gg修改器游戏时间_gg修改器游戏修改

各位游戏大佬大家好，今天小编为大家分享关于gg修改器游戏时间_gg修改器游戏修改的内容，轻松修改游戏数据，赶快来一起来看看吧。

引言

“在当前的互联网开发模式下，系统访问量日涨、并发暴增、线上瓶颈等各种性能问题纷涌而至，性能优化成为了现时代开发过程中炙手可热的名词，无论是在开发、面试过程中，性能优化都是一个常谈常新的话题”。Java语言作为企业应用中的“抗鼎者”，Java生态中也积攒了大量宝贵的性能优化经验。
在应用系统中，性能优化其实可以从各个角度出发考虑，如架构优化、前端调优、中间件调优、网关调优、容器调优、JVM调优、接口调优、服务器调优、数据库调优等，从优化类型上而言，主体可以分为三类：

• ①结构/架构优化：优化应用系统整体架构做到性能提升的目的。如：读写分离、集群热备、分布式架构、引入缓存/消息/搜索中间件、分库分表、中台架构（大数据中台、基础设施中台）等。
• ②配置/参数优化：调整应用系统中各层面的配置文件、启动参数达到优化性能的目标。如：JVM、服务器、数据库、、操作系统、中间件、容器、网关参数调整等。
• ③代码/操作优化：开发者编写程序时，从代码、操作方面进行调节，达到效率更高的初衷。如：代码中使用更优秀的算法思想/设计模式、SQL优化、对中间件的操作优化等。

本章则重点阐述Java中，JVM虚拟机相关的全面优化，如：内存、GC、即时编译、JVM参数配置等。

一、系统中性能优化的核心思维

建立在经验的基础之上才能做好的，对于调优要实事求是，任何的调优手段或技巧不要纸上谈兵，只有经过实践的才能用于生产环境，千万不要将一些没有实际依据的调优策略用于线上环境，否则可能会导致原本好好的程序反而调优调崩溃。

1.1、单个节点层面调优的核心思想

在一个程序中，所有的业务执行实体都为线程，应用程序的性能跟线程是直接挂钩的。而程序中的一条线程必须要经过CPU的调度才可执行，线程执行时必然也会需要数据、产生数据，最终也会和内存、磁盘打交道。因而单个节点的性能表现，不可避免的会跟CPU、内存、磁盘沾上关系。
线程越多，需要的CPU调度能力也就越强，需要的内存也越大，磁盘IO速率也会要求越快。因此CPU、内存、磁盘，这三者之间的任意之一达到了瓶颈，程序中的线程数量也会达到极限。达到极限后，系统的性能会成抛物线式下滑，从而可能导致系统整体性能下降乃至瘫痪。

由于如上原因，在考虑性能优化时，必然不能让CPU、内存、磁盘等资源的使用率达到95%+，一般而言，最大利用率控制在80-85%左右的最佳状态。

同时，前面也分析过，因为程序的性能跟线程挂钩，所以线程的模型也是影响性能的重要因素。目前程序设计中主要存在三种线程处理模型：BIO、NIO、AIO（NIO2），BIO是Java中传统的线程一对一处理模型，NIO的最佳实践为reactor模型，而proactor模型又作为了NIO2/AIO的落地者。绝大部分情况下，AIO的性能优于NIO，而NIO的性能又远超于BIO。

所以在做性能优化时，你应该要清楚系统的性能瓶颈在哪儿，到底是要调哪个位置？是线程模型？或是CPU调度？还是内存回收？亦是磁盘IO速率？针对不同层面有不同的优化方案，并非为了追求“热词/潮流”而盲目的调优。

1.2、优秀且适用的系统架构胜过千万次调优

一个单体架构（Tomcat+MySQL）部署的系统遇到性能问题时，能力再强，本事再大，任凭使出浑身解数也无法将其调到处理万级并发的程序，正常服务器部署的一台MySQL服务做到极致调优也难以在一秒内承载5000+的QPS。一味地追求极致的优化，其实也难以解决真正大流量下的并发冲击，因此一套优秀的系统架构胜过自己千万次的调优。

当然，也并非说项目实现时，越多的技术加进来越好，一套完善的分布式架构就必然比单体架构要好吗？其实也不见得，因为当引入的技术越多，所需要考虑的问题也会更多，耗费的成本也会越高，一个项目收益60W，结果用上最好的配置（高端的开发者+顶级的服务器+完善的分布式架构）成本耗费200W，这值得吗？答案显而易见。因此，并没有最好的技术架构，只有最适用的架构，能从现有环境及实际业务出发，选用最为合适的技术体系，这才是我们应该做的事情。如：

• 项目业务中读写参半，单节点难以承载压力，项目集群、双主热备值得参考。
• 项目业务中写大于读，引入消息中间件、DB分库、项目集群也可以考虑。
• 项目业务中读大于写，引入缓存/搜索中间件、动静分离、读写分离是些不错的选择。
• …….

