Bug回忆录 | jvisualvm如何定位程序性能问题

推荐文章：开发实践｜关于100以内的加减乘除法问题之我在客户现场遇到的bug

文章链接：https://cloud.tencent.com/developer/user/7221733

推荐原因：因为一次精度的缺失导致的错误bug，而衍生出的关于bug解决方案的思考：先排查数据，在数据准确无误的情况下，再去检查下工具，从属性配置上看看是否可以解决，当然有些不要求精度准确的情况下，也可以同客户商议解决办法，采取折中的方式来减少开发工作量。

如果真的要回忆关于印象深刻的bug，可能就要追溯到我刚实习的时候。而之所以那么深刻，可能是源自初入社会那份求知的信，亦或者是那时候遇到的人，对我如今选择的这条路影响深远。

故事

2017年，实习，大数据组。

对于二三线城市来说，很多公司的计算机实习岗位，约等于无门槛免费劳动力。当然，我也不例外，在大数据实习的前两个月，除了整理工作文档，就是自己悄摸摸的学习。后来在机缘巧合之下，以运维的角色接触到了一个数据接入的项目。

程序主要分为三个部分：TCP数据接入、数据解析、写kafka。当时的问题就是程序启动之后，运行一段时间就内存溢出，进而造成的结果就是TCP阻塞以及数据量核对不上。当时怀疑是解析这部分的代码性能效率不高，因为解析这一块比较复杂，每条数据平局100个字段，每个字段都要根据规范中的字节长度和数据类型，将二进制转换成明文数据。

所以当时看他们就是铆足了劲，如何去优化解码逻辑。后来就来了一位大佬，就用jvisualvm定位出了问题所在：因为当时平台都是集中化建设，Hadoop还是1.x版本，所以kakfa也是0.8版本，正因为kafka版本太低，写入效率太慢，虽然整个程序占用cpu过高，但实际上二进制数一直阻塞在程序的queue中，最后导致内存溢出。

后来找到问题之后，在Hadoop2.x建设阶段，将kafka升级到了0.10版本，就解决了这个问题。当时自己空有jvm的理论知识，后来在这次经历中也算是将理论映进了现实，所以到至今都印象深刻，现在也特别推崇通过jvm来分析程序性能的方式。所以，本篇文章就主要大概复现上述问题，看看如何使用jvisualvm来分析程序性能问题。

问题复现

为了复现上面的问题，原来程序的TCP数据接入、数据解析、写kafka三个部分，我分别进行了简单的代码替换。首先我们定义数据接入的模块，这里主要模拟数据写入queue的一个过程。

private static final ConcurrentLinkedQueue<String> queue = new ConcurrentLinkedQueue<>();

public static void dataReceive() {
    String data = "data";
    for (; ; ) {
        // 生产数据并放入队列
        queue.add(data);
        try {
            // 控制一下频率，防止过快内存溢出
            Thread.sleep(100);
        } catch (InterruptedException e) {
            Thread.currentThread().interrupt();
        }
    }
}

这里主要是讲data写入queue，并为了防止内存溢出使用sleep来写入控制频率。然后我们实现数据解析以及写入kafka模块。

public static void dataAnalysis() {
    for (int i = 0; i < 10; i++) {
        new Thread(() -> {
            while (true) {
                String data = queue.poll();
                for (int i1 = 0; i1 < 40000; i1++) {
                    // 模拟数据解析
                    System.out.print("");
                }
                try {
                    // 模拟控制写入kafka效率
                    Thread.sleep(100);
                } catch (InterruptedException e) {
                    throw new RuntimeException(e);
                }
                System.out.println(data);
            }
        }, "thread" + i).start();
    }
}

这里我启动了10个线程，并给每个线程编号。在run方法中，通过输出4万次空字符串来模拟数据解析过程，通过sleep来模拟写入kafka的效率问题。

启动程序之后，就看到了一个名为Test的java程序进程。点击进入，选择线程选项卡。

如图，我们可以看到thread0-10线程是由紫色、红色以及绿色组成。大部分都处于紫色，紫色代表线程休眠，少量的绿色部分表示是出于运行状态，也就是上述代码中的数据解析，红色是jvisualvm采样导致的，这个不用管。从最后的运行占比中也能看出，线程处理活动状态（解析）的比例都在10%之内，也就说明如果写入kafka效率过慢，会导致前面解析逻辑无法运行，从而最后导致性能下降。

当然，这里是不严谨的，为什么这么说呢。是因为我在代码中本来就显式使用了Thread.sleep，所以最后在jvisualvm中显示紫色也是很正常的。其实在生产中，写入kafka的线程是独立的，但是和数据解析的线程（thread0-10）是“串行的”。

数据解析之后会立即写入到kafka，本次循环需要再kafka写入成功之后返回响应，才会结束并重新执行上面的数据解析逻辑，但是写入kafka太慢了，需要一直等待。所以当时实际看到的现象是：thread0-10是如图中这种休眠状态，而写入kafka的线程一直是处于绿色运行状态。

