`

JVM 垃圾回收算法

    博客分类:
  • java
阅读更多
垃圾回收算法

1.引用计数法
1.1思想
    对于对象设置一个引用计数器,每增加一个变量对它的引用,引用计数器就会 +1,每减少一个变量的引用,引用计数器就会 -1,只有当对象的引用计数器 =0时,该对象才会被回收。
1.2优缺点
    1.每次在增加变量引用和减少引用时都要进行加法或减法操作,如果频繁操作对象的话,在一定程度上影响系统的性能。
    2.无法处理循环引用的情况。
    循环引用:假设有两个对象 A和B,A中引用了B对象,并且B中也引用了A对象,那么这时两个对象的引用计数器都不为0,但是由于存在相互引用导致无法垃圾回收A和B,导致内存泄漏。
    注意:由于引用计数器算法存在循环引用以及性能的问题,java虚拟机并未使用此算法作为垃圾回收算法。
2.标记清除法
2.1思想
    可达对象:通过根对象的进行引用搜索,最终可以到达的对象。
    不可达对象:通过根对象进行引用搜索,最终没有被引用到的对象。
2.2标记阶段
    通过根节点,标记所有从根节点开始的可达对象,因此未被标记的对象就是未被引用的垃圾对象。
2.3清除阶段
    清除所有未被标记的对象
    注意:这种方法可以解决循环引用的问题,只有两个对象不可达,即使它们互相引用也无济于事。也是会被判定位不可达对象。
2.4优缺点
    缺点:垃圾回收后可能存在大量的磁盘碎片,准确的说是内存碎片。因为对象所占用的地址空间是固定的。
2.5总结
    标记清除算法可能产生的最大的问题就是空间碎片。
3.复制算法
3.1思想
    将原有的内存空间分为两块相同的存储空间,每次只使用一块,在垃圾回收时,将正在使用的内存块中存活对象复制到未使用的那一块内存空间中,之后清除正在使用的内存块中的所有对象,完成垃圾回收。
3.2适用场景
    系统中的垃圾对象很多,复制算法需要复制的存活对象就会相对较少。因此,在真正需要垃圾回收的时刻,复制算法的效率是很高的。
3.2优点
    由于存活对象在垃圾回收过程中是一起被赋值到另一块内存空间中的,因此,可确保回收的内存空间是没有碎片的。
3.3缺点
    复制算法的代价是将系统内存空间折半,只使用一半空间,而且如果内存空间中垃圾对象少的话,复制对象也是很耗时的,因此,单纯的复制算法也是不可取的。
    注意:复制算法比较适用于新生代。因为在新生代中,垃圾对象通常会多于存活对象,算法的效果会比较好
4.标记压缩算法
4.1思想
    和标记清除算法一样,标记压缩算法也首先从根节点开始,对所有可达的对象做一次标记,但之后它并不是简单的清理未标记的对象,而是将所有的存活对象压缩到内存空间的一端,之后清理边界外所有的空间。这样做避免的碎片的产生,又不需要两块相同的内存空间,因此性价比高。
     注意:标记压缩算法比较适用于老年代。因为在老年代中,大部分对象都是存活的对象,垃圾对象通常会少于存活对象,标记压缩算法的效果会比较好
5.分代算法
5.1思想
    将内存空间根据对象的特点不同进行划分,选择合适的垃圾回收算法,以提高垃圾回收的效率。
    新生代:存放年轻对象的堆空间,年轻对象指刚刚创建,或者经历垃圾回收次数不多的对象。---复制算法
    老年代:存放老年对象的堆空间。即为经历多次垃圾回收依然存活的对象。---标记清除算法/标记压缩算法
5.2算法详述
    通常新生代回收的频率很高,但是每次回收的时间都很短,而老年代回收的频率比较低,但是被消耗很多的时间。为了支持高频率的新生代回收,虚拟机可能使用一种叫做卡表的数据结构,卡表为一个比特位集合,每一个比特位可以用来表示老年代的某一区域中的所有对象是否持有新生代对象的引用,新生代GC时,可以不用花大量时间扫描所有老年代对象,来确定每一个对象的引用关系,而可以先扫描卡表,只有当卡表的标记为1时,才需要扫描给定区域的老年代对象,而卡表为0的所在区域的老年代对象,一定不含有新生代对象的引用。
6.分区算法
6.1思想
    将整个堆空间划分为连续的不同小区间,每一个小区间都独立使用,独立回收。
6.2优点
    可以控制一次回收多少个小区间。通常,相同的条件下,堆空间越大,一次GC所需的时间就越长,从而产生的停顿时间就越长。为了更好的控制GC产生的停顿时间,将一块大的内存区域分割成多个小块,根据目标的停顿时间,每次合理的回收若干个小区间,而不是整个堆空间,从而减少一个GC的停顿时间。
分享到:
评论

相关推荐

    JVM之基本的垃圾回收算法汇总

    这篇博客将探讨JVM中的基本垃圾回收算法,帮助我们更好地理解JVM内存管理的原理。 1. 标记-清除(Mark-Sweep)算法 这是最早的垃圾回收算法之一。它分为两个阶段:标记和清除。首先,从根节点开始遍历所有可达对象...