当你的系统原有架构遇到性能瓶颈时，你甚至可以考虑进一步做架构优化，如：设计多级分布式缓存、缓存中间件做集群、消息中间件做集群、Java程序做集群、数据库做分库分表、搜索中间件做集群…..，慢慢的，你的系统会越来越庞大复杂，需要处理的问题也更为棘手，但带来的效果也显而易见，随着系统的结构不断变化，承载百万级、千万级、亿级、乃至更大级别的流量也并非难事。

但只有当你的业务流量/访问压力在选用其他架构无法承载时，你才应该考虑更为庞大的架构。当然，如果项目在起步初期就有预估会承载巨大的流量压力，那么提前考虑也很在理，采用分布式/微服务架构也并非失策，因为对比其他架构体系而言，微服务架构的拓展性更为灵活。但也需要记住：分布式/微服务体系是很好，但它不一定适用于你的项目。

1.3、预防大于一切，调优并非“临时抱佛脚”

当问题出现时再想办法解决，这种策略永远都属于下下策，防范于未然才是最佳方案，提前防范问题出现主要可分为两个阶段：

• ①项目初期预测未来的流量压力，提前根据业务设计出合适的架构，确保上线后可以承载业务的正常增长。
• ②项目上线后，配备完善的监控系统，在性能瓶颈来临前设好警报线，确保能够在真正的性能瓶颈到来之前解决问题。

对于项目初期的架构思考，值得牢记的一点是：不要“卡点”设计，也不能过度设计造成性能过剩，举例：

项目上线后的正常情况下，流量大概在“一木桶”左右，结果你设计时直接整出个“池塘”级别的结构出来了，这显然是不合理的，毕竟架构体系越庞大，项目的成本也自然就越高。
当然，也不能说正常情况下压力在“一木桶”左右，就只设计出一套仅能够承载“一木桶”流量的结构，这种“卡点”设计的策略也是不可取的，因为你需要适当考虑业务增长带来的风险，如果“卡点”设计，那么很容易让项目上线后，短期内就遭遇性能瓶颈。
因此，如果项目正常的访问压力大概在“桶”级别，那将结构设计到“缸”级别是合理的，这样即不必担心过度设计带来的性能过剩，导致成本增高；也无需考虑卡点设计造成的：项目短期遭遇性能瓶颈。
但设计时的这个度，必须由你自己根据项目的业务场景和环境去思量，不存在前篇一律的方法可教。

有人曾说过：“如果你可以根据业务情景设计出一套能确保业务增长，且在线上能稳定运行三年时间以上的结构，那你就是位业内的顶尖架构”，但老话说的好：“计划永远赶不上变化”，就算思考到业务的每个细节，也不可能设计出一套一劳永逸的结构出现，我们永远无法判断意外和明天哪个先来。因而，项目上线后，配备完善的监控警报系统也是必不可少的。不过值得注意的是：

监控系统的作用并不是用来提醒你项目“嗝屁”了的，而是用来提醒你：线上部署的应用系统可能会“嗝屁”或快“嗝屁”了，毕竟当项目灾难已经发生时再给警报，那到时候的情况就是：“亡羊补牢，为时已晚”。
通常情况下，在监控系统上面设置的性能阈值都会比最大极限值要低5~15%，如：最大极限值是85%，那设置告警值一般是75%左右就会告警，不会真达到85%才告警，只有这样做才能留有足够的时间让运维和开发人员介入排查。当系统发出可能“嗝屁”的警告时，开发和运维人员就应当立即排查相关的故障隐患，然后再通过不断地修改和优化，提前将可能会出现的性能瓶颈解决，这才是性能调优的正确方案。
因此，最终结论为：绝不能等到系统奔溃才去优化，预防胜于一切。

1.4、无需追求完美，理性权衡利弊

“追求极致，做到完美”这点是大部分开发者的通病，很多人会因为这个思想导致自己在面临一些问题时束手无策，比如举个例子：

业务：MacBookPro一元购活动，预计访问压力：10000QPS。
环境：单台机器只能承载2000QPS，目前机房中还剩余两台空闲服务器。
状况：此时就算将空闲的两台机器加上去，也无法顶住目前的访问压力。
此时你会怎么做？很多人都会茫然，这看起来好像是没办法的事情呀，似乎只能等死了…..

但事实真的如此吗？并非如此，其实这种情况也有多种解决方案，如：

• ①停掉系统中部分非核心的业务，将服务器资源暂时让给该业务。
• ②抛弃掉部分用户的请求，只接受处理部分用户的请求。
• ③……..

这些方案是不是可以解决上面的哪个问题呢？答案是肯定的。但完美主义者会认为：
系统中的服务不能停啊，得保持正常服务啊。
用户的请求怎么能抛，用户的访问必须得响应啊。
但事实告诉你的是：类似于京东、淘宝、12306等这些国内的顶级大厂，也照样是这么干的。好比阿里，在双十一的时候都会抽调很多冷门业务的服务器资源给淘宝使用，也包括你在参与这些电商平台的抢购或秒杀类活动时，你是否遇到过如下情况：

• 服务器繁忙，请稍后重试……
• 服务器已满，排队中…..
• 前方拥堵，排队中，当前第x位…..

如果当你遇到了这些情况，答案显而易见，你的请求压根就没有到后端，在前端就给你pass了，然后给你返回了一个字符串，让你傻傻的等待。

这个例子要告诉大家的是：在处理棘手问题或优化性能时，无需刻意追求完美，理性权衡利弊后，适当地做出一些决断，抛弃掉一部分不重要的，起码比整个系统挂掉要好，何况之后照样也可以恢复。

1.5、性能调优的通核心步骤

性能优化永远是建立在性能瓶颈之上的，如果你的系统没有出现瓶颈，那则无需调优，调优之前需要牢记的一点是：不要为了调优而调优，而是需要调优时才调。
而发现性能瓶颈的方式有两种，一种是你的应用中具备完善的监控系统，能够提前感知性能瓶颈的出现。另一种则是：应用中没有搭载监控系统，性能瓶颈已经发生，从而导致应用频繁宕机。大型的系统一般都会搭载完善的监控系统，但大多数中小型项目却不具备该条件，因此，大部分中小型项目发现性能瓶颈时，大多数情况下已经“嗝屁”了。

