Kaip jūs optimizuojate JVM programos veikimą?

Question

Accepted Answer

JVM programų optimizavimas apima **profiliavimą**, siekiant rasti siaurumų vietas, **JVM/GC derinimą**, **kodo lygio** pagerinimus ir JIT kompiliatoriaus naudojimą. Kaip visada, taisyklė: **matuokite pirmiausia, optimizuokite įrodytą siaurumą** — niekada nespėliokite.

## 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
```

Profiliavimas parodo, *kur* iš tikrųjų eina laikas ir atmintis, todėl jūs pataisysite tikrą 20%, kuris yra svarbus, o ne micro-optimizavote nereikalingą kodą.

## 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.
```

## Kodėl tai svarbu

JVM veikimo optimizavimas yra didelės vertės, tačiau turi būti **disciplinuotas ir matavimais grindžiamas** — spėliavimas švaisty pastangas ir didina sudėtingumą.

Žinoti visą įrankių rinkinį yra svarbu: profiliatoriai (JFR, async-profiler) tikroms siaurumų vietoms rasti; suprasti JIT (kuris optimizuoja karšto kodo veikimą, todėl sukūrimai reikalingi sušilti); GC derinimas (heap dydis ir kolektoriaus pasirinkimas — G1/ZGC — siekiant subalansuoti pralaidumą ir pauzės trukmę); ir kodo lygio laimėjimai (geresni algoritmai/duomenų struktūros, paskirstymo ir autoboxing sumažinimas, pokalinimas, paketinimas).

Pripažinti, kad siaurumo vieta dažnai yra **duomenų bazė arba I/O**, o ne Java kodas, korektiškai sutelkia pastangas.

Šis derinys — profiliavimas pirmiausia, JVM ir GC derinimas atitinkamai, įrodytų karšto kodo vietų optimizavimas ir ankstyvo micro-optimizavimo vengimas — tai yra tai, kas laiko didelės JVM programas greitomis ir keičiamomis, ir atspindi vyresniojo lygio operacinę patirtį.