Hvordan optimerer du JVM-applikationens ydeevne?

Question

Accepted Answer

Optimering af JVM-applikationer omfatter **profilring** for at finde flaskehalse, **JVM/GC-tuning**, **forbedringer på kodeniveau** og at udnytte JIT-compileren. Som altid gælder reglen: **mål først, optimer den påviste flaskehals** — gæt aldrig.

## Profil før optimering

```text
Tools:
  ✓ JProfiler / YourKit / VisualVM — CPU & memory profiling, hotspots
  ✓ Java Flight Recorder (JFR) + Mission Control — low-overhead production profiling
  ✓ async-profiler — flame graphs for CPU/allocation
  ✓ heap dumps + Eclipse MAT — memory leak analysis
```

Profilring afslører *hvor* tid og hukommelse faktisk går, så du reparerer de rigtige 20%, der betyder noget, i stedet for at mikrooptimere irrelevant kode.

## JIT-compileren arbejder for dig

```text
The JVM's JIT (Just-In-Time) compiler identifies "hot" frequently-run code and
compiles it to optimized native machine code at runtime (with inlining, etc.).
→ Java often approaches native speed for hot paths after warm-up.
→ Implication: benchmark AFTER warm-up; let the JIT optimize before measuring.
```

## GC-tuning

```bash
# choose a collector appropriate to the workload, size the heap
java -Xms2g -Xmx2g \          # set heap size (avoid resizing; -Xms = -Xmx)
     -XX:+UseG1GC \           # G1 (balanced, default) — or ZGC for low pause
     -XX:MaxGCPauseMillis=200 \
MyApp
```

```text
✓ Right-size the heap (too small → frequent GC; too large → long pauses)
✓ Pick the GC for your goal: G1 (balanced), Parallel (throughput), ZGC (low latency)
✓ Reduce allocation churn — fewer short-lived objects = less GC pressure
```

## Forbedringer på kodeniveau

```text
✓ Better algorithms & data structures — biggest wins (HashMap O(1) vs list O(n))
✓ Avoid unnecessary object creation (esp. in loops; reuse, use primitives over wrappers)
✓ Use StringBuilder for string building in loops (not + concatenation)
✓ Minimize autoboxing (Integer vs int) in hot paths
✓ Cache expensive results; use connection/thread pools
✓ Lazy initialization for costly objects not always needed
✓ Reduce I/O round-trips; batch database queries (avoid N+1)
```

## Databasen er ofte den virkelige flaskehals

```text
For server apps, the slow part is frequently DB queries (N+1, missing indexes) or
network I/O — NOT Java code. Profiling reveals this so you fix the true cause.
```

## Undgå for tidlig optimering

```text
"Premature optimization is the root of all evil." Write clear, correct code first;
profile under realistic load; then optimize the measured hotspots specifically.
```

## Hvorfor det betyder noget

JVM-ydelseoptimering er værdifuld, men skal være **disciplineret og målingsstyret** — gætteri spilder indsats og tilføjer kompleksitet.

Kendskab til det fulde værktøjssæt betyder noget: profiler (JFR, async-profiler) til at lokalisere rigtige flaskehalse; forståelse af JIT (som optimerer varm kode ved runtime, så benchmarks har brug for opvarmning); GC-tuning (heapstørrelse og valg af collector — G1/ZGC — for at balancere gennemstrømning kontra pausetider); og gevinster på kodeniveau (bedre algoritmer/datastrukturer, reducering af allokering og autoboxing, pooling, batchbehandling).

At erkende, at flaskehalsen ofte er **databasen eller I/O**, ikke Java-kode, fokuserer indsatsen korrekt.

Denne kombination — profil først, stem JVM og GC passende, optimer påviste hotspots og undgå for tidlig mikrooptimering — det er hvad der holder store JVM-applikationer hurtige og skalerbare, og afspejler senior-niveau driftskompetence.