通常而言，性能优化的步骤可分为如下几步：

• ①发现性能瓶颈：如有监控系统，那它会主动发出警报；如若没有，那出现瓶颈时应用肯定会出问题，如：无响应、响应缓慢、频繁宕机等。
• ②排查瓶颈原因：排查瓶颈是由于故障问题导致的，还是真的存在性能瓶颈。
• ③定位瓶颈位置：往往一个系统都会由多个层面协同工作，然后对外提供服务，当发现性能瓶颈时，应当确定瓶颈的范围，如：网络带宽瓶颈、Java应用瓶颈、数据库瓶颈等。
• ④解决性能瓶颈：定位到具体的瓶颈后对症下药，从结构、配置、操作等方面出发，着手解决瓶颈问题。

本章则重点是阐述Java虚拟机-JVM相关的调优操作，但需要先提前说明的是：

单层面的性能调优其实只能当成锦上添花的作用，但绝对不能成为系统性能高/低、响应快/慢、吞吐量大/小的决定性要素。应用系统的性能本身就还算可以，那么调优的作用是让其性能更佳。但如若项目结构本身就存在问题，那么能够带来的性能提升也是有限的，如果你想让你的项目快到飞起，那么还需要从多个层面共同着手才能达到目的。

二、JVM垃圾收集相关调优策略

在JVM垃圾收集相关的调优实践中，通常都是以最优吞吐量和最短停顿时间来评价JVM的性能：吞吐量越高代表性能越好、暂停时间越短也代表越好。那么如何做到这两点呢？核心思想在于：

• 尽可能让对象在新生代中分配和回收。
• 尽量避免过多对象进入年老代，缩短年老代GC时间。
• 尽量给JVM分配足够多的内存，减少所有区域中的GC次数。

归根结底，本质思想就一点：“尽量让Java中的对象去到它自己该去的位置”，短命的对象就老老实实的进入新生代区域，大对象和长命的对象则进入年老代空间，避免JVM因为对象“乱窜”导致GC频发和GC时间变长，如：

• 本该在新生代的短命对象由于特殊原因进了年老代，导致年老代GC次数变多/时间变长。
• 本该直接分配在年老代的长命大对象，因为某些原因全部被分配在新生代，导致新生代可分配空间变少，引发分配担保机制，造成大量未达到标准的新生代对象提前进入年老代。

因此，GC调优的目的就相当于给JVM做“保养”，让其每个区域按照设计的初衷正常工作。

通常情况下，当JVM存在性能问题时，都会牵扯到两个概念，分配速率(Allocation Rate)和提升速率(Promotion Rate)，这也是分析性能问题时常用的两个指标，其中分配速率影响新生代的垃圾回收，提升速率影响年老代的垃圾回收。

2.1、新生代-分配速率(Allocation Rate)

分配速率代表固定时间内分配的内存量，通常情况下以MB/S为单位，分配速率高，其实并不是什么好事，对于这点我们稍后再做阐述。先来具体如何计算分配的速率。

2.1.1、分配速率如何计算？

一般而言可以通过GC日志计算出来，比如：

0.751: [GC (Allocation Failure) [PSYoungGen: 30705K->5115K(38400K)]
30705K->12385K(125952K), 0.0187498 secs]
[Times: user=0.00 sys=0.00, real=0.02 secs]
1.514: [GC (Allocation Failure) [PSYoungGen: 38395K->5120K(71680K)]
45665K->35687K(159232K), 0.0570688 secs]
[Times: user=0.09 sys=0.00, real=0.06 secs]
3.018: [GC (Allocation Failure) [PSYoungGen: 70326K->5104K(71680K)]
108940K->105240K(172032K), 0.0866792 secs]
[Times: user=0.30 sys=0.02, real=0.09 secs]
复制代码

分配速率计算公式：(本轮GC前使用容量-上轮GC后使用容量)/(本轮GC时间-上轮GC时间)

GC轮数	时间差值	上轮GC后容量	本轮GC前容量	容量差值	分配速率
第一轮	751ms	0KB	30705KB	30705KB	≈41MB/S
第二轮	763ms	5115KB	38395KB	33280KB	≈44MB/S
第三轮	1504ms	5120KB	70326KB	65206KB	≈43MB/S
每轮均速	NULL	NULL	NULL	NULL	≈43MB/S

通过GC日志中的信息可以初步计算出，该Java程序中的对象分配速率大概在43MB/S左右。

2.1.2、分配速率对JVM的影响

前面曾提及过，分配速率高并不是好事，为什么这么说呢？因为Java程序的分配速率越高时，也代表着堆中分配的对象会越多，对象越多也就会让GC的频率更频繁。因此，当分配速率越高，会导致JVM的GC开销越大，分配速率的变化会增加或降低STW的频率，从而影响吞吐量。

但高分配速率的标准是相对而言的，要根据具体的Eden区大小来判断，一个堆大小为32GB的分配速率是1000MB/S，一个500MB的堆空间分配速率为100MB/S，前者可被称为是高分配速率吗？并非如此，因为前者的堆有32G，1000MB/S的速率也需要一段时间才能触发GC，但后者100MB/S的速率对于500M的堆空间而言，则可被称为高速率，因为对于500MB的堆空间而言，会在极短的时间内触发GC。因此，分配速率高低是要根据实际的堆大小来判断。

