JVM-垃圾收集器

如果说收集算法是内存回收的方法论,那么垃圾收集器就是内存回收的具体实现。

在了解这些收集器的时候,要了解每一种收集器是单线程还是多线程、采用的是什么算法、优缺点。了解这些特征,就比较好了解这些收集器在相应场景的具体作用。

以下的图是HotSpot虚拟机的垃圾收集器。如果两个收集器之间存在连线,就说明它们可以搭配使用。虚拟机所处的区域,则表示它是属于新生代收集器还是老年代收集器。

新生代收集器

Serial收集器-单线程

  • 1.Serial收集器是最基本、发展历史最悠久的收集器,曾经是新生代收集的唯一选择。
  • 2.是一个单线程的收集器,在进行垃圾收集时,必须暂停其他所有的工作线程,直到收集结束。
  • 3.优于其他收集器的地方:简单而高效
  • 4.Client模式下的默认新生代收集器

ParNew收集器-多线程

  • 1.ParNew收集器其实就是Serial收集器的多线程版本。
  • 2.Server模式下的虚拟机中首选的新生代收集器
  • 3.除了Serial收集器外,目前只有它能与CMS收集器配合工作。
  • 4.ParNew收集器可以使用-XX:UserParNewGC选择强制制定它
  • 5.ParNew收集器在单CPU的环境中绝对不会有比Serial收集器更好的效果

Parallel Scavenge 收集器-多线程

  • 1.Parallel Scavenge收集器的目标是达到一个可控制的吞吐量。
  • 2.停顿时间越短就越适合需要与用户交互的程序,良好的响应速度能提升用户体验,而高吞吐量则可以高效率地利用CPU时间,尽快完成程序的运算任务,主要适合在后台运算而不需要太多交互任务。
  • 3.Parallel Scanvenge收集器有一个开关参数:-XX:+UseAdaptiveSizePolity打开后,就不需要手工指定新生代的代销,Eden与Servivor区的比例、晋升老年代对象大小等细节参数,虚拟机会根据当前系统的运行情况收集性能监控信息,动态调整这些参数以提供最合适的停顿时间或者最大的吞吐量,这种调节方式成为GC自适应的调节策略。
  • 4.自适应调节策略也是Parallel Scanvenge收集器与ParNew收集器的一个重要区别。

老年代收集器

Serial Old 收集器-单线程

  • 1.单线程收集器,使用“标记-整理”算法
  • 2.这个收集器的主要意义也是在于给Client模式下的虚拟机使用。
  • 3.在Server模式下用途就是作为CMS收集器的后备预案,在并发收集发生Concurrent Mode Failure时使用。

Parallel Old收集器-多线程

  • 1.Parallel Old是Parallel Scanvenge 收集器的老年代版本,使用多线程和“标记-整理”算法。
  • 2.在注重吞吐量以及CPU资源敏感的场合,都可以优先考虑Parallel Scanvenge加Parallel Old收集器组合

CMS收集器

CMS是HotSpot虚拟机中第一款真正意义上的并发收集器,第一次实现了让垃圾收集线程与用户线程(基本上)同时工作,再看一下上面的收集器,都没有做到这一点。形象点讲就是,做到了在你妈妈打扫房间的时候你还能一边往地上扔纸屑。(需要注意的是,一边打扫一边丢,肯定是打扫不干净的,多多少少还是会存在垃圾,极端情况下还会出现很多垃圾,我认为CMS做到的是尽量减少清理后的垃圾,而不是绝对干净。你丢的垃圾是需要进行标记再打扫的,不是丢下来就直接扫,还有判断一下你丢下来的东西是不是垃圾,是的话再标记。

  • 1.CMS(Concurrent Mark Sweep)收集器是一种以获取最短回收停顿时间为目标的收集器。
  • 2.采用“标记-清除”算法实现的
  • 3.初始标记、并发标记、重新标记、并发清除四个步骤
  • 4.没有“并发”二字的步骤,也就是初始标记和重新标记这两个步骤仍然需要“Stop The World”也就是暂停其他所有工作线程
  • 5.CMS是一款优秀的收集器,优点都已经体现在名字上:并发收集,低停顿

步骤简单说明:

  • 初始标记:仅仅只是标记一下GC Roots能直接关联到的对象,速度很快。
  • 并发标记:主要标记过程,标记全部对象。
  • 重新标记:由于并发标记时,用户线程依然运行,因此在正式清理前,再做修正。
  • 并发清除:基于标记结果,直接清理对象。

浮动垃圾:

由于CMS并发清理阶段用户线程还在运行着,伴随程序运行自然就还会有新的垃圾不断产生,这一部分垃圾出现在标记过程之后,CMS无法在当次收集中处理掉它们,只好留待下一次GC时再清理掉。这一部分垃圾就称为“浮动垃圾”

三个缺点:

(1)并发时回收线程会占用一部分CPU资源,导致应用程序变慢,总吞吐量会降低

(2)由于在垃圾收集阶段用户线程还需要运行,那也就还需要预留有足够的内存空间给用户线程使用,因此CMS收集器不能像其他收集器那样等到老年代几乎完全被填满了再进行收集。要是CMS运行期间预留的内存无法满足程序需要,就会出现一次“Concurrent Mode Failure”失败,这时虚拟机将启动后背预案,临时启用Serial Old收集器来重新进行老年代的垃圾收集,这样停顿时间就很长了。

 

(3)因为采用“标记-清除”算法,会产生大量空间碎片。

 

 

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值