深入解析 Java GC 调优：减少 Minor GC 频率，优化系统吞吐_日常java服务一分钟gc大概是多少呢

程序员一粟

于 2025-04-26 21:07:11 发布

阅读量685

点赞数 11

文章标签： java 算法大数据人工智能编程服务器开发语言

本文链接：https://blog.csdn.net/jennycisp/article/details/147542761

版权

一、问题描述

（一）GC 频率与影响

1. GC 频率统计

2. GC 对请求延迟的影响

2.1 Minor GC 影响的请求数

2.2 Major GC 影响的请求数

3. TP90/TP99 的影响

（二）主要问题

1. Minor GC 过于频繁

2. Major GC 触发频率偏高

二、分析 GC 机制

（一）Java 内存回收机制概述

（二）新生代 GC 过程

（三）复制算法的优势

（四）相关 JVM 关键参数

1. 新生代大小

2. Survivor 区比例

3. 对象晋升阈值

三、GC 日志分析

（一）关键日志信息解析

1. 对象晋升阈值过低

2. 老年代占用过高

（二）结论断定

1. 对象晋升过早

2. Survivor 区利用率偏低

3. 老年代积累速度过快

（三）优化方向定论

1. 延长 Survivor 存活时间

2. 增大 Survivor 区

3.监控老年代增长情况

4. 这样修改后的价值

四、优化结果分析

（一）优化前后对比图

（二）直接效果说明优化收益

1. GC 频率和耗时改进

2. Major GC 影响

五、总结

干货分享，感谢您的阅读！

在高并发、低延迟的 Java 系统中，GC（垃圾回收）性能优化往往是提升应用响应速度和稳定性的关键因素之一。本篇文章基于实际案例，深入分析 GC 触发频率、对系统吞吐的影响，并通过 JVM 日志解析发现核心问题，如 Minor GC 过于频繁、对象过早晋升导致 Major GC 触发增多等。最终，我们通过参数优化有效降低 GC 影响，使系统吞吐量和可用性得到显著提升。本文不仅提供了详尽的数据分析，还给出了可操作的优化方案，为 Java 开发者在 GC 调优中提供实战参考。

历史主要基本文章回顾：

涉猎内容	具体链接
Java GC 基础知识快速回顾	Java GC 基础知识快速回顾-CSDN博客
垃圾回收基本知识内容	Java回收垃圾的基本过程与常用算法_java垃圾回收过程-CSDN博客
CMS调优和案例分析	CMS垃圾回收器介绍与优化分析案列整理总结_cms 对老年代的回收做了哪些优化设计-CSDN博客
G1调优分析	Java Hotspot G1 GC的理解总结_java g1-CSDN博客
ZGC基础和调优案例分析	垃圾回收器ZGC应用分析总结-CSDN博客
从ES的JVM配置起步思考JVM常见参数优化	从ES的JVM配置起步思考JVM常见参数优化_es jvm配置-CSDN博客
深入剖析GC问题：如何有效判断与排查	深入剖析GC问题：如何有效判断与排查_排查java堆中大对象触发gc-CSDN博客
动态扩缩容引发的JVM堆内存震荡调优指南	动态扩缩容引发的JVM堆内存震荡：从原理到实践的GC调优指南
显式 GC 的使用：留与去，如何选择？	显式 GC 的使用：留与去，如何选择？
堆外内存 OOM：现象分析与优化方案	堆外内存 OOM：现象分析与优化方案
过早晋升的识别与优化实战	Java垃圾回收的隐性杀手：过早晋升的识别与优化实战
如何选取合适的 NewRatio 值	如何选取合适的 NewRatio 值来优化 JVM 的垃圾回收策略
解决 CMS Old GC 频繁触发	解决 CMS Old GC 频繁触发优化 Java 性能的技术方案
避免 CMS GC退化操作	分析CMS GC退化为单线程串行GC模式的原因与优化
解决单次 CMS Old GC 耗时长问题	单次 CMS Old GC 耗时长问题分析与优化
高效解决MetaSpace OOM 问题	深入剖析 MetaSpace OOM 问题：根因分析与高效解决策略
高频面试题汇总	JVM高频基本面试问题整理_jvm面试题-CSDN博客

一、问题描述

（一）GC 频率与影响

1. GC 频率统计

在某高并发低延迟服务中，发现垃圾回收（GC）的触发频率如下：

Minor GC：每分钟 100 次（平均每 600ms 触发 1 次）。
Major GC：每 4 分钟 触发 1 次（即

👉 准备好进入下一个阶段了吗？走起！

在人工智能（AI）迅速发展的背景下，从传统的编程领域如Java程序员转向大模型开发是一个既充满挑战也充满机遇的过程。对于 Java 程序员来说，这也是一个实现职业转型、提升薪资待遇的绝佳机遇。

