Come ottimizzi le prestazioni delle applicazioni JVM?

Question

Accepted Answer

L'ottimizzazione delle applicazioni JVM abbraccia il **profiling** per trovare i colli di bottiglia, l'**ottimizzazione JVM/GC**, i miglioramenti a **livello di codice** e lo sfruttamento del compilatore JIT. Come sempre, la regola è: **misura prima, ottimizza il collo di bottiglia provato** — non indovinare mai.

## Profile before optimizing

```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
```

Il profiling rivela *dove* il tempo e la memoria vanno effettivamente, quindi correggi il vero 20% che importa piuttosto che micro-ottimizzare codice irrilevante.

## The JIT compiler works for you

```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
```

## Code-level optimizations

```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)
```

## The database is often the real bottleneck

```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.
```

## Avoid premature optimization

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

## Perché è importante

L'ottimizzazione delle prestazioni JVM è di alto valore ma deve essere **disciplinata e guidata dalla misurazione** — indovinare spreca sforzi e aggiunge complessità.

Conoscere l'intero toolkit è importante: profiler (JFR, async-profiler) per individuare i veri colli di bottiglia; comprendere il JIT (che ottimizza il codice hot a runtime, quindi i benchmark hanno bisogno di warm-up); GC tuning (dimensionamento dell'heap e scelta del collector — G1/ZGC — per bilanciare throughput versus pause time); e vittorie a livello di codice (algoritmi e strutture dati migliori, riduzione dell'allocazione e autoboxing, pooling, batching).

Riconoscere che il collo di bottiglia è spesso il **database o l'I/O**, non il codice Java, focalizza lo sforzo correttamente.

Questa combinazione — profila prima, sintonizza la JVM e il GC appropriatamente, ottimizza i hotspot provati ed evita la micro-ottimizzazione prematura — è quello che mantiene le grandi applicazioni JVM veloci e scalabili, e riflette l'esperienza operativa di livello senior.