Kako optimizirate performanse JVM aplikacije?

Question

Accepted Answer

Optimizacija JVM aplikacija obuhvaća **profiliranje** da biste pronašli grla, **JVM/GC tuning**, **poboljšanja na razini koda** i korištenje JIT compilera. Kao i uvijek, pravilo je: **prvo mjerite, optimizirajte dokazanu usku grlu** — nikada ne nagađajte.

## Profilirajte prije optimiziranja

```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
```

Profiliranje otkriva *gdje* vrijeme i memorija zapravo idu, pa popravite stvarnih 20% što je bitno umjesto mikro-optimiziranja irelevantnog koda.

## JIT compiler radi za vas

```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
```

## Optimizacije na razini koda

```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)
```

## Baza podataka je često stvarna uska grla

```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.
```

## Izbjegavajte preuranjenu optimizaciju

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

## Zašto je to važno

Optimizacija performansi JVM-a je velikom vrijednosti, ali mora biti **disciplinirana i vođena mjerenjem** — nagađanje gubi napalike i dodaje složenost.

Znanje kompletnog niza alata je važno: profilers (JFR, async-profiler) za pronalaženje stvarnih grla; razumijevanje JIT-a (koji optimizira vrući kod tijekom izvršavanja, pa benchmarki trebaju zagrijavanje); GC tuning (dimenzioniranje heap-a i odabir kolekcije — G1/ZGC — da se uravnoteži propusnost naspram vremena pauziranja); i dobitke na razini koda (bolji algoritmi/strukture podataka, smanjenje alokacije i autoboxinga, pooling, batching).

Priznavanje da je uska grla često **baza podataka ili I/O**, a ne Java kod, ispravno usmjerava napalike.

Ova kombinacija — prvo profilirajte, odgovarajuće tunirajte JVM i GC, optimizirajte dokazane hotspotove i izbjegavajte preuranjenu mikro-optimizaciju — je ono što održava velike JVM aplikacije brzima i skalabilnima, te odražava stručnjačku operativnu stručnost.