面试金蝶被问到--JVM内存设置多大合适？ Xmx和Xmn如何设置

末蓝、 2023-03-14 10:42 6阅读 0赞

问题：  
新上线一个java服务，或者是Rpc或者是Web站点，内存的设置改怎么设置呢？设置多大合适呢？

分析：  
依赖的原则是根据Java Performance里面的推荐公式来进行设置。  
·![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zMDQwOTkyNw_size_16_color_FFFFFF_t_70]

## 具体来讲： ##

*  java整个堆大小设置：Xmx和Xms设置为老年代存活对象的3-4倍，即FullGC之后的老年代内存占用的3-4倍。
 *  永久代PermSize和MaxPermSize设置为老年代存活对象的1.2-1.5倍
 *  年轻代Xmx的设置为老年代存活对象的1-1.5倍
 *  老年代的内存大小设置为老年代存活对象的2-3倍

BTW：

1.  Sun官方建议年轻代的大小为整个堆的3/8左右， 所以按照上述设置的方式，基本符合Sun的建议。
2.  堆大小=年轻代大小+年老代大小， 即xmx=xmn+老年代大小 。 Permsize不影响堆大小。
3.  为什么要按照上面的来进行设置呢？ 没有具体的说明，但应该是根据多种调优之后得出的一个结论。

**如何确认老年代存活对象的大小**

方式1（推荐/比较稳妥）：  
JVM参数中添加GC日志，GC日志中会记录每次FullGC之后各代的内存大小，观察老年代GC之后的空间大小。可观察一段时间内（比如2天）的FullGC之后的内存情况，根据多次的FullGC之后的老年代的空间大小数据来预估FullGC之后老年代的存活对象大小（可根据多次FullGC之后的内存大小取平均值）

方式2：（强制触发FullGC, 会影响线上服务，慎用）  
方式1的方式比较可行，但需要更改JVM参数，并分析日志。同时，在使用CMS回收器的时候，有可能不能触发FullGC（只发生CMS GC），所以日志中并没有记录FullGC的日志。在分析的时候就比较难处理。  
BTW：使用jstat -gcutil工具来看FullGC的时候， CMS GC是会造成2次的FullGC次数增加。 具体可参见之前写的一篇关于jstat使用的文章  
所以，有时候需要强制触发一次FullGC，来观察FullGC之后的老年代存活对象大小。  
注：强制触发FullGC，会造成线上服务停顿（STW），要谨慎，建议的操作方式为，在强制FullGC前先把服务节点摘除，FullGC之后再将服务挂回可用节点，对外提供服务  
在不同时间段触发FullGC，根据多次FullGC之后的老年代内存情况来预估FullGC之后的老年代存活对象大小

如何触发FullGC ？  
使用jmap工具可触发FullGC  
jmap -dump:live,format=b,file=heap.bin 将当前的存活对象dump到文件，此时会触发FullGC  
jmap -histo:live 打印每个class的实例数目,内存占用,类全名信息.live子参数加上后,只统计活的对象数量. 此时会触发FullGC

以我司的一个RPC服务为例。  
BTW：刚上线的新服务，不知道该设置多大的内存的时候，可以先多设置一点内存，然后根据GC之后的情况来进行分析。  
初始JVM内存参数设置为： Xmx=2G Xms=2G xmn=1G

使用jstat 查看当前的GC情况。如下图：  
![在这里插入图片描述][20200517145342718.png]  
YGC平均耗时： 173.825s/15799=11ms  
FGC平均耗时：0.817s/41=19.9ms  
平均大约10-20s会产生一次YGC

看起来似乎不错，YGC触发的频率不高，FGC的耗时也不高，但这样的内存设置是不是有些浪费呢？  
为了快速看数据，我们使用了方式2，产生了几次FullGC，FullGC之后，使用的jmap -heap 来看的当前的堆内存情况（也可以根据GC日志来看）  
heap情况如下图：（命令 ： jmap -heap ）

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zMDQwOTkyNw_size_16_color_FFFFFF_t_70 1]

