通過這一個多月的努力，將FullGC從40次/天優化到近10天才觸發一次，而且YoungGC的時間也減少了一半以上，這么大的優化，有必要記錄一下中間的調優過程。
對於JVM垃圾回收，之前一直都是處於理論階段，就知道新生代，老年代的晉升關系，這些知識僅夠應付面試使用的。前一段時間，線上服務器的FullGC非常頻繁，平均一天40多次，而且隔幾天就有服務器自動重啟了，這表明的服務器的狀態已經非常不正常了，得到這么好的機會，當然要主動請求進行調優了。未調優前的服務器GC數據，FullGC非常頻繁。
首先服務器的配置非常一般（2核4G），總共4台服務器集群。每台服務器的FullGC次數和時間基本差不多。其中JVM幾個核心的啟動參數為：
-Xms1000M -Xmx1800M -Xmn350M -Xss300K -XX:+DisableExplicitGC -XX:SurvivorRatio=4 -XX:+UseParNewGC -XX:+UseConcMarkSweepGC -XX:CMSInitiatingOccupancyFraction=70 -XX:+CMSParallelRemarkEnabled -XX:LargePageSizeInBytes=128M -XX:+UseFastAccessorMethods -XX:+UseCMSInitiatingOccupancyOnly -XX:+PrintGCDetails -XX:+PrintGCTimeStamps -XX:+PrintHeapAtGC
1
2
-Xmx1800M：設置JVM最大可用內存為1800M。
-Xms1000m：設置JVM初始化內存為1000m。此值可以設置與-Xmx相同，以避免每次垃圾回收完成后JVM重新分配內存。
-Xmn350M：設置年輕代大小為350M。整個JVM內存大小=年輕代大小 + 年老代大小 + 持久代大小。持久代一般固定大小為64m，所以增大年輕代后，將會減小年老代大小。此值對系統性能影響較大，Sun官方推薦配置為整個堆的3/8。
-Xss300K：設置每個線程的堆棧大小。JDK5.0以后每個線程堆棧大小為1M，以前每個線程堆棧大小為256K。更具應用的線程所需內存大小進行調整。在相同物理內存下，減小這個值能生成更多的線程。但是操作系統對一個進程內的線程數還是有限制的，不能無限生成，經驗值在3000~5000左右。
第一次優化
一看參數，馬上覺得新生代為什么這么小，這么小的話怎么提高吞吐量，而且會導致YoungGC的頻繁觸發，如上如的新生代收集就耗時830s。初始化堆內存沒有和最大堆內存一致，查閱了各種資料都是推薦這兩個值設置一樣的，可以防止在每次GC后進行內存重新分配。基於前面的知識，於是進行了第一次的線上調優：提升新生代大小，將初始化堆內存設置為最大內存
-Xmn350M -> -Xmn800M
-XX:SurvivorRatio=4 -> -XX:SurvivorRatio=8
-Xms1000m ->-Xms1800m
將SurvivorRatio修改為8的本意是想讓垃圾在新生代時盡可能的多被回收掉。就這樣將配置部署到線上兩台服務器（prod，prod2另外兩台不變方便對比）上后，運行了5天后，觀察GC結果，YoungGC減少了一半以上的次數，時間減少了400s，但是FullGC的平均次數增加了41次。YoungGC基本符合預期設想，但是這個FullGC就完全不行了。
就這樣第一次優化宣告失敗。
第二次優化
在優化的過程中，我們的主管發現了有個對象T在內存中有一萬多個實例，而且這些實例占據了將近20M的內存。於是根據這個bean對象的使用，在項目中找到了原因：匿名內部類引用導致的，偽代碼如下：
public void doSmthing(T t){
redis.addListener(new Listener(){
public void onTimeout(){
if(t.success()){
//執行操作
}
}
});
}
1
2
3
4
5
6
7
8
9
由於listener在回調后不會進行釋放，而且回調是個超時的操作，當某個事件超過了設定的時間（1分鍾）后才會進行回調，這樣就導致了T這個對象始終無法回收，所以內存中會存在這么多對象實例。
通過上述的例子發現了存在內存泄漏后，首先對程序中的error log文件進行排查，首先先解決掉所有的error事件。然后再次發布后，GC操作還是基本不變，雖然解決了一點內存泄漏問題，但是可以說明沒有解決根本原因，服務器還是繼續莫名的重啟。
內存泄漏調查
