溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章主要介紹“Java性能如何調優”，在日常操作中，相信很多人在Java性能如何調優問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”Java性能如何調優”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！
Java性能調優最強實踐 每層優化難度逐級增加，涉及的知識和解決的問題也會不同。比如應用層需要理解代碼邏輯，通過 Java 線程棧定位有問題代碼行等；數據庫層面需要分析 SQL、定位死鎖等；框架層需要懂源代碼，理解框架機制；JVM 層需要對 GC 的類型和工作機制有深入了解，對各種 JVM 參數作用了然于胸。
圍繞 Java 性能優化，有兩種最基本的分析方法：現場分析法和事后分析法。
現場分析法通過保留現場，再采用診斷工具分析定位。現場分析對線上影響較大，部分場景（特別是涉及到用戶關鍵的在線業務時）不太合適。
事后分析法需要盡可能多收集現場數據，然后立即恢復服務，同時針對收集的現場數據進行事后分析和復現。下面我們從性能診斷工具出發，分享一些案例與實踐。
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。
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。
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。
top 命令示例中 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，如下圖所示：
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; c=c.parent) {
// Protected against simultaneous call to addAppender, removeAppender,…
synchronized(c) {
if (c.aai != null) {
write += c.aai.appendLoopAppenders(event);
}
…
}
}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。
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，如下圖所示，可供參考。
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。
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。
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，如下圖所示。
Java性能調優最強實踐 JProfiler
JProfiler 可對 CPU、堆、內存進行分析，功能強大，如下圖所示。同時結合壓測工具，可以對代碼耗時采樣統計。
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 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 <interval> <count>，如下圖所示。
jstat 命令示例 
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 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。
Java性能調優最強實踐 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 參數如下圖所示。
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。
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。
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。
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。
從下圖可知，調整之后的 Full GC 次數 在 3 月之后明顯減少。
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。
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。
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。
Java性能調優最強實踐 堆棧現場如上圖所示，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，且 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（圖中 java.util.HashMap $Entry 0x2add6d992cb8 和 0x2add6d992ce8 的 next 引用形成循環）。
查閱相關文檔定位這屬于典型的并發使用的場景錯誤
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。
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，死鎖語句如下圖所示。
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。
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：
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；
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；
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；
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。
到此，關于“Java性能如何調優”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