进而推断出程序的效率低下，并不是因为计算资源不足或者数据解析逻辑导致的（如果一直处于绿色活动状态，那就是解析逻辑有问题或者计算资源不足）。

jvisualvm

jvisualvm 是一个强大的性能分析工具，它是 JDK 自带的一部分，通常与 JDK 一起安装。jvisualvm 主要用于监控 Java 应用程序的性能，帮助开发人员了解应用程序的内存、CPU 使用情况，分析线程的执行情况，发现潜在的性能瓶颈，以及进行垃圾回收分析等。

换个理解方式，jvisualvm是jstat、jmap、jstack、jps等命令的可视化方案。在配置好jdk之后，在命令行中运行 jvisualvm 命令即可启动。

监控 JVM 性能

在jvisualvm中，你可以看到不同的选项卡，如 Monitor（监控）、Profiler（性能分析）、Heap Dump（堆转储）等。每个选项卡提供了不同的性能数据，帮助开发者分析 Java 应用的运行状态。

监控选项卡（Monitor）

Monitor 选项卡提供了 JVM 的基本性能数据，包括：

• CPU 使用率：显示 Java 应用的 CPU 使用情况。通过查看 CPU 使用率，可以了解应用是否存在 CPU 密集型任务。
• 堆内存使用：显示 Java 堆内存的使用情况。包括 Eden 区、Survivor 区、Old 区等内存区域的使用量。通过分析堆内存，可以判断应用是否频繁进行垃圾回收，是否存在内存泄漏等问题。
• 线程使用情况：显示 Java 应用中活跃线程的数量。通过查看线程数，能够快速了解应用是否存在线程饥饿或者线程过多等问题。

性能分析（Profiler）

Profiler 选项卡可以帮助开发者进行更深入的性能分析，主要通过以下几个方面进行：

• CPU 性能分析：通过监控应用中各个方法的 CPU 占用情况，帮助开发者定位性能瓶颈。会显示各个方法的执行时间，帮助你发现哪些方法消耗了大量 CPU 资源。
• 内存分析：通过监控 JVM 堆内存的分配情况，帮助开发者了解哪些对象占用了大量内存，是否有内存泄漏等问题。jvisualvm 还可以生成堆分析图，展示内存的使用情况和对象的引用关系。
• 对象分配分析：展示 Java 应用中对象的创建和销毁情况，帮助开发者发现不必要的对象创建和内存泄漏等问题。

垃圾回收分析（Garbage Collection）

垃圾回收是 Java 中的一个重要环节，jvisualvm 提供了垃圾回收的监控功能。通过 Garbage Collector 选项卡，可以查看垃圾回收的详细信息，包括：

• GC 时间：展示垃圾回收的总时间。通过监控 GC 时间，开发者可以判断垃圾回收是否频繁，是否影响了应用的性能。
• GC 类型：显示应用使用的垃圾回收器类型，如 SerialGC、ParallelGC、G1GC 等。
• GC 频率：显示垃圾回收的触发频率。如果 GC 过于频繁，可能会影响应用性能，需要进行调优。

堆转储（Heap Dump）

堆转储是对 JVM 堆内存的快照，jvisualvm 可以生成堆转储文件并进行分析。堆转储可以帮助开发者了解 Java 堆中的对象分布、引用关系等，有助于诊断内存泄漏、过度的对象创建等问题。

• 生成堆转储：在 Heap Dump 选项卡中点击“Dump”按钮，即可生成堆转储文件。
• 分析堆转储：堆转储生成后，jvisualvm 会显示堆内存中的所有对象，并可以按类、大小、引用关系等进行排序和过滤。

同时也可以通过抽样器选项卡的内存选项，可以看到上面的这些指标：

4. 性能优化建议

通过 jvisualvm 提供的性能分析工具，开发者可以定位到性能瓶颈，从而进行优化。以下是一些常见的优化建议：

1. 减少 GC 频率： 如果应用频繁触发垃圾回收，可能会影响性能。优化方法包括：
   • 增加堆内存大小。
   • 使用适当的垃圾回收器，如 G1GC，它在较大的堆内存环境下表现较好。
   • 优化对象的生命周期，减少短时间内创建大量对象。
2. 优化 CPU 密集型代码：
   • 对于 CPU 密集型任务，可以考虑将任务拆分成多个线程，并使用多核 CPU 来提高性能。
   • 使用 Profiler 分析方法调用的执行时间，发现消耗 CPU 资源较高的方法，并进行优化。
3. 内存泄漏检测：
   • 如果发现内存使用持续增长且垃圾回收没有明显改善，可以考虑使用堆转储分析工具检查是否有内存泄漏。
4. 避免不必要的对象创建：
   • 通过 Profiler 监控对象的创建情况，避免在频繁调用的方法中创建不必要的对象。

其他命令使用

总结

jvisualvm 是一个非常强大的 Java 性能分析和调优工具，它为开发者提供了详细的内存使用情况、垃圾回收情况、CPU 使用情况等多维度的信息，帮助开发者发现和解决 Java 应用中的性能问题。

通过合理配置和使用 jvisualvm，开发者可以在开发过程中更好地监控和优化 Java 应用的性能，提升应用的稳定性和响应速度。