Importnew注:如果你也对Java技术翻译分享感兴趣,欢迎加入我们的Java开发小组。参与方式请查看小组简介。
你想在标准硬件上运行TB级甚至PB级内存的JVM吗?你想与内存交互一样读写文件,且无需关心文件的打开、关闭、读、写吗?
JVM的64位地址空间使这些成为可能。首先,不要在观念上将内存和磁盘进行区分,而是统一处理为内存映射文件。在32位地址空间时,内存映射文件只是为了高速访问磁盘;因为受限于虚拟机的有限地址空间,并不支持大规模的虚拟内存或大文件。如今JVM已经发展为64位,而且可以在64位操作系统上运行。在一个进程的地址空间中,内存映射文件大小就可以达到TB甚至PB。
进程无需关心内存是在RAM或是磁盘上。操作系统会负责处理,而且处理得非常高效。
我们可以使用Java的MappedByteBuffer
类访问内存映射文件。该类的实例对象与普通的ByteBuffer
一样,但包含的内存是虚拟的——可能是在磁盘上,也可能是在RAM中。但无论哪种方式,都是由操作系统负责处理。因为的ByteBuffer
的大小上限是Intger.MAX_VALUE
,我们需要若干个ByteBuffer
来映射大量内存。在这个示例中,我映射了40GB。
这是因为我的Mac只有16GB内存,下面代码证明了这一点!
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
public
MapperCore(String prefix,
long
size)
throws
IOException {
coreFile =
new
File(prefix + getUniqueId() +
".mem"
);
// This is a for testing - to avoid the disk filling up
coreFile.deleteOnExit();
// Now create the actual file
coreFileAccessor =
new
RandomAccessFile(coreFile,
"rw"
);
FileChannel channelMapper = coreFileAccessor.getChannel();
long
nChunks = size / TWOGIG;
if
(nChunks > Integer.MAX_VALUE)
throw
new
ArithmeticException(
"Requested File Size Too Large"
);
length = size;
long
countDown = size;
long
from =
0
;
while
(countDown >
0
) {
long
len = Math.min(TWOGIG, countDown);
ByteBuffer chunk = channelMapper.map(MapMode.READ_WRITE, from, len);
chunks.add(chunk);
from += len;
countDown -= len;
}
}
|
上面的代码在虚拟内存创建了40GB MappedByteBuffer
对象列表。读取和写入时只需要注意处理两个内存模块的跨越访问。完整代码的可以在这里找到。
线程
一个极其强大且简单易用的方法就是线程。但是普通的Java IO简直就是线程的噩梦。两个线程无法在不引起冲突的情况下同时访问相同的数据流或RandomAccessFile
。虽然可以使用非阻塞IO,但是这样做会增加代码的复杂性并对原有的代码造成侵入。
与其他的内存线程一样,内存映射文件也是由操作系统来处理。可以根据读写需要,在同一时刻尽可能多的使用线程。我的测试代码有128个线程,而且工作得很好(虽然机器发热比较大)。唯一重要的技巧是复用MappedByteBuffer
对象,避免自身位置状态引发问题。
现在可以执行下面的测试:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
|
@Test
public
void
readWriteCycleThreaded()
throws
IOException {
final
MapperCore mapper =
new
MapperCore(
"/tmp/MemoryMap"
, BIG_SIZE);
final
AtomicInteger fails =
new
AtomicInteger();
final
AtomicInteger done =
new
AtomicInteger();
Runnable r =
new
Runnable() {
public
void
run() {
try
{
// Set to 0 for sequential test
long
off = (
long
) ((BIG_SIZE -
1024
) * Math.random());
System.out.println(
"Running new thread"
);
byte
[] bOut =
new
byte
[
1024
