Jak optymalizujesz wydajność aplikacji JVM?

Question

Accepted Answer

Optymalizacja aplikacji JVM obejmuje **profiling** w celu znalezienia wąskich gardeł, **dostrojenie JVM/GC**, **ulepszenia na poziomie kodu** i wykorzystywanie kompilatora JIT. Jak zawsze, reguła brzmi: **zmierz najpierw, optymalizuj potwierdzone wąskie gardło** — nigdy nie zgaduj.

## Profile przed optymalizacją

```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
```

Profilowanie ujawnia *gdzie* faktycznie idzie czas i pamięć, więc naprawiasz prawdziwe 20%, które ma znaczenie, zamiast mikro-optymalizować nieistotny kod.

## Kompilator JIT pracuje dla ciebie

```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.
```

## Dostrajanie GC

```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
```

## Optymalizacje na poziomie kodu

```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 danych to często rzeczywiste wąskie gardło

```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.
```

## Unikaj przedwczesnej optymalizacji

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

## Dlaczego to ważne

Optymalizacja wydajności JVM ma wysoką wartość, ale musi być **zdyscyplinowana i oparta na pomiarach** — zgadywanie marnotrawiuje wysiłek i dodaje złożoność.

Znajomość pełnego zestawu narzędzi jest ważna: profilers (JFR, async-profiler) do lokalizacji rzeczywistych wąskich gardeł; zrozumienie JIT (który optymalizuje gorący kod w czasie wykonywania, więc benchmarki potrzebują rozgrzewki); dostrajanie GC (rozmiar sterty i wybór kolektora — G1/ZGC — w celu zrównoważenia przepustowości a czasów pauz); oraz wygrane na poziomie kodu (lepsze algorytmy/struktury danych, zmniejszenie alokacji i autoboxingu, pooling, batching).

Uznanie, że wąskie gardło to często **baza danych lub I/O**, a nie kod Java, skupia wysiłek we właściwym miejscu.

Ta kombinacja — profilowanie najpierw, odpowiednie dostrojenie JVM i GC, optymalizacja potwierdonych hotspotów i unikanie przedwczesnej mikro-optymalizacji — to to, co utrzymuje duże aplikacje JVM szybkie i skalowalne, i odzwierciedla wiedzę na poziomie seniora operacyjnego.