2.1.3、分配速率的四种状况

• ①分配速率低，回收速率超于分配速率，GC状态无异常，代表系统GC正常。
• ②分配速率高，回收速率略低于或远低于分配速率，代表程序存在OOM隐患。
• ③分配速率高，但回收速率勉强可以跟上，代表系统处于“亚健康”状态。
• ④分配速率低，GC次数频繁，释放空间较少，可能存在内存泄漏。

其中①为正常状况，无需做任何处理，也没必要去对于这类系统做刻意优化，如果你的Java应用的JVM处于该状态，但程序整体吞吐量依旧上不去，或响应速度缓慢，那应该从其他层面入手解决。

如果Java应用出现第③种情况，其实应用本身是没有任何问题的，这种情况一般是由于分配的堆空间不足，分配速率过快，导致频繁触发GC回收阈值，因此造成GC负载过重，对于这类情况应该适当调大堆空间，从而使GC频繁下降。

②、④则都是程序中存在隐患会出现的状况，通常情况下都是由于程序中存在不规范的代码导致的。状况②是因为代码在堆中生成了大量对象，造成分配速率很高，回收速度无法跟上分配速度，从而导致应用有可能内存溢出。
状况④则是明显的内存泄露问题，因为GC开销较大，但实际回收后释放的空间较小，代表内存中有大量对象无法回收，这可能是由于内存泄漏导致的。同时，也正因为GC次数比较频繁，所以导致应用中的用户线程暂停了工作，停止了对象分配，因而出现了分配速率低的“假象”。
对于②、④状况则需要优化代码，前者需要降低分配速率，后者则需要解决内存泄漏。

2.1.4、新生代空间调优思想

新生代空间的调优核心思想就是需要降低分配速率，简单来说就是少创建对象、多分配空间，以减少GC次数，加大系统吞吐量。但需要值得理解的是：为新生代分配更大的堆空间，反而会使分配速率提高，但新生代空间大了，触发GC的阈值自然会增加，从而能够达到减少GC频率的目的。

2.2、年老代-提升速率(Promotion Rate)

前面分析的分配速率仅会对新生代空间造成影响，而影响年老代空间的则是另外一个指标：提升速率，也就是指定时间内，新生代升入年老代空间的对象总量，通常单位也为MB/S。

在前面谈论分配速率时，可以根据GC日志计算新生代的分配占比，但新生代升入年老代空间的提升速率又该如何计算呢？因为MajorGC一般都是伴随着FullGC一起发生的，所以无法根据MajorGC计算，比较FullGC时会回收整堆空间。

2.2.1、提升速率如何计算？

同样计算提升速率时，依旧是通过MinorGC日志来计算：

1.514: [GC (Allocation Failure) [PSYoungGen: 38395K->5120K(71680K)]
45665K->35687K(159232K), 0.0570688 secs]
[Times: user=0.09 sys=0.00, real=0.06 secs]
3.018: [GC (Allocation Failure) [PSYoungGen: 70326K->5104K(71680K)]
100894K->105240K(172032K), 0.0866792 secs]
[Times: user=0.30 sys=0.02, real=0.09 secs]
复制代码

提升速率计算公式：((新生代回收前使用总量-新生代回收后使用总量)-(整堆回收前使用总量-整堆回收后使用总量))/(本轮GC时间-上轮GC时间)

GC轮数	时间差值	新生代减少	整堆减少	提升量	提升速率
第一轮	763ms	33275KB	9978KB	23297KB	≈30MB/S
第二轮	1504ms	65222KB	3700KB	61522KB	≈40MB/S
每轮均速	NULL	NULL	NULL	NULL	≈35MB/S

结果如上表，此刻是通过MinorGC日志来计算的提升速率，拆解前面的计算公式可以分析出整体的计算逻辑：

• 先通过新生代回收前后的已使用容量大小，计算出新生代中减少容量。
• 再通过整堆回收前后的已使用容量大小，计算出整个堆空间的减少容量。
• 再通过新生代减少-整堆减少，这样可以大致算出新生代中提升到年老代的提升量。 该方式只能计算出大概的提升量，因为整堆减少会包含年老代、元空间等区域回收。
• 在通过本次GC触发时间-上次GC触发时间，得到本轮GC中程序正常执行的时长。
• 最后通过提示量除执行时长，即可得到JVM的大概提升速率。

不过在计算提升速率的时候，有个点需要额外注意：Java应用启动后的第一条GC日志不能参与计算，因为第一条GC日志是程序启动后，初次触发GC时输出的，此时堆空间刚从“冷状态”启动，因此测算出的速率并非程序正常执行时的提升速率。

2.2.2、提升速率对JVM的影响

和分配速率相同，提升速率也一样会影响GC，但它影响的是年老代空间，速率越快也就代表着提升的对象越多，年老代空间被填满的时间会更短，MajorGC被触发的频率也会越快。不过通常情况下，年老代的GC一般会伴随着FullGC一起发生，因此，提升速率越高会最终导致FullGC频率越快。

2.2.3、进入年老代的三种异常情况

• ①代码存在内存泄漏

当代码中存在内存泄漏时，会造成堆内存被一点点蚕食，最终导致新生代空间没有空闲内存分配新对象，从而触发JVM的空间分代担保机制，开启对象动态晋升阈值判定，将大量原本未达晋升标准的对象提前迁入年老代空间，以确保新生代拥有足够的空闲内存维护Java应用的正常执行。
常发性内存泄漏、偶发性内存泄漏、一次性内存泄漏、隐式内存泄漏，不同性质的内存泄漏造成的提升速率增长也不同，后两者引发的速率增长并不大，但前两者，尤其是常发性内存泄漏会带来很大的隐患，最终必然会引发OOM。

