调优案例分析与实战

一、案例分析

  1. 高性能硬件上的程序部署策略
    64位的JDK,缺点:内存回收导致长时间停顿。
    性能低于32位JDK。内存消耗大,例如类型对齐补白。
    =====================
    对于CUP资源敏感度高的场景,选择"吞吐量优先"收集器。
    对于追求低停顿的场景,选择CMS收集器。

  2. 集群间同步导致的内存溢出

  3. 堆外内存导致的溢出错误
    当JVM运行时抛出OutOfMemoryError异常时,堆内各个区域的内存都表示内存充足无压力。可以考虑Derect Memory区域是否内存不足,且无法GC。
    在32位的操作系统中。一般给每个线程分配2G的内存,堆占用1.6G,剩下的0.4G分配给Drect Memory。
    Drect Memory的GC和堆区域不同,只有进行Full GC是顺带进行Drect Memory区域的GC,所以在这种情境下产生内存溢出异常。

  4. 外部命令导致系统缓慢

  5. 服务器JVM进程崩溃

  6. 不恰当数据结构导致内存占用过大
    例如使用HashMap的集合结构,实际数据的存储内存为16B(2*8B)但是因为各种原因总占用的空间为88B。空间效率为16B/88B=18%。
    应当适当的更改数据结构使内存占用减少。

  7. 由Windows虚拟内存导致的长时间停顿

二、实战:Eclipse运行速度调优

  1. 调优前的程序运行状态

  2. 升级JDK的性能变化及兼容问题

  3. 编译时间和类加载时间的优化

  4. 调整内存设置控制垃圾收集频率

  5. 选择收集器降低延迟

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
《工业大数据分析算法实战.pdf》是一本介绍工业大数据分析算法实践的书籍。该书通过理论知识与实际案例相结合的方式,全面系统地介绍了工业大数据分析算法的基本原理、常用方法和实际应用。 首先,该书从工业大数据的概念和特点入手,解析了工业大数据对企业决策和生产运营的重要性。接着,介绍了工业大数据分析的基本概念和流程,包括数据采集、数据清洗、数据处理和数据可视化等环节。 书中重点关注了工业大数据分析中的算法方法。例如,介绍了数据挖掘中常用的分类算法,如决策树、支持向量机和深度学习等。此外,还介绍了聚类算法、关联规则挖掘和时间序列分析等方法。通过对这些算法方法的讲解和实例分析,读者可以了解到如何根据不同的问题和数据特点选择合适的算法,以及如何进行算法调优和模型评估。 在实战部分,该书通过真实案例展示了工业大数据分析算法在工业生产、供应链管理和客户关系管理等领域的应用。通过这些案例,读者可以学习到如何将理论知识应用到实际问题中,并且可以借鉴这些案例中的经验和技巧。 总的来说,《工业大数据分析算法实战.pdf》是一本很实用的书籍,可以帮助读者系统地了解工业大数据分析算法的基本原理和实际应用。无论是从事相关工作的专业人士,还是对工业大数据分析感兴趣的读者,都可以从中获得有价值的知识和经验。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值