JFR诊断增强学习笔记

简介: 快速学习JFR诊断增强

开发者学堂课程【JFR诊断增强:JFR诊断增强】学习笔记,与课程紧密联系,让用户快速学习知识。

课程地址:https://developer.aliyun.com/learning/course/57

JFR诊断增强


一、概览

1、历史

JFR技术最早起源于JRockit,这项技术最初被设计用于收集虚拟机的各项性能指标,帮助提高虚拟机的性能。在Oracle收购后,这项技术被合并后入OracleJDK中成为商业特性-JDK 7u4+。

最早发布在OracleJDK,期中用户没有办法在生长环境免费使用,幸运的是在2018年,这项技术正式开源于OpenJDK11中,两年后在多个公司的努力下JFR被移植到主流版本OpenJDK8u中,开发者可以在生产环境中免费使用。

2、JFR是什么

JFR是基于事件的数据收集、tracing框架,同时他的完整实践内建于Jdk中。同时,他是一个低开销、生产级别可用的工具,在默认配置下,开销能够控制住2%以内。JFR提供了一套完成的Java API,能够帮助用户自定义和消费事件同时控制JFR的各种行为。

3、优势

相对于传统的Java应用数据收集方案(MX Bean、Java/Native Agent) , JFR的优势:

1、一套标准的API, 允许用户自定义事件

2、默认提供数据持久化和磁盘rotate的能力

3、完善的内存消耗控制策略,高效压缩的二进制数据格式

4、可以收集JVM内部最底层的信息, 传统的方案几乎无法低开销地实现

5、应用异常退出时,仍然可以保证数据的完整性和一致性,保证最终的数据能够正常被解析

6、使用场景:在线的性能分析,问题排查以及持续监控 Profiling&Troubleshooting&Monitoring

image.png

从图中我们可以看出JFR相对于常用的日字记录组件在性能上有着质的提升。

二、基础

1、Event

image.png

对于所有JFR事件来说,有着统一的格式,除了事件大小以及事件ID这类基础信息外,每个事件中还包含了开始时间,消耗时间以及所属现场的ID等等消息,在实线上,JFR为了存储空间的使用效率,使用了变长枕术压缩算法。

image.png

JFR为了提高记录事件的效率,能够在最大程度降低开销,在实线上,每个需要记录JFR事件的现成,都会维护自己的缓存用于记录局部的事件,当局部缓存满后,会将其中内容拷贝到全剧缓存中,最后会被刷出到磁盘文件中,而每一个磁盘文件中的内容都能够被单独解析,因为他包含了所有的数据,文件内容也使用了自描述的格式,保证了数据的完整性和一致性。

image.png

JDK默认提供了超过140个的内置事件,覆盖了各个模块,比如在环境角度,用户能够通过JFR收集到os、cpu层面的数据,在执行角度,用户能搜集到网络文件io等数据以及电动站的数据,在gvm角度,用户能够收集到内加载、垃圾回收器以及及时编译器的数据。

1、Api

image.png

API是一套核心的注解,这套注解能够帮助用户自定义事件,比如用户能够通过内幕注解来定义事件的名称,通过Enabled的注解来定义事件,是否被默认打开,通过StackTrace注释来定义事件是否需要记录站的信息,任务通过这套核心注解以及基础类库,能够完成自定义事件的定义。

image.png

例:图中定义了一个“Hello JFR”事件里面包含了一个message字段,用户能够通过API完成事件的记录。首先用户需要创建一个事件对象,然后通过begin和commit API,来完成事件的记录。

1、Command

image.png

在启动阶段JFR提供了一个参数,能够帮助用户在启动阶段开启一次JFR的记录,同时提供了jcommand的几个命令来帮助用户在运行期间来控制JFR的行为,最后他也提供了JFR命令,来帮助用户打印转储文件中的JFR事件信息。

例子:

image.png

首先在本地环境准备一个支持JFR的JDK,图片中提供了openJDK 15,用户可以选择openJDK8u 262之后的版本或者openJDK 11以及以上的版本,用来进行演示。

image.png

在启动参数中增加StartFlatRecording参数来开启一次记录,在demo中通过name来标注这次记录的名称叫demo,在启动之后会有一段录制输出,来标记这次飞行记录的生效。

image.png

在期间,可以通过JFR.check命令来检查我们记录的配置信息,图中我们可以看出这次记录会去记录各类事件,比如ActRecording事件等。

image.png

在运行一段时间以后,我们能通过dump命令将这期间采集到的JFR事件dump到文件中,我们需要指定recording的名字以及目标,dump文件的路径,最终我们可以从图中看到文件大小为420k。

image.png

有了dump文件,我们就可以用JFR命令输出文件中的事件信息,图中使用了summary命令,可以看到文件中各类事件的基础信息,例如monitorwait事件总共发生了4148次,占用了约100k的大小,用户也可以用print命令来打印更详细的信息。