• ②频繁的大对象分配

在分代堆中有这么一条法则：“超过指定阈值的大对象会被直接送往年老代空间”，这条结论是依据对象特性而制定的，正常情况下，大对象都不会是“朝生夕死”的对象，一般都能够“活”到成功晋升。因此，为了节省大对象在两个Survivor区中反复挪动带来的开销，JVM会将超过阈值标准的大对象直接分配到年老代。
大对象直接进入年老代是合理的，但频繁的大对象分配是不合理的，会导致年老代被快速填满，因而频繁触发FullGC。
大对象直接进入年老代空间，因此大对象分配是不参与前述的提升速率计算公式的。

• ③高并发/大流量压力

当系统业务暴涨时，巨大的流量和并发冲击会导致业务线程创建更多的新对象，因而会导致新生代的GC阈值被频繁触发，加快了新生代整体的晋升速度，从而导致提升速率暴涨。
对于这类正常业务增长导致的提升速率变高，这是系统中的常事，这种情况下只需依照具体业务流量的增长，合理的调大堆空间即可。

其实归根结底，上述三点都是在围绕着“对象被过早提升到年老代”这一核心思想展开。对于年老代而言，新生代空间中的所有对象，按部就班的活到15岁再晋升是最佳的状态，因为能够在新生代熬过十多轮GC的对象晋升后，绝大多数情况下会再存活很长一段时间。
但如果是由于上述三种状况导致对象过早提升到年老代空间，则会带来很大的不稳定因素，有可能很多提早晋升的对象刚晋升，没熬过几轮GC就“死”了，从而违背了“年老代存放长命对象”的设计初衷。同时，过早提升还会造成年老代会被快速填满，从而频繁触发FullGC，最终导致Java应用暂停时间过长，影响系统整体的吞吐量。

2.2.4、年老代空间调优思想

年老代空间调优的核心就一点：避免或尽量减少过早提升，为何不是降低提升速率呢？因为在业务规模比较大的情况下，提升速率比较高也是合理的。所以在调优年老代时，只需要将过早提升的对象依旧控制在新生代即可。

过早提升的表现

• ①一次FullGC后，年老代的空间占用比极速下降。
• ②短时间内频繁触发FullGC。
• ③提升速率接近分配速率。
• ④新生代GC发生后，新生代的空间占用比下降到20%以内。

过早提升如何解决？

处理过早提升时，需要根据具体的情况来决定采取何种措施：

• ①如果是业务或流量压力变大导致的，那么增大新生代空间即可。
• ②如果是代码中存在问题，如内存泄漏或循环体中创建对象等，优化代码即可。
• ③如果是短命的大对象分配，如大数组，则可以考虑优化数据结构，如换成链表。

2.3、合理的堆空间该如何分配

Java内存各分区的大小对JVM的性能影响很大，不恰当的空间大小可能会埋下很多故障隐患，同时也会直接或间接影响JVM的提升速率、分配速率，所以如何将各分区调整到合适的大小就成了一个棘手的问题。大部分不具备线上JVM调优实操经验的开发者都会茫然，通常会认为设定的越大越好，但答案却并非如此。
在指定各区域大小时，可以依据“活跃数据”大小来进行设定，“活跃数据”是指应用程序稳定运行后长期存活在堆中的对象，也就是FullGC后年老代中的对象。一般在计算“活跃数据大小”，都会多次采集程序稳定执行后的FullGC日志，通过取平均值的方式计算出堆中长期存活的年老代总量大小。
计算出“活跃数据大小”后，就可以根据其具体值计算出其他分区恰当的值，比例如下：

• ①堆空间：活跃数据大小的4~5倍
• ②新生代：活跃数据大小的1.5~2倍
• ③年老代：活跃数据大小的2.5~3倍
• ④元空间：活跃数据大小的1.2~1.8倍

假设此时观测出的“活跃数据大小”为800MB，那堆空间的各区域的大小：

• ①堆空间：3200MB
• ②新生代：1200MB
• ③年老代：2000MB

当然，这仅作为初始值参考，具体情况取决于应用业务的特性和需求。

但需注意的是：实际过程中，-Xmx、-Xms两个参数设定的值必须一致，这样做的好处在于可以避免动态伸缩时带来的性能损耗与空间震荡，因为当JVM内存不足向OS申请内存时都会触发一次全局GC。

2.4、GC调优实操思路

前面几点所提及的都是GC调优的一些方法论以及衡量指标，但在真正需要处理GC调优时，上面几点只能给你提供辅导，并不能建立完善的调优思路，因此，接下来再一同论述GC调优的具体实操思想。

GC调优时，一般会根据Java程序所装配的垃圾收集器以及具体的GC日志来作为基础进行操作，但不同的垃圾回收器执行的GC日志都是不同的，因此并没有万能的调优策略可以满足所有的性能指标，GC优化要建立在具体的业务场景及环境中，才能达到事半功倍的效果。不过通常GC调优核心步骤如下：

• ①明确优化目标
• ②实施优化操作
• ③跟踪优化结果

调优前首先需要确定的就是优化目标，到底是需要减少GC停顿，还是增大程序吞吐等，然后再根据目标排除GC日志，分析后根据日志中的分配速率、提升速率、GC频率、GC各阶段停顿时间等指标，实行具体的优化操作。

