如何對Java程序調優

本篇內容介紹了“如何對Java程序調優”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

1、性能診斷工具

性能診斷一種是針對已經確定有性能問題的系統和代碼進行診斷，還有一種是對預上線系統提前性能測試，確定性能是否符合上線要求。

本文主要針對前者，后者可以用各種性能壓測工具（例如 JMeter）進行測試，不在本文討論范圍內。

針對 Java 應用，性能診斷工具主要分為兩層：OS 層面和 Java 應用層面（包括應用代碼診斷和 GC 診斷）。

OS 診斷

OS 的診斷主要關注的是 CPU、Memory、I/O 三個方面。

2、CPU 診斷

對于 CPU 主要關注平均負載（Load Average），CPU 使用率，上下文切換次數（Context Switch）。

通過 top 命令可以查看系統平均負載和 CPU 使用率，圖 2 為通過 top 命令查看某系統的狀態。

圖 2.top 命令示例

平均負載有三個數字：63.66，58.39，57.18，分別表示過去 1 分鐘、5 分鐘、15 分鐘機器的負載。按照經驗，若數值小于 0.7*CPU 個數，則系統工作正常；若超過這個值，甚至達到 CPU 核數的四五倍，則系統的負載就明顯偏高。

圖 2 中 15 分鐘負載已經高達 57.18，1 分鐘負載是 63.66（系統為 16 核），說明系統出現負載問題，且存在進一步升高趨勢，需要定位具體原因了。

通過 vmstat 命令可以查看 CPU 的上下文切換次數，如圖 3 所示：

圖 3.vmstat 命令示例

上下文切換次數發生的場景主要有如下幾種：

1）時間片用完，CPU 正常調度下一個任務；

2）被其它優先級更高的任務搶占；

3）執行任務碰到 I/O 阻塞，掛起當前任務，切換到下一個任務；

4）用戶代碼主動掛起當前任務讓出 CPU；

5）多任務搶占資源，由于沒有搶到被掛起；

6）硬件中斷。

Java 線程上下文切換主要來自共享資源的競爭。一般單個對象加鎖很少成為系統瓶頸，除非鎖粒度過大。但在一個訪問頻度高，對多個對象連續加鎖的代碼塊中就可能出現大量上下文切換，成為系統瓶頸。

比如在我們系統中就曾出現 log4j 1.x 在較大并發下大量打印日志，出現頻繁上下文切換，大量線程阻塞，導致系統吞吐量大降的情況，其相關代碼如清單 1 所示，升級到 log4j 2.x 才解決這個問題。

for(Category c = this; c != null; cc=c.parent) {     // Protected against simultaneous call to addAppender, removeAppender,…     synchronized(c) {     if (c.aai != null) {     write += c.aai.appendLoopAppenders(event);     }     …     }    }

3、Memory

從操作系統角度，內存關注應用進程是否足夠，可以使用 free –m 命令查看內存的使用情況。

通過 top 命令可以查看進程使用的虛擬內存 VIRT 和物理內存 RES，根據公式 VIRT = SWAP + RES 可以推算出具體應用使用的交換分區（Swap）情況，使用交換分區過大會影響 Java 應用性能，可以將 swappiness 值調到盡可能小。

因為對于 Java 應用來說，占用太多交換分區可能會影響性能，畢竟磁盤性能比內存慢太多。

4、I/O

I/O 包括磁盤 I/O 和網絡 I/O，一般情況下磁盤更容易出現 I/O 瓶頸。通過 iostat 可以查看磁盤的讀寫情況，通過 CPU 的 I/O wait 可以看出磁盤 I/O 是否正常。

如果磁盤 I/O 一直處于很高的狀態，說明磁盤太慢或故障，成為了性能瓶頸，需要進行應用優化或者磁盤更換。

除了常用的 top、 ps、vmstat、iostat 等命令，還有其他 Linux 工具可以診斷系統問題，如 mpstat、tcpdump、netstat、pidstat、sar 等。Brendan 總結列出了 Linux 不同設備類型的性能診斷工具，如圖 4 所示，可供參考。

圖 4.Linux 性能觀測工具

5、Java 應用診斷及工具

應用代碼性能問題是相對好解決的一類性能問題。通過一些應用層面監控報警，如果確定有問題的功能和代碼，直接通過代碼就可以定位；或者通過 top+jstack，找出有問題的線程棧，定位到問題線程的代碼上，也可以發現問題。對于更復雜，邏輯更多的代碼段，通過 Stopwatch 打印性能日志往往也可以定位大多數應用代碼性能問題。