    JVM面试资料:JVM结构、JVM调优、四大垃圾回收算法、七大垃圾回收器

    四大垃圾回收算法:复制算法、标记-清除算法、标记-整理算法、分代收集算法 七大垃圾回收器:Serial、Serial Old、ParNew、CMS、Parallel、Parallel Old、G1 JVM调优:命令行指令,设置堆内存大小的参数

    JVM调优总结(三)基本垃圾回收算法.pdf

    JVM垃圾回收算法总结 垃圾回收算法是Java虚拟机(JVM)中的一种机制,用于回收无用的对象以释放内存空间。垃圾回收算法可以从不同的角度划分,下面是常见的垃圾回收算法: 1. 引用计数(Reference Counting) ...

    深入理解JVM垃圾收集算法与垃圾收集器

    深入理解JVM垃圾收集算法与垃圾收集器

    JVM的垃圾回收算法工作原理详解

    "JVM垃圾回收算法工作原理详解" JVM垃圾回收算法工作原理详解主要介绍了JVM的垃圾回收算法如何判断对象是否可以被回收,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值。 JVM垃圾...

    JVM入门实战/arthas实战/垃圾回收算法/垃圾回收器/jvm内存模型分析

    第四节:垃圾回收算法 1.1标记清除算法 1.2复制算法 1.3 标记整理(标记压缩)算法 第五节:垃圾回收器 1.1Serial/Serial Old收集器 1.2 ParNew收集器 1.3Parallel Scavenge收集器 1.4Parallel Old收集器 1.5CMS...

    JVM垃圾回收机制

    JVM垃圾回收机制通过两种主要算法来确定对象是否成为垃圾,即“可达性分析算法”和“引用计数法”。 - 可达性分析算法:这种方法通过确定对象的引用链来判断对象是否可达。GC根对象包括虚拟机栈中引用的对象、方法...

    深入探索JVM垃圾回收:ARM服务器垃圾回收的挑战和优化.docx

    3. 优化垃圾回收算法:针对 ARM 服务器的特点,可以优化 JVM 的垃圾回收算法。例如,使用更加高效的垃圾回收算法,如标记-清除算法、复制算法等,来提高垃圾回收的效率。此外,还可以考虑使用增量式垃圾回收算法,...

    jvm+ 垃圾算法+垃圾回收概述

    jvm+ 垃圾算法+垃圾回收概述

    JVM历史发展和内存回收笔记

    2. **垃圾回收算法**: - **标记-清除(Mark-Sweep)**:首先标记出所有活动对象,然后清除未标记的对象。缺点是容易产生内存碎片。 - **复制(Copying)**:将内存分为两块,每次只使用一块,当一块用完后,将...

    详解JVM的垃圾回收算法来做细节.docx

    《详解JVM的垃圾回收算法》 垃圾回收是Java虚拟机(JVM)管理内存的重要机制,它自动识别并清理不再使用的对象,以避免内存泄漏。本文将深入探讨JVM的垃圾回收算法及其细节,包括可达性分析、根节点枚举、安全点、...

    JVM垃圾回收机制与GC性能调优

    Java虚拟机(JVM)的垃圾回收(GC)机制是Java程序高效运行的关键部分,它自动管理内存,释放不再使用的对象以避免内存泄漏。本文主要探讨JVM堆内存的结构和GC的工作原理,以及如何进行性能调优。 JVM堆是Java应用...

    jvm垃圾回收机制:.md

    全面概述jvm垃圾回收机制的功能、各部分组成及各部分算法实现

    JVM垃圾回收.jpg

    jvm 垃圾回收思维导图,总结了现有的垃圾回收器的有点以及使用场景、垃圾回收算法以及回收的判断依据。

    JVM的垃圾回收机制详解和调优

    二、垃圾回收算法 1. 标记-清除(Mark-Sweep):标记所有可达对象,然后清除不可达对象。缺点是容易产生碎片。 2. 复制(Copying):将内存分为两块,每次只使用一块,当一块满时,将存活对象复制到另一块,然后...

    JVM垃圾回收原理

    引用计数是一种较为古老且简单的垃圾回收算法。其基本思想是在每个对象中附带一个引用计数器,每当有一个地方引用它时,引用计数器的值就加一;当引用失效时,引用计数器的值减一。垃圾回收时只需要收集引用计数器值...

    JVM垃圾回收艺术

    《JVM垃圾回收艺术——探索Tenured Generation的内涵》 在深入探讨JVM垃圾回收机制的艺术之前,我们先来理解一下“天才”的定义——一种对事业、对工作的极度热爱。JAVA垃圾回收(GC)同样展现出这种对效率和优化的...

Global site tag (gtag.js) - Google Analytics