給祖傳系統做了點 GC調優，暫停時間降低了 90%

來源：京東雲開發者

一、問題描述

公司某規則引擎系統，在每次發版啟動會手動預熱，預熱完成當流量切進來之後會偶發的出現一次長達1-2秒的Young GC（流量並不大，並且LB下的每個節點都會出現該情況）。

在這次長暫停之後，每一次的年輕代GC暫停時間又都恢復在20-100ms以內。

2秒雖然看起來不算長吧，但規則引擎每次執行也才幾毫秒，這誰能忍？而且這玩意一旦超時，出單可能也跟著超時失敗！

二、問題分析

在分析該系統GC日誌後發現，2s暫停發生在Young GC階段，而且每次發生長暫停的Young GC都會伴隨著新生代物件的晉升(Promotion)。

核心JVM引數（Oracle JDK7）

-Xms10G -Xmx10G -XX:NewSize=4G -XX:PermSize=1g -XX:MaxPermSize=4g -XX:+

可能有人會問，為什麼給這麼大記憶體？祖傳程式碼，記憶體小了跑不動！

啟動後第一次年輕代GC日誌

2023-04-23T16:28:31.108+0800: [GC2023-04-23T16:28:31.108+0800: [ParNew2023-04-23T16:28:31.229+0800: [SoftReference, 0 refs, 0.0000950 secs]2023-04-23T16:28:31.229+0800: [WeakReference, 1156 refs, 0.0001040 secs]2023-04-23T16:28:31.229+0800: [FinalReference, 10410 refs, 0.0103720 secs]2023-04-23T16:28:31.240+0800: [PhantomReference, 286 refs, 2 refs, 0.0129420 secs]2023-04-23T16:28:31.253+0800: [JNI Weak Reference, 0.0000000 secs]Desired survivor size 214728704 bytes, new threshold 1 (max 15)- age   1:  315529928 bytes,  315529928 total- age   2:   40956656 bytes,  356486584 total- age   3:    8408040 bytes,  364894624 total: 3544342K->374555K(3774912K), 0.1444710 secs] 3544342K->374555K(10066368K), 0.1446290 secs] [Times: user=1.46 sys=0.09, real=0.15 secs]

長暫停年輕代GC日誌

2023-04-23T17:18:28.514+0800: [GC2023-04-23T17:18:28.514+0800: [ParNew2023-04-23T17:18:29.975+0800: [SoftReference, 0 refs, 0.0000660 secs]2023-04-23T17:18:29.975+0800: [WeakReference, 1224 refs, 0.0001400 secs]2023-04-23T17:18:29.975+0800: [FinalReference, 8898 refs, 0.0149670 secs]2023-04-23T17:18:29.990+0800: [PhantomReference, 600 refs, 1 refs, 0.0344300 secs]2023-04-23T17:18:30.025+0800: [JNI Weak Reference, 0.0000210 secs]Desired survivor size 214728704 bytes, new threshold 15 (max 15)- age   1:   79203576 bytes,   79203576 total: 3730075K->304371K(3774912K), 1.5114000 secs] 3730075K->676858K(10066368K), 1.5114870 secs] [Times: user=6.32 sys=0.58, real=1.51 secs]

從這個長暫停的GC日誌來看，是發生了晉升的，在Young GC後，有363M+的物件晉升到了老年代，這個晉升操作因該就是耗時原因（ps: 檢查過safepoint原因，不存在異常）。

由於日誌引數中沒有配置-XX:+PrintHeapAtGC引數，這裡是手動計算的晉升大小：

年輕代年輕變化 - 全堆容量變化 = 晉升大小(304371K - 3730075K) - (676858K - 3730075K) = 372487K(363M)

下一次年輕代GC日誌

2023-04-23T17:23:39.749+0800: [GC2023-04-23T17:23:39.749+0800: [ParNew2023-04-23T17:23:39.774+0800: [SoftReference, 0 refs, 0.0000500 secs]2023-04-23T17:23:39.774+0800: [WeakReference, 3165 refs, 0.0002720 secs]2023-04-23T17:23:39.774+0800: [FinalReference, 3520 refs, 0.0021520 secs]2023-04-23T17:23:39.776+0800: [PhantomReference, 150 refs, 1 refs, 0.0051910 secs]2023-04-23T17:23:39.782+0800: [JNI Weak Reference, 0.0000100 secs]Desired survivor size 214728704 bytes, new threshold 15 (max 15)- age   1:   17076040 bytes,   17076040 total- age   2:   40832336 bytes,   57908376 total: 3659891K->90428K(3774912K), 0.0321300 secs] 4032378K->462914K(10066368K), 0.0322210 secs] [Times: user=0.30 sys=0.00, real=0.03 secs]