經過了第一次的調優后發現內存泄漏的問題，於是大家都開始將進行內存泄漏的調查，首先排查代碼，不過這種效率是蠻低的，基本沒發現問題。於是在線上不是很繁忙的時候繼續進行dump內存，終於抓到了一個大對象
這個對象竟然有4W多個，而且都是清一色的ByteArrowRow對象，可以確認這些數據是數據庫查詢或者插入時產生的了。於是又進行一輪代碼分析，在代碼分析的過程中，通過運維的同事發現了在一天的某個時候入口流量翻了好幾倍，竟然高達83MB/s，經過一番確認，目前完全沒有這么大的業務量，而且也不存在文件上傳的功能。咨詢了阿里雲客服也說明完全是正常的流量，可以排除攻擊的可能。
就在我還在調查入口流量的問題時，另外一個同事找到了根本的原因，原來是在某個條件下，會查詢表中所有未處理的指定數據，但是由於查詢的時候where條件中少加了模塊這個條件，導致查詢出的數量達40多萬條，而且通過log查看當時的請求和數據，可以判斷這個邏輯確實是已經執行了的，dump出的內存中只有4W多個對象，這個是因為dump時候剛好查詢出了這么多個，剩下的還在傳輸中導致的。而且這也能非常好的解釋了為什么服務器會自動重啟的原因。
解決了這個問題后，線上服務器運行完全正常了，使用未調優前的參數，運行了3天左右FullGC只有5次
第二次調優
內存泄漏的問題已經解決了，剩下的就可以繼續調優了，經過查看GC log，發現前三次GullGC時，老年代占據的內存還不足30%，卻發生了FullGC。於是進行各種資料的調查，在https://blog.csdn.net/zjwstz/article/details/77478054 博客中非常清晰明了的說明metaspace導致FullGC的情況，服務器默認的metaspace是21M，在GC log中看到了最大的時候metaspace占據了200M左右，於是進行如下調優，以下分別為prod1和prod2的修改參數，prod3，prod4保持不變
-Xmn350M -> -Xmn800M
-Xms1000M ->1800M
-XX:MetaspaceSize=200M
-XX:CMSInitiatingOccupancyFraction=75
和
-Xmn350M -> -Xmn600M
-Xms1000M ->1800M
-XX:MetaspaceSize=200M
-XX:CMSInitiatingOccupancyFraction=75
prod1和2只是新生代大小不一樣而已，其他的都一致。到線上運行了10天左右，進行對比：
prod1：
prod2：
prod3：
prod4：
對比來說，1，2兩台服務器FullGC遠遠低於3，4兩台，而且1，2兩台服務器的YounGC對比3，4也減少了一半左右，而且第一台服務器效率更為明顯，除了YoungGC次數減少，而且吞吐量比多運行了一天的3，4兩台的都要多（通過線程啟動數量），說明prod1的吞吐量提升尤為明顯。
通過GC的次數和GC的時間，本次優化宣告成功，且prod1的配置更優，極大提升了服務器的吞吐量和降低了GC一半以上的時間。
prod1中的唯一一次FullGC：
通過GC log上也沒看出原因，老年代在cms remark的時候只占據了660M左右，這個應該還不到觸發FullGC的條件，而且通過前幾次的YoungGC調查，也排除了晉升了大內存對象的可能，通過metaspace的大小，也沒有達到GC的條件。這個還需要繼續調查，有知道的歡迎指出下，這里先行謝過了。
總結
通過這一個多月的調優總結出以下幾點：
FullGC一天超過一次肯定就不正常了
發現FullGC頻繁的時候優先調查內存泄漏問題
內存泄漏解決后，jvm可以調優的空間就比較少了，作為學習還可以，否則不要投入太多的時間
如果發現CPU持續偏高，排除代碼問題后可以找運維咨詢下阿里雲客服，這次調查過程中就發現CPU 100%是由於服務器問題導致的，進行服務器遷移后就正常了。
數據查詢的時候也是算作服務器的入口流量的，如果訪問業務沒有這么大量，而且沒有攻擊的問題的話可以往數據庫方面調查
有必要時常關注服務器的GC，可以及早發現問題
以上是最近一個多月JVM調優的過程與總結，如有錯誤之處歡迎指正。
參考博客：
https://blog.csdn.net/zjwstz/article/details/77478054
https://www.cnblogs.com/onmyway20xx/p/6590603.html
————————————————
原文鏈接：https://blog.csdn.net/cml_blog/article/details/81057966