];
double
counts =
10000000
;
for
(
long
i =
0
; i < counts; ++i) {
ByteBuffer buf = ByteBuffer.wrap(bOut);
long
pos = (
long
) (((BIG_SIZE -
1024
) * (i / counts)) + off)
% (BIG_SIZE -
1024
);
// Align with 8 byte boundary
pos = pos /
8
;
pos = pos *
8
;
for
(
int
j =
0
; j <
128
; ++j) {
buf.putLong(pos + j *
8
);
}
mapper.put(pos, bOut);
byte
[] bIn = mapper.get(pos,
1024
);
buf = ByteBuffer.wrap(bIn);
for
(
int
j =
0
; j <
128
; ++j) {
long
val = buf.getLong();
if
(val != pos + j *
8
) {
throw
new
RuntimeException(
"Error at "
+ (pos + j *
8
) +
" was "
+ val);
}
}
}
System.out.println(
"Thread Complete"
);
}
catch
(Throwable e) {
e.printStackTrace();
fails.incrementAndGet();
}
finally
{
done.incrementAndGet();
}
}
};
int
nThreads =
128
;
for
(
int
i =
0
; i < nThreads; ++i) {
new
Thread(r).start();
}
while
(done.intValue() != nThreads) {
try
{
Thread.sleep(
1000
);
}
catch
(InterruptedException e) {
// ignore
}
}
if
(fails.intValue() !=
0
) {
throw
new
RuntimeException(
"It failed "
+ fails.intValue());
}
}
|
我曾尝试进行其他形式的IO,但是只要像上面那样运行128个线程,性能都不如上面的方法。我在四核、超线程I7 Retina MacBook Pro上尝试过。代码运行时会启动128个线程,超出CPU的最大负载(800%),直到操作系统检测到该进程的内存不足。在这个时候,系统开始对内存映射文件的读写进行分页。为实现这一目标,内核会占用一定的CPU,Java进程的性能会下降到650~750%。Java无需关心读取、写入、同步或类似的东西——操作系统会负责处理。
结果会有所不同
如果读取和写入点不是连续而是随机的,性能下降有所区别(带有交换时会达到750%,否则会达到250%)。我相信这种方式可能更适合处理少量的大数据对象,而不适用于大量的小数据对象。对于后者,可能的处理办法是预先将大量小数据对象加载到缓存中,再将其映射到虚拟内存。
应用程序
到目前为止,我使用的技术都是虚拟内存系统。在示例中,一旦与虚拟内存交互完成,就会删除底层文件。但是,这种方法可以很容易地进行数据持久化。
例如,视频编辑是一个非常具有挑战性的工程问题。一般来说,有两个有效的方法:无损耗存储整个视频,并编辑存储的信息;或根据需要重新生成视频。因为RAM的制约,后一种方法越来越普遍。然而,视频是线性的——这是一种理想的数据类型,可用来存储非常大的映射虚拟内存。由于在视频算法上取得的进步,可以将它作为原始字节数组访问。操作系统会根据需要将磁盘到虚拟内存的缓冲区进行分页处理。
另一个同样有效的应用场景是替代文档服务中过度设计的RAM缓存解决方案。想想看,我们有一个几TB的中等规模的文档库。它可能包含图片、短片和PDF文件。有一种常见的快速访问磁盘的方法,使用文件的RAM缓存弱引用或软引用。但是,这会对JVM垃圾收集器产生重大影响,并且增加操作难度。如果将整个文档映射到虚拟内存,可以更加简单地完成同样的工作。操作系统会根据需要将数据读入内存。更重要的是,操作系统将尽量保持RAM中最近被访问的内存页。这意味着内存映射文件就像RAM缓存一样,不会对Java或JVM垃圾收集器产生任何影响。
最后,内存映射文件在科学计算和建模等应用中非常有效。在用来处理代表真实世界系统的计算模型时,经常需要大量的数据才能正常工作。在我的音频处理系统Sonic Field中,通过混合和处理单一声波,可以模拟真实世界中的音频效果。例如,创建原始音频副本是为模拟从硬表面反射的声波,并将反射回来的声波与原声波混合。这种方法需要大量的存储空间,这时就可以把音频信号放在虚拟内存中(也是这项工作的最初动机)。
作者Alex已经从事Java开发15年了,最近帮助开发了COBOL和Magik语言的JVM 。当前,他正致力于Micro Focus的Java性能测试工具。