憶體
所以說，針對類似Kafka、Elasticsearch這種生產系統部署的時候，應該要給JVM比如6GB或者幾個GB的記憶體就可以了。
因為他們可能不需要耗費過大的記憶體空間，不依賴JVM記憶體管理資料，當然具體是設定多少，需要你精準的壓測和優化。
但是對於這類系統，應該給os cache留出來足夠的記憶體空間，比如32GB記憶體的機器，完全可以給os cache留出來20多G的記憶體空間，那麼此時假設你這臺機器總共就寫入了20GB的資料，就可以全部駐留在os cache裡了。
然後後續在查詢資料的時候，不就可以全部從os cache裡讀取資料了，完全依託記憶體來走，那你的效能必然是毫秒級的，不可能出現幾秒鐘才完成一個查詢的情況。
整個過程，如下圖所示：
所以說，建議大家線上上生產系統引入任何技術的時候，都應該先對這個技術的原理，甚至原始碼進行深入的理解，知道他具體的工作流程是什麼，然後針對性的合理設計生產環境的部署方案，保證最佳的生產效能。
END