上图中的concurrent mark-sweep generation即为老年代的内存描述。  
老年代的内存占用为100M左右。 按照整个堆大小是老年代（FullGC）之后的3-4倍计算的话，设置各代的内存情况如下：  
Xmx=512m Xms=512m Xmn=128m PermSize=128m 老年代的大小为 （512-128=384m）为老年代存活对象大小的3倍左右  
调整之后的，heap情况

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zMDQwOTkyNw_size_16_color_FFFFFF_t_70 2]

GC情况如下  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zMDQwOTkyNw_size_16_color_FFFFFF_t_70 3]  
YGC 差不多在10s左右触发一次。每次YGC平均耗时大约9.41ms。可接受。  
FGC平均耗时：0.016s/2=8ms  
整体的GC耗时减少。但GC频率比之前的2G时的要多了一些。

总结：  
在内存相对紧张的情况下，可以按照上述的方式来进行内存的调优， 找到一个在GC频率和GC耗时上都可接受的一个内存设置，可以用较小的内存满足当前的服务需要  
但当内存相对宽裕的时候，可以相对给服务多增加一点内存，可以减少GC的频率，GC的耗时相应会增加一些。 一般要求低延时的可以考虑多设置一点内存， 对延时要求不高的，可以按照上述方式设置较小内存。

补充：  
永久代（方法区）并不在堆内，所以之前有看过一篇文章中描述的 整个堆大小=年轻代+年老代+永久代的描述是不正确的。

补充  
\-verbose:gc 现实垃圾收集信息  
\-Xloggc:gc.log 指定垃圾收集日志文件  
\-Xmn：young generation的heap大小，一般设置为Xmx的3、4分之一  
\-XX:SurvivorRatio=2 :生还者池的大小,默认是2，如果垃圾回收变成了瓶颈，您可以尝试定制生成池设置

\-XX:NewSize: 新生成的池的初始大小。 缺省值为2M。  
\-XX:MaxNewSize: 新生成的池的最大大小。 缺省值为32M。

\+XX:AggressiveHeap 会使得 Xms没有意义。这个参数让jvm忽略Xmx参数,疯狂地吃完一个G物理内存,再吃尽一个G的swap。  
\-Xss：每个线程的Stack大小，“-Xss 15120” 这使得JBoss每增加一个线程（thread)就会立即消耗15M内存，而最佳值应该是128K,默认值好像是512k.

**内存溢出分析：**  
[**https://blog.csdn.net/weixin\_30409927/article/details/106175868**][https_blog.csdn.net_weixin_30409927_article_details_106175868]

**JVM内存飙升100%以上解决方案：**  
[**https://blog.csdn.net/weixin\_30409927/article/details/106189653**][https_blog.csdn.net_weixin_30409927_article_details_106189653]

**gitLab服务器cpu 100%/ 502：**  
[**https://blog.csdn.net/weixin\_30409927/article/details/106296908**][https_blog.csdn.net_weixin_30409927_article_details_106296908]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zMDQwOTkyNw_size_16_color_FFFFFF_t_70]: /images/20230312/03cd42928b7341b182302da08df71898.png
[20200517145342718.png]: /images/20230312/2f7be1cfd1304481a4309631f4998489.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zMDQwOTkyNw_size_16_color_FFFFFF_t_70 1]: /images/20230312/15130e4a59ae424a973be870574efaf2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zMDQwOTkyNw_size_16_color_FFFFFF_t_70 2]: /images/20230312/9ae717ddf3ab4d869fe7f6bb81dac36f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zMDQwOTkyNw_size_16_color_FFFFFF_t_70 3]: /images/20230312/a19057758585410fa4ccfacc5120125e.png
[https_blog.csdn.net_weixin_30409927_article_details_106175868]: https://blog.csdn.net/weixin_30409927/article/details/106175868
[https_blog.csdn.net_weixin_30409927_article_details_106189653]: https://blog.csdn.net/weixin_30409927/article/details/106189653
[https_blog.csdn.net_weixin_30409927_article_details_106296908]: https://blog.csdn.net/weixin_30409927/article/details/106296908