乍一看好像沒什麼問題，仔細想想還是發現了不對勁，為什麼程式剛啟動第二次gc就發生了晉升？

推測這裡應該是動態年齡判定導致的，GC中晉升年齡閾值並不是固定的15，而是jvm每次gc後動態計算的。

三、年輕代晉升機制

為了能更好地適應不同程式的記憶體狀況，虛擬機器並不是永遠地要求物件的年齡必須達到了MaxTenuringThreshold才能晉升老年代，如果在Survivor空間中相同年齡所有物件大小的總和大於Survivor空間的一半，年齡大於或等於該年齡的物件就可以直接進入老年代，無須等到MaxTenuringThreshold中要求的年齡。

《深入理解Java虛擬機器》一書中提到，物件晉升年齡的閾值是動態判定的。

不過經查閱其他資料和驗證後，發現此處和《深入理解Java虛擬機器》解釋的有些出入

其實就是按年齡給物件分組，取total（累加值，小於等於當前年齡的物件總大小）最大的年齡分組，如果該分組的total大於survivor的一半，就將晉升年齡閾值更新為該分組的年齡

注意：不是超過survivor一半就晉升，超過survivor一半隻會重新設定晉升閾值（threshold），在下一次GC才會使用該新閾值

3544342K->374555K(3774912K), 0.1444710 secs] 年輕代
3544342K->374555K(10066368K), 0.1446290 secs] 全堆

從上面第一次的GC日誌也可以證明這個結論，在這次GC中全堆的記憶體變化和年輕代記憶體變化是相等的，所以並沒有發生物件的晉升。

就像上面的日誌中，第一次GC只是將threshold設定為1，因為此時survivor一半為214728704 bytes，而年齡為1的物件總和有315529928 bytes，超過了Desired survivor size，所以在本次GC後將threshold設定為年齡為1的物件年齡1。

這裡更新了物件晉升年齡閾值為1Desired survivor size 214728704 bytes, new threshold 1 (max 15)- age   1:  315529928 bytes,  315529928 total- age   2:   40956656 bytes,  356486584 total- age   3:    8408040 bytes,  364894624 total

這裡順便解釋下這個年齡分佈的輸出內容：

- age   1:  315529928 bytes,  315529928 total

- age 1表示年齡為1的物件分組，315529928 bytes表示年齡為1的物件佔用記憶體大小。

315529928 total這個是一個累加值，表示小於等於當前分組年齡的物件總大小。先把物件按年齡分組，age 1的分組total為age 1總大小（前面的xxx bytes），age 2的分組total為age 1 + age 2總大小，age n的分組total為age 1 + age 2 + ... +age n的總大小，累加規則如下圖所示：

當total最大的分組的total值超過了survivor/2時，就會更新晉升閾值。

在第二次年輕代GC“長暫停年輕代GC日誌”中，由於新的晉升年齡閾值為1，所以那些經歷了一次GC並存活並且現在仍然可達（reachable）的物件們就會發生晉升了。

由於此次GC發生了363M的物件晉升，所以導致了長暫停。

思考

JVM中這個“動態物件年齡判定”真的合理嗎？

個人認為機制是好的，可以更好的適應不同程式的記憶體狀況，但不是任何場景都適合，比如在本文中這個剛啟動不就GC的場景下就會有問題。

因為在程式剛啟動時，大多數物件年齡都是0或者1，很容易出現年齡為1的大量存活物件；在這個“動態物件年齡判定”機制下，就會導致新的晉升閾值被設定為1，導致這些不該晉升的物件發生了晉升。

比如程式在初始化，正在載入各種資源時發生了Young GC，載入邏輯還在執行中，很多新建的物件年齡在這次GC時還是可達的（reachable）。

經歷了這次GC後，這些物件年齡更新為1，但是由於“動態物件年齡判定”機制的影響，晉升年齡閾值更新為了“最大的物件年齡分組”的年齡，也就是這批剛經歷了一次GC的物件們。

在這次GC之後不久，資源初始化完成了，涉及的相關物件有很可能不可達了，但是由於剛才晉升年齡閾值被更新為了1，在下一次正常的Young GC這批年齡為1的物件會直接發生晉升，提前或者說錯誤的發生了晉升。