常用的 Java 應用診斷包括線程、堆棧、GC 等方面的診斷。之前分享了一份JVM 46頁的干貨資料，關注微信公眾號：Java技術棧，在后臺回復：jvm46，即可領取。見這里：46張PPT弄懂JVM、GC算法和性能調優。

jstack

jstack 命令通常配合 top 使用，通過 top -H -p pid 定位 Java 進程和線程，再利用 jstack -l pid 導出線程棧。由于線程棧是瞬態的，因此需要多次 dump，一般 3 次 dump，一般每次隔 5s 就行。將 top 定位的 Java 線程 pid 轉成 16 進制，得到 Java 線程棧中的 nid，可以找到對應的問題線程棧。

圖 5. 通過 top –H -p 查看運行時間較長 Java 線程

如圖 5 所示，其中的線程 24985 運行時間較長，可能存在問題，轉成 16 進制后，通過 Java 線程棧找到對應線程 0x6199 的棧如下，從而定位問題點，如圖 6 所示。

圖 6.jstack 查看線程堆棧

JProfiler

JProfiler 可對 CPU、堆、內存進行分析，功能強大，如圖 7 所示。同時結合壓測工具，可以對代碼耗時采樣統計。

圖 7. 通過 JProfiler 進行內存分析

6、GC 診斷

Java GC 解決了程序員管理內存的風險，但 GC 引起的應用暫停成了另一個需要解決的問題。JDK 提供了一系列工具來定位 GC 問題，比較常用的有 jstat、jmap，還有第三方工具 MAT 等。

jstat

jstat 命令可打印 GC 詳細信息，Young GC 和 Full GC 次數，堆信息等。其命令格式為jstat –gcxxx -t pid，如圖 8 所示。

圖 8.jstat 命令示例

jmap

jmap 打印 Java 進程堆信息 jmap –heap pid。通過 jmap –dump:file=xxx pid 可 dump 堆到文件，然后通過其它工具進一步分析其堆使用情況

MAT

MAT 是 Java 堆的分析利器，提供了直觀的診斷報告，內置的 OQL 允許對堆進行類 SQL 查詢，功能強大，outgoing reference 和 incoming reference 可以對對象引用追根溯源。

圖 9.MAT 示例

圖 9 是 MAT 使用示例，MAT 有兩列顯示對象大小，分別是 Shallow size 和 Retained size，前者表示對象本身占用內存的大小，不包含其引用的對象，后者是對象自己及其直接或間接引用的對象的 Shallow size 之和，即該對象被回收后 GC 釋放的內存大小，一般說來關注后者大小即可。

對于有些大堆 (幾十 G) 的 Java 應用，需要較大內存才能打開 MAT。

通常本地開發機內存過小，是無法打開的，建議在線下服務器端安裝圖形環境和 MAT，遠程打開查看。或者執行 mat 命令生成堆索引，拷貝索引到本地，不過這種方式看到的堆信息有限。

為了診斷 GC 問題，建議在 JVM 參數中加上-XX:+PrintGCDateStamps。常用的 GC 參數如圖 10 所示。

圖 10. 常用 GC 參數

對于 Java 應用，通過 top+jstack+jmap+MAT 可以定位大多數應用和內存問題，可謂必備工具。有些時候，Java 應用診斷需要參考 OS 相關信息，可使用一些更全面的診斷工具，比如 Zabbix（整合了 OS 和 JVM 監控）等。

在分布式環境中，分布式跟蹤系統等基礎設施也對應用性能診斷提供了有力支持。

7、性能優化實踐

在介紹了一些常用的性能診斷工具后，下面將結合我們在 Java 應用調優中的一些實踐，從 JVM 層、應用代碼層以及數據庫層進行案例分享。

JVM 調優：GC 之痛

XX商業平臺某系統重構時選擇 RMI 作為內部遠程調用協議，系統上線后開始出現周期性的服務停止響應，暫停時間由數秒到數十秒不等。

通過觀察 GC 日志，發現服務自啟動后每小時會出現一次 Full GC。由于系統堆設置較大，Full GC 一次暫停應用時間會較長，這對線上實時服務影響較大。

經過分析，在重構前系統沒有出現定期 Full GC 的情況，因此懷疑是 RMI 框架層面的問題。

通過公開資料，發現 RMI 的 GDC（Distributed Garbage Collection，分布式垃圾收集）會啟動守護線程定期執行 Full GC 來回收遠程對象，清單 2 中展示了其守護線程代碼。