一、监控

image.png

JFR最初被设计用来问题排查和性能分析上,为了能够让JFR应用于持续监控中,Oracle开源了JEP 349特性:JFR Event Streaming,这个特性提拱了一系列的API,能够让用户连续消费JFR事件,保证额外的开销控制在1%以内,目前已经在openJDK14中正式开源,而阿里巴巴Dragonwell 8.5.4也将这个特性集成进来,从图中我们可以看到,用户能够通过recordingString API以及eventString API来进行特定事件的特定操作。

1、Visualization

在可视化角度,官方提供了JDK mission control 一款桌面软件来帮助用户来进行JFR文件的分析。

在生产环境,我们能够通过agent将JFR数据转换成指标数据,通过目前比较流行的可视化工具,比如granafa进行JFR数据的分析。


相关文章
|
数据采集 数据可视化 数据处理
【办公自动化】在Excel中按条件筛选数据并存入新的表2.0
【办公自动化】在Excel中按条件筛选数据并存入新的表2.0
368 1
|
JSON 运维 JavaScript
进程管理工具PM2在python项目中的使用
说到进程管理,后端和运维的同学都不陌生。生产项目以及一些脚本任务都需要进行进程管理。现在市场上用得最多的当属supervisor了,但是它只能运行在 Unix-Like 的系统上,也就是说supervisor不能再windows上运行。 我们这里说的是另外一个进程管理工具PM2,PM2不仅仅适用于Unix-Like系统,同样适用于windows系统。这点对于开发者来说也是个福音,下面我们来说说PM2的简单使用。
1606 0
进程管理工具PM2在python项目中的使用
|
算法 固态存储
学习:常见图像匹配综述
学习:常见图像匹配综述
515 0
学习:常见图像匹配综述
|
9月前
|
人工智能 监控 算法
卷不过AI就驯服它!AI训练师速成攻略
这是一篇关于AI训练师职业的全面指南。文章从“驯服AI”的理念出发,将AI训练师比作“幼儿园老师”,详细描述了该职业的工作内容、入行技能要求、成长路径及工作日常。新手可以从基础的数据标注做起,逐步学习Python、数学知识和工具使用,通过三年计划实现职业进阶。文中还分享了摸鱼技巧、崩溃与高光时刻,以及避坑建议和未来转型方向。无论是在电商公司给商品打标签,还是训练医疗AI辅助诊断,这个职业都充满挑战与机遇。最后鼓励大家主动拥抱变化,把AI变成自己的左膀右臂,而非竞争对手。
1981 1
|
监控 算法 Java
CPU突然被打满的原因(全方位分析)
CPU突然被打满的原因(全方位分析)
|
缓存 物联网 数据库
如何帮助我们改造升级原有架构——基于TDengine 平台
一、简介 TDengine 核心是一款高性能、集群开源、云原生的时序数据库(Time Series Database,TSDB),专为物联网IoT平台、工业互联网、电力、IT 运维等场景设计并优化,具有极强的弹性伸缩能力。同时它还带有内建的缓存、流式计算、数据订阅等系统功能,能大幅减少系统设计的复杂度,降低研发和运营成本,是一个高性能、分布式的物联网IoT、工业大数据平台。 二、TDengine 功能与组件 TDengine 社区版是一开源版本,采用的是 AGPL 许可证,它具备高效处理时序数据所需要的所有功能,包括: SQL 写入、无模式写入和通过第三方工具写入 S标准 SQL 查
336 12
|
负载均衡 算法 容灾
slb基础概念
【9月更文挑战第2天】
4144 25
|
IDE 开发工具
IDEA如何快速定位到当前打开文件所在的目录
【10月更文挑战第7天】在 IntelliJ IDEA 中,要快速定位当前文件的目录,可通过侧边栏或快捷键实现。在侧边栏的项目结构中,文件以层级结构显示,便于浏览;使用 `Alt + F1` 快捷键,选择 “Select in”-> “Project View”,即可迅速定位文件所在目录,方便管理和导航。
5351 3
|
机器学习/深度学习 编解码 人工智能
论文精读 TransGAN:两个纯粹的Transformer可以组成一个强大的GAN(TransGAN:Two Pure Transformers Can Make One Strong GAN)
TransGAN是UT-Austin、加州大学、 IBM研究院的华人博士生构建了一个只使用纯 transformer 架构、完全没有卷积的 GAN,并将其命名为 TransGAN。该论文已被NeruIPS(Conference and Workshop on Neural Information Processing Systems,计算机人工智能领域A类会议)录用,文章发表于2021年12月。 该文章旨在仅使用Transformer网络设计GAN。Can we build a strong GAN completely free of convolutions? 论文地址:https://
论文精读 TransGAN:两个纯粹的Transformer可以组成一个强大的GAN(TransGAN:Two Pure Transformers Can Make One Strong GAN)
|
机器学习/深度学习 数据可视化 TensorFlow
基于tensorflow深度学习的猫狗分类识别
基于tensorflow深度学习的猫狗分类识别
735 1