四、解決方案

經查閱文件、資料，發現“動態年齡判定”這個機制並不能禁用，所以如果想解決這個問題，只有靠“繞過”這個計算規則了。

動態年齡的判定，是根據Survivor空間中相同年齡所有物件大小的總和大於Survivor空間的一半來判定的，那麼根據這個機制解決也很簡單。

由於我們足夠了解自己的系統，清楚的知道載入資源所需的大概記憶體，完全可以設定一個大於這些暫時可達的物件總和的數值來作為survivor的容量。

比如上面的日誌中，第一次GC後年齡為1的物件有315529928 Bytes(300M)，Desired survivor size為（survivor size /2）214728704 bytes(204M)，那麼survivor就可以設定為600M以上。

不過為了穩妥，還是將survivor調到800M，這樣desired survivor size就是400M左右，在第一次Young GC後，就不會因年齡為1的物件總和超過了desired survivor size而導致晉升年齡閾值的更新了，從而也就不會有提前/錯誤晉升而導致的GC長暫停問題。

survivor不可以直接指定大小，不過可以透過-XX:SurvivorRatio這種調節比例的方式來調節survivor大小

-XX:SurvivorRatio=8

表示兩個Survivor和Edgen區的比，8表示兩個Survivor:Eden=2:8，即一個Survivor佔新生代的1/10。

計算方式為：

變形一下，Eden 的大小計算公式為：

這裡用一張堆疊柱狀圖來詳細的解釋 SurvivorRatio 不同數值下 Eden/Survivor 的空間比例：

好了，現在直接透過比例，強行給 Survivor 調大

-XX:SurvivorRatio=3

調整之後，Survivor 總佔比為 40%，大小為 1717829632 Bytes，單個 S0/S1的一半也有 10% - 429457408 Bytes，遠超 age=1 的分組總大小 315529928 Bytes。

這樣一來， Young GC 後複製到 Survivor 的物件（最大年齡分組）佔總比例的大小就不會到 50% 了，也就不會把 MaxTenuringThreshold 更新為 1 ，自然就解決了這個“亂晉升”的問題。

改完收工，再次發版手動預熱後，再也沒有切量後長暫停的問題了，Young GC穩定在 30-100ms，成功解決！

五、擴充套件

為什麼晉升300M比年輕代回收3G還要慢這麼多倍？

根據複製演算法的特性，複製演算法的時間消耗主要取決於存活物件的大小，而不是總空間的大小

比如上面4G的年輕代（實際只有Eden+S0可用），GC時只需要從GC ROOTS開始遍歷物件圖，將可達的物件複製至S1即可，並不需要遍歷整個年輕代

在上面那次長暫停GC日誌中，發生了363M的晉升，300M左右的回收，對比第一次GC基本可以得出，花費的1.5S基本上都是在晉升操作

為什麼晉升操作這麼耗時？

晉升畢竟涉及跨代複製啊（其實都年輕代和老年代都是heap，在複製這件事上本質上沒什麼區別，都是memcpy而已，只是需要額外處理的邏輯更多了），所需處理的邏輯會更復雜，比如指標的更新等操作，更耗時也是可以理解嗎嘛，

六、原生程式碼模擬

這裡也附上一段可以在本地模擬問題的程式碼，Oracle JDK7下可直接執行測試

//jdk7.。
import java.io.IOException;import java.util.ArrayList;import java.util.HashMap;import java.util.List;
public class PromotionTest {    public static void main(String[] args) throws IOException {        //模擬初始化資源場景        List<Object> dataList = new ArrayList<>();        for (int i = 0; i < 5; i++) {            dataList.add(new InnerObject());        }        //模擬流量進入場景        for (int i = 0; i < 73; i++) {            if(i == 72){                System.out.println("Execute young gc...Adjust promotion threshold to 1");            }            new InnerObject();        }        System.out.println("Execute full gc...dataList has been promoted to cms old space");        //這裡注意dataList中的物件在這次Full GC後會進入老年代        System.gc();    }    public static byte[] createData(){        int dataSize = 1024*1024*4;//4m        byte[] data = new byte[dataSize];        for (int j = 0; j < dataSize; j++) {            data[j] = 1;        }        return data;    }    static class InnerObject{        private Object data;
        public InnerObject() {            this.data = createData();        }    }}

jvm options

-server -Xmn400M -XX:SurvivorRatio=9 -Xms1000M -Xmx1000M -XX:+PrintGCDetails -XX:+PrintGCDateStamps -XX:+PrintTenuringDistribution -XX:+PrintHeapAtGC -XX:+PrintReferenceGC -XX:+PrintGCApplicationStoppedTime -XX:+UseConcMarkSweepGC

注意，文中垃圾回收相關的機制解釋，都是基於 HotSpot JVM，Parallel New + CMS Old 。

參考

[1] 《深入理解JAVA虛擬機器》 - 周志明 著

[2] https://blog.codecentric.de/en/2012/08/useful-jvm-flags-part-5-young-generation-garbage-collection/

-end-