清單 2.DGC 守護線程源代碼

private static class Daemon extends Thread {     public void run() {     for (;;) {          //…     long d = maxObjectInspectionAge();     if (d >= l) {        System.gc();      d = 0;     }     //…     }         }    }

定位問題后解決起來就比較容易了。一種是通過增加-XX:+DisableExplicitGC 參數，直接禁用系統 GC 的顯示調用，但對使用 NIO 的系統，會有堆外內存溢出的風險。

另一種方式是通過調大 -Dsun.rmi.dgc.server.gcInterval 和-Dsun.rmi.dgc.client.gcInterval 參數，增加 Full GC 間隔，同時增加參數-XX:+ExplicitGCInvokesConcurrent，將一次完全 Stop-The-World 的 Full GC 調整為一次并發 GC 周期，減少應用暫停時間，同時對 NIO 應用也不會造成影響。

從圖 11 可知，調整之后的 Full GC 次數 在 3 月之后明顯減少。

圖 11.Full GC 監控統計

GC 調優對高并發大數據量交互的應用還是很有必要的，尤其是默認 JVM 參數通常不滿足業務需求，需要進行專門調優。GC 日志的解讀有很多公開的資料，本文不再贅述。關注微信公眾號：Java技術棧，在后臺回復：jvm，可以獲取我整理的 N 篇 jvm 教程，都是干貨。

GC 調優目標基本有三個思路：降低 GC 頻率，可以通過增大堆空間，減少不必要對象生成；降低 GC 暫停時間，可以通過減少堆空間，使用 CMS GC 算法實現；避免 Full GC，調整 CMS 觸發比例，避免 Promotion Failure 和 Concurrent mode failure（老年代分配更多空間，增加 GC 線程數加快回收速度），減少大對象生成等。

應用層調優：嗅到代碼的壞味道

從應用層代碼調優入手，剖析代碼效率下降的根源，無疑是提高 Java 應用性能的很好的手段之一。推薦閱讀：Java性能優化的50個細節！

某商業廣告系統（采用 Nginx 進行負載均衡）某次日常上線后，其中有幾臺機器負載急劇升高，CPU 使用率迅速打滿。我們對線上進行了緊急回滾，并通過 jmap 和 jstack 對其中某臺服務器的現場進行保存。

圖 12. 通過 MAT 分析堆棧現場

堆棧現場如圖 12 所示，根據 MAT 對 dump 數據的分析，發現最多的內存對象為 byte[] 和 java.util.HashMap Entry 對象存在循環引用。

初步定位在該 HashMap 的 put 過程中有可能出現了死循環問題

簡要的說就是 HashMap 本身并不具備多線程并發的特性，在多個線程同時 put 操作的情況下，內部數組進行擴容時會導致 HashMap 的內部鏈表形成環形結構，從而出現死循環。

針對此次上線，最大的改動在于通過內存緩存網站數據來提升系統性能，同時使用了懶加載機制，如清單 3 所示。

清單 3. 網站數據懶加載代碼

private static Map<Long, UnionDomain> domainMap = new HashMap<Long, UnionDomain>();    private boolean isResetDomains() {        if (CollectionUtils.isEmpty(domainMap)) {            // 從遠端 http 接口獲取網站詳情            List<UnionDomain> newDomains = unionDomainHttpClient                   .queryAllUnionDomain();            if (CollectionUtils.isEmpty(domainMap)) {                domainMap = new HashMap<Long, UnionDomain>();                for (UnionDomain domain : newDomains) {                    if (domain != null) {                        domainMap.put(domain.getSubdomainId(), domain);                    }                }            }            return true;        }        return false;    }

可以看到此處的 domainMap 為靜態共享資源，它是 HashMap 類型，在多線程情況下會導致其內部鏈表形成環形結構，出現死循環。

通過對前端 Nginx 的連接和訪問日志可以看到，由于在系統重啟后 Nginx 積攢了大量的用戶請求，在 Resin 容器啟動，大量用戶請求涌入應用系統，多個用戶同時進行網站數據的請求和初始化工作，導致 HashMap 出現并發問題。在定位故障原因后解決方法則比較簡單，主要的解決方法有：

