当前位置: 首页 > article >正文

JVM 内存模型与垃圾回收过程详解

JVM 内存模型与垃圾回收过程详解

文章目录

  • JVM 内存模型与垃圾回收过程详解
    • 1. JVM内存分区
      • 1.1 具体分区
      • 1.2 JVM内存分区的必要性
    • 2. 垃圾回收
      • 2.1 CMS垃圾回收器
      • 2.2 G1垃圾回收器
      • 2.3 JVM垃圾回收从新生代到老年代

1. JVM内存分区

1.1 具体分区

Java虚拟机(JVM)的内存模型主要分为两个大区:新生代(Young Generation)和老年代(Old Generation)。新生代进一步细分为三个区域:Eden区、Survivor区,而Survivor区又分为From Survior区(S0)和To Survior区(S1)。

在这里插入图片描述

1.2 JVM内存分区的必要性

分代收集算法是JVM垃圾回收的核心策略之一,它将堆内存划分为几个不同的区域,以便更有效地管理不同生命周期的对象。

  • 分代收集算法的优势:这种策略能够保证高速的读写操作同时保持内存的连续性。
  • 内存分区的目的:通过分区,可以针对不同类型的对象采取不同的回收策略,提高垃圾回收的效率。

2. 垃圾回收

2.1 CMS垃圾回收器

  • 分代:CMS(Concurrent Mark Sweep)垃圾回收器将堆内存分为新生代、老年代和永久代(Java 8后改为元空间Metaspace)。
  • 工作流程
    • 初始标记:一个短暂的停止-the-world过程,标记所有从根可达的老年代对象。
    • 并发标记:与应用程序线程并发执行,继续标记所有可达对象。
    • 重新标记:再次停止-the-world,修正并发标记阶段的变化。
    • 并发清理:与应用程序线程并发执行,清理已标记为死亡的对象。
  • 适用场景
    • CMS适用于对响应时间要求较高的系统,因为它试图减少垃圾回收对应用程序的影响,但可能会产生较多的内存碎片。

2.2 G1垃圾回收器

  • 分代:G1(Garbage-First)垃圾回收器将堆内存划分为多个Region,这些Region可以是新生代或老年代。
  • 工作流程
    • 混合收集:初始阶段,G1执行一个类似于CMS的混合收集,清理新生代和老年代。
    • 标记阶段:使用Region-based的标记算法识别所有可达对象。
    • 预备阶段:G1计算每个Region的垃圾回收价值(GC Value),并决定回收哪些Region以及回收多少内存。
    • 回收阶段:G1并发地回收选定的Region,分段进行,不会影响应用程序的吞吐量。
  • 适用场景
    • G1适用于多核处理器,旨在提供高吞吐量和低延迟,同时减少内存碎片。

2.3 JVM垃圾回收从新生代到老年代

  1. 对象创建:程序启动时,在Eden区创建大量临时对象。
  2. Eden区满:当Eden区空间不足时,通过可达性算法标记所有从根可达的对象,将它们放入S0区清空Eden区
  3. 复制/清除Eden区再次满时,将S0和S1交换角色,通过复制/清除算法将数据复制到S0区
  4. 对象晋升:如果对象在新生代经历了预设的年龄阈值(如15次Minor GC)后仍然存活,它会被晋升到老年代。
  5. Survivor空间不足:如果Survivor空间不足以容纳存活对象,一些存活时间较长的对象可能会直接晋升到老年代。
  6. 大对象:如果一个数组或对象的大小超过新生代最大容量,它将直接在老年代分配
  7. 特定对象:某些特定对象(如使用Finalize方法的对象)可能会被设置为总是直接进入老年代。

http://www.kler.cn/news/340832.html

相关文章:

  • Linux驱动开发(速记版)--热插拔
  • Blade 模板引擎中常用的指令和标签
  • 宠物咖啡馆互动平台:SpringBoot框架的设计与优化
  • 基于Arduino的超声波和舵机模块集成使用
  • 软件测试 —— 灰度测试及测试流程!
  • 什么是CIA三要素以及对于信息安全的重要性
  • 如何使用IntelliJ IDEA生成UML图
  • SQL性能优化指南:如何优化MySQL多表join场景
  • CW32L010安全低功耗MCU,树立M0+产品行业新标杆!
  • 【计算机毕设】springboot-家具销售电商平台(附源码)
  • ThreadLocal底层原理及数据结构详解
  • PostgreSQL中使用RETURNING子句来返回被影响行的数据
  • 力扣 二叉树 104. 二叉树的最大深度
  • FastJson详解与使用:高效JSON解析与序列化利器
  • 计算机毕业设计Django+Vue.js豆瓣图书推荐系统 图书评论情感分析 豆瓣图书可视化大屏 豆瓣图书爬虫 数据分析 图书大数据 大数据毕业设计 机器学习
  • 在Ubuntu 22.04上安装Ollama的两种方式
  • 胤娲科技:AI评估新纪元——LightEval引领透明化与定制化浪潮
  • Springboot3+druid+jasypt+application.yml配置文件数据库密码加密技术
  • 上门安装维修系统小程序开发详解及源码示例
  • pip 和 conda 的安装区别