同时，也不必奢求一次优化到位，GC调优通常是需要多次进行的，一次优化往往无法达到目标预期，需要不断的根据优化后的GC日志再次制定优化策略，从而最终达到优化目标。

但GC调优的根本其实是在调“对象”，如果程序本身代码就存在问题，好比代码中存在频繁创建对象的逻辑，就算你调出花来也无济于事，必须还得从根源上解决问题，这种情况下应当采用jmap工具分析堆使用情况，查看对象分布，从而反向定位代码中的问题并加以解决。

2.5、GC优化总结

凡是涉及性能调优的内容，几乎都必须建立在监控系统之上，不一定要全面，但至少能让调优前有指标数据可参考。对于监控系统中，JVM-GC这块建议统计的信息：

• ①流量方面：流量峰值、流量均值、用活时间段等。
• ②对象方面：分配速率、每个请求的分配均值/峰值、提升速率、每次提升总量均值等。
• ③GC方面：MinorGC、FullGC停顿时长、GC触发间隔、GC回收总量等。
• ……….

GC调优时的收益排序：改善代码 > 装配合适的GC回收器 > 重新设置内存比例/大小 > 调整JVM参数。

但需重点注意的是：上述的GC调优理论都是基于G1之前的分代垃圾收集器而言的，G1之后的不分代收集器，如：ZGC、ShenandoahGC等压根没必要刻意优化，自身的机制本就足够优异，而且后续的不分代收集器对外暴露的可操作参数也并不多。

三、阿里在线排除工具 – Arthas

Arthas（阿尔萨斯）是阿里开源的一款Java在线诊断工具，官网原话：当你遇到以下类似问题而束手无策时，Arthas可以帮助你解决：

• 这个类从哪个 jar 包加载的？为什么会报各种类相关的 Exception？
• 我改的代码为什么没有执行到？难道是我没 commit？分支搞错了？
• 遇到问题无法在线上 debug，难道只能通过加日志再重新发布吗？
• 线上遇到某个用户的数据处理有问题，但线上同样无法 debug，线下无法重现！
• 是否有一个全局视角来查看系统的运行状况？
• 有什么办法可以监控到JVM的实时运行状态？
• 怎么快速定位应用的热点，生成火焰图？
• 怎样直接从JVM内查找某个类的实例？

Arthas支持JDK6+，支持Linux/Mac/Winodws，采用命令行交互模式，同时提供丰富的Tab自动补全功能，进一步方便进行问题的定位和诊断。

3.1、Arthas快速上手

对于Arthas工具如果不会使用，其实阿里提供的在线的Terminal学习方式（传送门），可以帮助大家快速上手，下面在本篇中也快速概述一下。

依照官方的案例演示，先下载并启动提供好的Java案例：

$ wget https://arthas./math-game.jar
$ java -jar math-game.jar
复制代码

再启动一个新的Terminal窗口，下载并启动Arthas工具：

$ wget https://arthas./arthas-boot.jar
$ java -jar arthas-boot.jar
复制代码

紧接着Arthas会将本机中所有的Java进程查询出来，类似于jps/ps的作用：

[INFO] arthas-boot version: 3.5.5
[INFO] Found existing java process.......
* [1]: 161 math-game.jar
复制代码

如果你的机器中启动了多个Java应用，此时会查询出来一个应用列表，我们可以根据前面的序号选择自己要操作的Java应用，如上情况中，再输入1即可：

$ 1
复制代码

①、调用静态属性

ognl ’@类的全限定名@静态属性名’

示例：

[arthas@80573]$ ognl ’@demo.MathGame@random’
复制代码

②、调用静态方法

ognl ’@类的全限定名@静态方法名(“参数”)’

示例1：调用入参为基本数据类型和集合的方法：

[arthas@80573]$ ognl ’@demo.MathGame@print(100,{1,2,3,4})’ -x 1
null
复制代码

示例2：调用入参为对象类型的方法：

[arthas@80573]$ ognl ’#obj=new java.lang.Object(),@xxx.xxx@xxx(#obj)’ -x 1
复制代码

示例3：调用入参为Map类型的方法：

[arthas@80573]$ ognl ’#map={"k1":"v1","k2":"v2"},@xxx.xxx@xxx(#map)’ -x 1
复制代码

示例4：将一个方法的执行结果作为另一个方法的入参：

[arthas@80573]$ ognl ’#result=@xx.xx@A(),@xx.xx@xx(#result)’ -x 1
复制代码

③、调用构造方法

ognl ’new 类的全限定名()’

示例1：调用无参创建对象

[arthas@80573]$ ognl ’new java.lang.Object()’
复制代码

示例2：调用有参创建对象

[arthas@80573]$ ognl ’new xxx.xx.xxx("xx",x,{1,2,3})’
复制代码

示例3：调用存在对象引用类型的构造函数创建对象

[arthas@80573]$ ognl ’#obj=new new java.lang.Object(),new xxx.xx.xxx(#obj)’
复制代码

④、读取不同类型的值

示例1：读取引用对象类型的属性值

[arthas@80573]$ ognl ’@类全限定名@方法名("参数").属性名称’
复制代码

示例2：读取List类型的指定元素

[arthas@80573]$ ognl ’@类全限定名@方法名("参数")[下标]’
复制代码

示例3：读取Map类型的指定元素

[arthas@80573]$ ognl ’@类全限定名@方法名("参数")["key"]’
复制代码

⑤………

详细的OGNL语法可参考：官方指南，在线上排查时往往会结合tt、watch、monitor、stack、trace等多个命令共同使用。

3.3、Arthas线上常用场景

Arthas中集成了大部分JDK工具的功能实现，因此，在线上情况时，可以通过它快速的帮助我们解决问题，如CPU占用过高、线程阻塞、死锁、代码动态修改、方法执行缓慢、排查404等。

