别再死记硬背JVM参数了！实战“双十一”大促，亲手调教服务器

📌个人主页：个人主页
​🧀 推荐专栏：精品推荐
📝作者简介：一个读研中创业、打工中学习的能搞全栈、也搞算法、目前在搞大数据的奋斗者。⭐️您的小小关注是我持续输出的动力！⭐️

---

先看耳熟能详的一道面试题：请问一下JAVA中JRE和JDK之间有啥联系和区别呢？，妥妥的八股文，稳稳的安排。在这个问题的引导下，就会出现请说一下虚拟机中的堆和垃圾回收方面的内容，再到后面就是请问你对于JVM调优有啥心得或者经验吗？

---

• 掌握JVM做到心中有图！
• JVM内存参数介绍以及如何使用！
• 以电商场景，实战JVM调优！

---

1 🍏结构及内存模型

为了更深刻的理解JVM，把握JVM在整个JDK的位置及功能是十分重要的。

从图中可以清晰的看到jdk和jre以及jvm，三者之间的结构关系，将图记下，对于面试和工作可以丝毫不慌。在这基础之上我们再深入剖析JVM的结构以及开发和面试重中之重的内存模型，就可以更加心中有数了。

---

2 🍎的内存参数设置及使用

对于JVM中的内存模型有哪些构成呢？以及在日常的开发过程和准备面试要掌握到啥程度呢？

• 首先：做到心中有图

• 对于其中的核心参数，我门要如何配置呢？

在实际的应用中我们有以下几种方式对内存进行配置：

• IDEA编辑器：
  
• 命令行脚本:

java ‐Xms2048M ‐Xmx2048M ‐Xmn1024M ‐Xss512K ‐XX:MetaspaceSiz>>e=256M ‐XX:MaxMetaspaceSize=256M ‐jar "你的应用名".jar
1

• Tomcat环境下 :Tomcat启动直接加在bin目录下catalina.sh文件里

---

• 然后搞懂每个参数的意义

• -Xms: 堆内存的初始大小，默认为物理内存的1/64
• -Xmx: 堆内存的最大大小，默认为物理内存的1/4
• -Xmn: 堆内新生代的大小。通过这个值也可以得到老生代的大小：-Xmx减去-Xmn
• -XX:PermSize:代表永久代的初始容量。
  由于调整元空间的大小需要Full GC，这是非常昂贵的操作，如果应用在启动的时候发生大量Full GC，通常都是由于永久代或元空间发生了大小调整，基于这种情况，一般建议在JVM参数中将MetaspaceSize和MaxMetaspaceSize设置成一样的值，并设置得比初始值要大，对于8G物理内存的机器来说，一般将这两个值都设置为256M。
• -XX：MetaspaceSize： 指定元空间触发Fullgc的初始阈值(元空间无固定初始大小)， 以字节为单位，默认是21M，达到该值就会触发
  full gc进行类型卸载， 同时收集器会对该值进行调整： 如果释放了大量的空间， 就适当降低该值； 如果释放了很少的空间， 那么在不超过-XX：MaxMetaspaceSize（如果设置了的话） 的情况下， 适当提高该值。
• -XX：MaxMetaspaceSize： 设置元空间最大值， 默认是-1， 即不限制， 或者说只受限于本地内存大小。

---

3 🍐JVM调优

**项目背景：**在一个日均百万级的订单交易系统中，假设有500万日活用户，每个用户的每秒平均点击次数在20-30次左右.

• 根据该用户访问量场景，对JVM进行参数设计：
  • 针对500W的用户，除开正常的点击浏览之外，按照10%的购买率进行计算。这些用户的会直接对订单服务器集群进行访问。
  • 对于这50w的订单量,抛开平时没有抢购或者秒杀活动的场景，对于类似于“双十一”和“618”这类瞬间高并发的场景而言
  • 这些订单均发生在活动开始的前几分钟，算下来平均每秒1000多单.
  • 假设订单服务总共有三台服务器提供服务，按照主流的4核8G的单节点配置服务器，对着1000单进行负载均衡，平均每台分担300单/秒.
  • 除此之外，在用户的购买流程中仍然会涉及到如优惠券服务、积分服务、商品库存服务等，于是，用户订单数据将会进一步膨胀，我们假定其膨胀20倍.
  • 而且，不排除用户在整个下单购买的链路中，仍然会进行一些如查询、搜索等一系列非核心业务的请求操作，为进一步优化系统性能，我们再将该请求数据再放大10倍。
    
    套路实在是太多，要考虑的信息量简直可怕。基于以上的分析，我们再看看具体的数据规模流向：

• 基于以上的分析： 我们可以对JVM参数进行如下设置

java -Xms3072M -Xmx3072M -Xmn2048M -Xss1M -XX:MetaspaceSize=256M -XX:MaxMetaspaceSize=256M -jar "应用名".jar
1

• JVM调优效果图

综合以上的调优案例，后面再遇到类似的面试题或者实际场景便可轻松拿捏！