（1）采用 ConcurrentHashMap 或者同步塊的方式解決上述并發問題;

（2）在系統啟動前完成網站緩存加載，去除懶加載等；

（3）采用分布式緩存替換本地緩存等。

對于壞代碼的定位，除了常規意義上的代碼審查外，借助諸如 MAT 之類的工具也可以在一定程度對系統性能瓶頸點進行快速定位。

但是一些與特定場景綁定或者業務數據綁定的情況，卻需要輔助代碼走查、性能檢測工具、數據模擬甚至線上引流等方式才能最終確認性能問題的出處。

以下是我們總結的一些壞代碼可能的一些特征，供大家參考：

（1）代碼可讀性差，無基本編程規范；

（2）對象生成過多或生成大對象，內存泄露等；

（3）IO 流操作過多，或者忘記關閉；

（4）數據庫操作過多，事務過長;

（5）同步使用的場景錯誤;

（6）循環迭代耗時操作等。

數據庫層調優：死鎖噩夢

對于大部分 Java 應用來說，與數據庫進行交互的場景非常普遍，尤其是 OLTP 這種對于數據一致性要求較高的應用，數據庫的性能會直接影響到整個應用的性能。

搜狗商業平臺系統作為廣告主的廣告發布和投放平臺，對其物料的實時性和一致性都有極高的要求，我們在關系型數據庫優化方面也積累了一定的經驗。

對于廣告物料庫來說，較高的操作頻繁度（特別是通過批量物料工具操作）很極易造成數據庫的死鎖情況發生，其中一個比較典型的場景是廣告物料調價。

客戶往往會頻繁的對物料的出價進行調整，從而間接給數據庫系統造成較大的負載壓力，也加劇了死鎖發生的可能性。下面以搜狗商業平臺某廣告系統廣告物料調價的案例進行說明。

某商業廣告系統某天訪問量突增，造成系統負載升高以及數據庫頻繁死鎖，死鎖語句如圖 13 所示。

圖 13. 死鎖語句

其中，groupdomain 表上索引為 idx_groupdomain_accountid (accountid)，idx_groupdomain_groupid(groupid)，primary(groupdomainid) 三個單索引結構，采用 Mysql innodb 引擎。

此場景發生在更新組出價時，場景中存在著組、組行業（groupindus 表）和組網站（groupdomain 表）。

當更新組出價時，若組行業出價使用組出價（通過 isusegroupprice 標示，若為 1 則使用組出價）。

同時若組網站出價使用組行業出價（通過 isuseindusprice 標示，若為 1 則使用組行業出價）時，也需要同時更新其組網站出價。

由于每個組下面最大可以有 3000 個網站，因此在更新組出價時會長時間的對相關記錄進行鎖定。

從上面發生死鎖的問題可以看到，事務 1 和事務 2 均選擇了 idx_groupdomain_accountid 的單列索引。根據 Mysql innodb 引擎加鎖的特點，在一次事務中只會選擇一個索引使用，而且如果一旦使用二級索引進行加鎖后，會嘗試將主鍵索引進行加鎖。進一步分析可知事務 1 在請求事務 2 持有的`idx_groupdomain_accountid`二級索引加鎖（加鎖范圍“space id 5726 page no 8658 n bits 824 index”），但是事務 2 已獲得該二級索引 (“space id 5726 page no 8658 n bits 824 index”) 上所加的鎖，在等待請求鎖定主鍵索引 PRIMARY 索引上的鎖。由于事務 2 等待執行時間過長或長時間不釋放鎖，導致事務 1 最終發生回滾。

通過對當天訪問日志跟蹤可以看到，當天有客戶通過腳本方式發起大量的修改推廣組出價的操作，導致有大量事務在循環等待前一個事務釋放鎖定的主鍵 PRIMARY 索引。

該問題的根源實際上在于 Mysql innodb 引擎對于索引利用有限，在 Oracle 數據庫中此問題并不突出。

解決的方式自然是希望單個事務鎖定的記錄數越少越好，這樣產生死鎖的概率也會大大降低。最終使用了（accountid, groupid）的復合索引，縮小了單個事務鎖定的記錄條數，也實現了不同計劃下的推廣組數據記錄的隔離，從而減少該類死鎖的發生幾率。