3.3.1、排查CPU占用过高问题

• ①使用thread -n 10命令查看CPU占用资源最高的10条线程。
• ②使用thread命令查看前几条线程的详细执行信息，定位到具体的方法。
• ③使用monitor命令对前面定位到的方法进行监控，查看方法的调用次数与耗时。
• ④分析monitor命令查询出的结果，定位问题根源，确定是由于调用过于频繁导致的，还是内部代码逻辑问题。
• ⑤使用jad命令反编译class文件，根据前面分析的原因排查代码并改善。

3.3.2、排查线程阻塞问题

• ①使用thread查看所有线程信息，再筛选所有阻塞状态的线程。
• ②根据线程名称定位具体的业务模块，再选中该业务中的一条线程查看堆栈信息。
• ③根据线程堆栈信息定位导致阻塞的具体方法，再利用stack命令查看方法堆栈信息。
• ④利用jad工具反编译源码，分析业务逻辑代码并改善。

3.3.3、排查死锁问题

• ①利用Arthas来检测死锁特别简单，只需要执行一行命令thread -b即可。

3.3.4、排查方法执行过慢问题

• ①通过trace命令排查方法执行速度，trace xx类 xx方法 ’#cost>50ms’，观测执行时间大于50ms的该方法的调用信息。
• ②可以结合正则表达式，同时排查多个类、多个方法，trace -E ClassA|ClassB method1|method2|method3。

3.3.5、动态修改线上代码

有些项目编译可能需要两小时，好容易编译完成上线之后，发现代码有一处小地方存在逻辑错误需要更改，此时难度需要重新将其下线，重新更改后打包部署吗？有了Arthas之后的你完全不需要这样干。

• ①通过jad将要修改的类反编译为.java文件，输出到指定目录。
• ②本地纠正.java文件后，通过mc命令重新编译.java文件。
• ③通过redefine或retransform命令将刚编译的.class文件再次加载到JVM中。

这个功能是Arthas非常实用的一个功能，往往在线上环境被用于代码纠错、日志级别修改、Java配置文件修改等场景。

3.3.6、………..

显然，Arthas还有更多的应用场景等待你去探索，根据不同的业务场景以及遇到的不同问题，利用Arthas都可以实现很好的排查与解决，上述中仅列出一些常见的应用场景。

四、不同场景下的最佳配置推荐

线上JVM的最佳参数配置往往要根据实际的业务场景以及运行环境进行思量，首先需要弄明白业务是追求响应速度还是吞吐量，再者需要结合所部署的硬件配置及服务器环境综合考虑，下面提供一些配置参数给予大家用作参考。

4.1、运行时数据区

4.1.1、堆空间

之前曾提及到，运行时数据区最佳的空间大小，以“活跃数据大小”进行作为基础参考，然后进行设置：

无论你的项目是追求响应速度，亦或是吞吐量，都可根据“活跃数据”计算的大小作为基础进行调整，依照“活跃数据”计算出的大小也恰巧能够符合Sun公司官方给出的推荐，如：

新生代空间的最佳占比应当在堆总大小的3/8，换算成百分比为37.5%。
通过上图中根据“活跃数据”获取的各分区大小进行计算：
1200MB(Eden)/3200MB(Heap)=0.375(37.5%)，和官方的推荐完全一致。

那么实际项目上线时，“活跃数据大小”如何获取呢？可以在测试阶段进行压测，然后通过GC日志进行计算。不过基于“活跃数据”计算出的大小也可以根据业务进行调整。

• ①对象存活较高的业务，Survivor区与Eden区比值建议为2:4，即-XX:SurvivorRatio=4。
• ②对象晋升年龄阈值建议： 对象存活率较低的业务：保留默认值，即15。 对象存活率较高的业务：建议调小，如-XX:MaxTenuringThreshold=7，可以减少大量存活对象在幸存区反复横跳带来的性能开销。
• ③JIT编译的热点代码缓存区至少64M，即-XX:ReservedCodeCacheSize=64m。
• ④TLAB线程私有区域可以调整为Eden区的1/10，即-XX:TLABWasteTargetPercent=10。
• ⑤记得打开OOM时Dump堆的参数，以及执行脚本可以指定为重启应用。

1.8及以上版本的JDK大多数情况下，只需要调整好每个分区的大小即可，其他的优化参数，大多数JVM都会默认开启。
-Xms、-Xmx两参数的值需保持一致，防止由于内存动态伸缩时造成抖动影响性能。

4.2、元空间

元空间的大小建议：一般在“活跃数据”的1.2倍左右足够，如果程序内使用大量动态代理，可以尝试加大到1.5、1.8倍。

4.3、栈空间

HotSpot中，Java虚拟机栈和本地方法栈合二为一了，因此这里的栈空间涵盖了这两个概念。
JDK1.5之前默认栈大小为256K，1.5之后默认为1M大小，对于该值的调整要基于业务来决定，如果业务执行时，方法调用链不会太长，可以适当缩小到512k，即-Xss512K，这样做的好处在于：在物理内存相同的情况下，该值越小，程序中就能产生更多的线程，从而能够拥有更多的线程处理客户端到来的请求。