为大家整理了一份大模型AGI-CSDN独家资料包，微信扫码即可获取！
在这里插入图片描述

一、明确大模型概念

简单来说，大模型就是具有大量参数和强大计算能力的人工智能模型，可以处理各种复杂的任务，如自然语言处理、图像识别等。想象一下，大模型就像是一个超级聪明的大脑，能够理解和处理各种信息。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

二、转行步骤

第一步：学习基础知识。了解机器学习、深度学习的基本概念和原理，掌握常见的算法和模型架构。可以通过在线课程、书籍等资源进行系统学习。

第二步：掌握相关工具和框架。大模型的开发通常需要使用一些特定的工具和框架，如 TensorFlow、PyTorch 等。虽然 Java 程序员可能对这些工具不太熟悉，但可以通过学习和实践逐渐掌握。

第三步：提升编程能力。大模型的开发需要高效的编程能力，尤其是在处理大规模数据和复杂计算时。Java 程序员可以进一步提升自己的编程技巧，学习优化算法和代码结构的方法。

第四步：数学知识储备。高数、概率论和线性代数等数学知识对于理解和开发大模型至关重要。Java 程序员可以通过复习和学习相关数学课程，提升自己的数学水平。（

第五步：项目实践。参与开源项目、参加数据竞赛或者通过企业实习获取实际项目经验。在实践中，不仅可以巩固所学知识，还能了解大模型在实际应用中的需求和挑战。

三、Java 程序员的优势

对于 Java 程序员来说，转行做大模型具备一定的优势。Java 语言在企业级应用开发中广泛使用，程序员们对软件架构和开发流程有较为深入的理解，这对于大模型的工程化实施非常有帮助。

总之，Java 程序员要成功转行做大模型，需要不断学习、实践和积累经验。在 AI 时代的浪潮中，抓住机遇，勇敢迈出转型的步伐，迎接新的职业挑战和发展机遇。

四、AI大模型时代的价值技术岗位

随着AI大模型时代的到来，开发工程师出现了许多新的工种。这些工种的核心不再是关注语言本身，而是模型本身带来的巨大潜力，因为当一个旧维度的东西被一个全新维度的东西代替的时候，人们处理问题的效率回得到十倍甚至是百倍的增长。而这种被行业聚焦的岗位自然变得炽手可热，下面列举一些我认为比较有竞争力的岗位。这些新的工种反映了AI技术的不断进步和应用范围的拓展，为开发工程师提供了更多选择和机会。

在这里插入图片描述

4.1 AI工程师

专门负责设计、开发和实施人工智能系统和算法的工程师。他们需要有扎实的机器学习和深度学习知识，能够构建和训练复杂的神经网络模型。

4.2 数据工程师

负责处理和管理大规模数据的工程师。他们需要设计和实施数据采集、存储、处理和分析的系统，并确保数据的质量和可靠性。

在这里插入图片描述

4.3 模型架构师

负责设计和构建大规模AI模型的架构的工程师。他们需要了解不同类型的模型架构，并在实际应用中选择合适的架构来解决问题。

4.4 算法工程师

专门研究和开发新的算法和技术来提升AI模型的性能和效果的工程师。他们需要深入理解机器学习和统计学原理，并具备独立开发新算法的能力。

在这里插入图片描述

4.5 质量测试工程师

负责测试和验证AI模型的质量和性能的工程师。他们需要设计和执行各种测试用例，确保模型在各种情况下都能正常运行。

4.5 部署工程师

负责将AI模型部署到生产环境中并确保其高效运行的工程师。他们需要优化模型的性能和资源利用，处理模型的扩展性和容错性等方面的问题。
在这里插入图片描述

4.6 训练数据工程师

负责准备和标注训练数据集的工程师。他们需要清洗、标注和整理大规模的数据集，并确保数据的准确性和完整性。

2.7 解释性AI工程师

专门研究如何解释和理解AI模型决策过程的工程师。他们需要开发和应用解释性AI技术，以提高模型的可解释性和可信度。

在这里插入图片描述

五、AI工程师需要学习哪些知识

成为一个AI工程师难度实际上是非常高的，很多岗位都起码是要硕士起步，因为需要学习的东西非常多，也需要不断积淀，具体而言，深入学习这些领域的原理、算法和实践经验将有助于成为一名优秀的AI工程师。下面列表一些相关知识：

领域	知识点
数学	线性代数、概率与统计、微积分、优化理论等
编程	Python、C++、Java等编程语言，算法和数据结构的基础知识
机器学习	监督学习、无监督学习、强化学习、深度学习等方法和算法
神经网络	前馈神经网络、递归神经网络、卷积神经网络等深度学习模型
自然语言处理	文本分析、语言生成、语义理解、信息检索等技术
计算机视觉	图像处理、目标检测、图像分类和分割等相关技术
数据科学	数据清洗和预处理、特征工程、数据可视化等方法
软件工程	软件开发过程、版本控制、软件测试和调试等技巧
深度学习框架	TensorFlow、PyTorch、Keras等常用深度学习框架
人工智能伦理学	研究人工智能对社会、经济和伦理方面的影响和应用