通常來說，對于數據庫層的調優我們基本上會從以下幾個方面出發：

（1）在 SQL 語句層面進行優化：慢 SQL 分析、索引分析和調優、事務拆分等；

（2）在數據庫配置層面進行優化：比如字段設計、調整緩存大小、磁盤 I/O 等數據庫參數優化、數據碎片整理等；

（3）從數據庫結構層面進行優化：考慮數據庫的垂直拆分和水平拆分等；

（4）選擇合適的數據庫引擎或者類型適應不同場景，比如考慮引入 NoSQL 等。

8、總結與建議

性能調優同樣遵循 2-8 原則，80%的性能問題是由 20%的代碼產生的，因此優化關鍵代碼事半功倍。同時，對性能的優化要做到按需優化，過度優化可能引入更多問題。對于 Java 性能優化，不僅要理解系統架構、應用代碼，同樣需要關注 JVM 層甚至操作系統底層。總結起來主要可以從以下幾點進行考慮：

1）基礎性能的調優

這里的基礎性能指的是硬件層級或者操作系統層級的升級優化，比如網絡調優，操作系統版本升級，硬件設備優化等。比如 F5 的使用和 SDD 硬盤的引入，包括新版本 Linux 在 NIO 方面的升級，都可以極大的促進應用的性能提升；

2）數據庫性能優化

包括常見的事務拆分，索引調優，SQL 優化，NoSQL 引入等，比如在事務拆分時引入異步化處理，最終達到一致性等做法的引入，包括在針對具體場景引入的各類 NoSQL 數據庫，都可以大大緩解傳統數據庫在高并發下的不足；

3）應用架構優化

引入一些新的計算或者存儲框架，利用新特性解決原有集群計算性能瓶頸等；或者引入分布式策略，在計算和存儲進行水平化，包括提前計算預處理等，利用典型的空間換時間的做法等；都可以在一定程度上降低系統負載；

4）業務層面的優化

技術并不是提升系統性能的唯一手段，在很多出現性能問題的場景中，其實可以看到很大一部分都是因為特殊的業務場景引起的，如果能在業務上進行規避或者調整，其實往往是最有效的。

結語

提問：請問下博文中，“如果一旦使用二級索引進行加鎖后，會嘗試將主鍵索引進行加鎖。” 這句話怎么理解，能否細說一下？

回答：非常感謝您的提問，具體來說，這是由于innodb引擎的二級索引的構造原理決定的。

1）InnoDB的主鍵是采用聚簇索引存儲，使用B+Tree作為索引結構，其葉子節點存儲的是索引值和數據本身（與MyISAM不同）

2）InnoDB的二級索引不使用聚簇索引，葉子節點存儲的是Key字段+主鍵值。因此通過二級索引查詢首先查到的是主鍵值，然后再根據主鍵索引找到相應的數據塊。

因此如果在InnoDB的二級索引加鎖，結合文章的SQL語句可以看到由于事務1(accountid=18558314,groupid=3691722) 和事務2(accountid=18558314 ,groupid=3691744)均命中accountid普通二級索引（‘idx_groupdomain_accountid’），其加鎖情況根據隔離級別分成以下兩種：

1）在RC隔離級別下，對命中的二級索引和聚簇索引（即主鍵索引）均加recordlock（行鎖）；

2）在RR隔離級別下，會在命中的二級索引上加next-keylock（即索引記錄加recordlock（行鎖）+索引記錄兩邊的間隙加上間隙所（Gaplock）），對應的聚簇索引上加recordlock(行鎖)。

目前我們線上數據庫默認隔離級別是RR，從事務2中可以看到由于它已經持有

index‘idx_groupdomain_accountid’

在

spaceid 5726 page no 8658的RECORDLOCK（二級索引）

但是在等待另外一個事務index PRIMIARY 在

spaceid 5726 page no 12990的RECORDLOCK（主鍵索引）

通過對業務場景的分析是由于短時間內大批量同類操作（修改推廣組出價）引起，導致有大量事務在循環等待前一個事務釋放鎖定的主鍵PRIMARY索引，最終導致事務回滾。（至于事務2是等待哪個事務持有的PRIMARY鎖，目前從日志里頭并沒有獲取到）。

“如何對Java程序調優”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！