但操作系统不可能允许一个进程无限制的创建线程，因此单个进程中的线程数量一般最多控制3000~5000最佳。

4.2、GC垃圾收集

GC方面也是JVM调优中“操作性”最大的部分，因此，这部分在JVM调优额外重要。

4.2.1、选择垃圾收集器

选用合适的垃圾收集器往往能够让你的应用性能提升一大截，但合适的收集器也需要根据运行环境及业务场景去选择，那如何选择最合适的收集器呢？

• ①、将堆空间调整到合适的大小后，优先让JVM自行根据配置选择。
• ②、如果内存小于100MB或部署在单核/双核机器，使用串行收集器。
• ③、JDK8及以前追求低延迟（响应速度）选ParNew+CMS，追求高吞吐则选PS+PO。
• ④、后续新版本的JDK中，8GB以上可以考虑选用G1，上百GB规模可采用ZGC。

4.2.2、ParNew+CMS组合参数推荐

• 使用ParNew+CMS组合：-XX:+UseParNewGC -XX:+UseConcMarkSweepGC。
• ①并行收集GC线程数建议为CPU核数，即-XX:ParallelCMSThreads=CPU*core。
• ②内存碎片整理方面（MSC工作）： -XX:+UseCMSCompactAtFullCollection：内存碎片化严重时开启MSC整理。 建议将每次FullGC后的内存整理改为2-3轮触发一次，即-XX:CMSFullGCsBeforeCompaction。
• ③因为是追求响应速度的组合，因此目标停顿时间可以适当偏小一些，即-XX:MaxGCPauseMillis。
• ④激进优化策略： -XX:+CMSParallellnitialMarkEnabled：在初始阶段采用多线程执行。 -XX:+CMSParallelRemarkEnabled：在重新标记阶段采用多线程执行。 -XX:+CMSScavengeBeforeRemark：在重新标记阶段前触发一次新生代GC。

4.2.3、ParallelScavenge+ParallelOld组合参数推荐

• 使用PS+PO组合：-XX:+UseParallelGC -XX:+UseParallelOldGC。
• ①并行收集GC线程数建议为CPU核数，即-XX:ParallelGCThreads=CPU*core。
• ②因为是追求吞吐的组合，因此吞吐比尽量可以调高，即-XX:GCTimeRatio，如若无经验没法预估准确值，那则可以开启JVM的自适应调整策略：-XX:+UseAdaptiveSizePolicy。

4.2.4、G1整堆收集器参数推荐

• 使用G1收集器：-XX:+UseG1GC。
• ①不要强制使用-Xmn参数设置年轻代的大小，因为G1是通过动态调整年轻代大小达到目标暂停时间的目的。
• ②如果分配的对象平均体积过大，可以适当调大每个分区的Size，但必须要为2的次幂，即通过-XX:G1HeapRegionSize调整，正常情况下尽量不要手动调整。
• ③尽量可以将并发线程数调整的大一些，即-XX:ConcGCThreads，一般推荐为CPU核数+1~2。
• ④手动指定触发混合GC的阈值，关闭IHOP适应分析，消除自适应计算的耗时，-XX:InitiatingHeapOccupancyPercent=45 -XX:-G1UseAdaptiveIHOP。
• ⑤混合GC时间过长可微调该三个参数：-XX:G1MixedGCCountTarget=8 -XX:G1MixedGCLiveThresholdPercent=88 -XX:G1HeapWastePercent=5。

4.3、性能激进优化策略

在JDK1.7及其之后的版本中，JVM推出了很多激进优化的策略，但在1.8及其之后的环境中，大部分的参数都是默认开启的，因此我们没有必要显式再次开启。但其实JVM中的一些激进优化参数默认也并未打开，如果你的程序堆空间足够大，也可以尝试开启后优化程序性能。

• ①-XX:ParGCCardsPerStrideChunk=4096：CMS激进优化策略，增大GC线程扫描卡表的范围，默认为256，三个最佳值为32768、4K、8K。
• ②-XX:+AlwaysPreTouch：开启物理内存分配替换虚拟内存分配，优化分配率。
• ③-XX:+UseLargePages：启用内存大页面分配技术。
• ④-XX:-UseBiasedLocking：关闭偏向锁，在并发较高的系统中关闭反而可以提升性能。
• ⑤-XX:AutoBoxCacheMax=20000：加大IntrgerCache的缓存。
• ⑥-XX:-UseCounterDecay：关闭JIT即时编译器的热度衰减机制（会消耗一定内存）。
• ⑦-XX:-TieredCompilation：关闭C1静态编译器编译，直接使用C2编译。
• ⑧-XX:MaxDirectMemorySize：直接内存大小如果确认用的比较少，可以调小，如果用的比较多，可以适当调大。

4.4、不同的启动方式参数设置方式

• Idea/Ecalipse：在运行时的选项卡中配置，如IDEA的Configurations… -> VM Options中。
• Tomcat：bin目录下的catalina.sh文件中的JAVA_OPTS的值上写JVM参数即可。
• jar包方式启动直接将VM参数跟在后面即可。

五、总结

对于性能优化这个内容而言，没有绝对正确或最佳的参数，也包括本章的内容你可以适当参考但不能照搬于生产环境，安全第一，项目能够稳定执行是根本，性能优化永远要建立在应用健康运转但遭遇瓶颈的基础上，不要随便调优，更不要刻意调优。

同时，对于JDK不同版本中的默认值，如果你不清楚其具体作用，那建议保留默认值，毕竟JDK默认将其设为此值总有它的理由，默认值至少能够满足绝大部分的项目需求。因此，如若你没有丰富的激进优化经验，再次重申：不要随意更改一些性能参数的默认值。

以上就是关于gg修改器游戏时间_gg修改器游戏修改的全部内容，游戏大佬们学会了吗？