没有监控过JVM内存的职场生涯,是不完美的

蓝桥杯国赛Java B组:算法竞赛核心能力与工程实践深度解析 算法竞赛是检验程序员核心能力的重要场景,其本质在于运用数据结构与算法高效解决复杂问题。从原理层面看,它考察对基础数据结构(如数组、链表、树、图)的深刻理解,以及对搜索、动态规划、贪心等经典算法范式的灵活运用。其技术价值在于,它能系统性训练逻辑抽象、问题建模和边界处理能力,这些正是解决高并发、大数据量等工程难题的思维基础。在应用场景上,竞赛中锤炼的优化意识、调试策略和模块化思维,可直接迁移至后端开发、性能调优和系统设计等实践领域。本文以蓝桥杯国赛Java B组为具体载体,深入剖析如何将竞赛中涉及的动态规划、状 阅读详情

前言

如果你从事Java开发多年,还没用过JVM分析工具,还没尝试着通过对JVM的dump日志来进行故障定位和性能调优,那么可以说是你职场生涯中的一大遗憾,也是一种能力的缺失。

这篇文章就基于一款JDK自带的工具(VisualVM),然后编写内存溢出的案例,带大家体验一下JVM分析的入门。文中涉及到多个知识点的融合与实战经验分享,读者可留意一下。

VisualVM简介

VisualVM是Netbeans的profile子项目,在JDK6.0 update 7 中自带,能够监控线程,内存情况,查看方法的CPU时间和内存中的对象,已被GC的对象,反向查看分配的堆栈(如100个String对象分别由哪几个对象分配出来的)。

如果已经正确配置classpath路径,VisualVM的启动非常简单,只需在命令行输入jvisualvm即可启动图形化界面。VisualVM不仅支持本机监控,还支持远程监控。

远程监控配置稍微复杂一些,这里以本地监控为示例进行演示。至于生产环境,可选择远程监控,也可配合jmap先生成dump文件,然后下载dump文件进行分析。

VisualVM功能界面

启动VisualVM之后,先来看一下有助于JVM分析的几项功能。这里先以本地启动的Idea为例来进行展示。

概述

进入VisualVM之后,点击左边的对应进程,首先展示的是【概述】内容:

没有监控过JVM内存的职场生涯,是不完美的

概述中显示了JVM、Java版本、dump批次等信息,在实战中这里的信息可用来进行信息核对。特别是JVM参数和系统属性项的核对。

曾遇到一个场景,就是通过启动Java程序时JVM参数的位置写错了,导致JVM参数并不生效。

比如如下指令,由于JVM的参数写在了最后,会导致参数设置无效。

java -jar app.jar -Xms256m -Xmx512m

而正确的写法应该是如下:

java -Xms256m -Xmx512m  -jar app.jar

上面这种情况,通过该工具可以轻易地看出JVM参数项里面并没有指定的参数值。

监视

监视界面是用得比较多的一个界面,通过该界面可以查看CPU使用情况、堆和Metaspace的使用情况、线程的使用情况、类的加载情况等。

通过对堆和Metaspace的使用情况分析,可以看到对应内存空间的使用和增长情况,可进行合理调整和规划。

没有监控过JVM内存的职场生涯,是不完美的

点击右上角的“堆 dump”,会基于点击的时间节点生成dump文件。

没有监控过JVM内存的职场生涯,是不完美的

概要部分会显示生成dump文件的时间节点和存储路径。我们用来分析内存主要是在此页面中的“类”菜单内。

没有监控过JVM内存的职场生涯,是不完美的

进入可查看在堆中不同实例占用的内存大小。双击类名,即可进入查看“实例数”,也就是具体类的实例详情。

没有监控过JVM内存的职场生涯,是不完美的

而我们在内存分析时最重要的其实就是“类”的数量。在了解了上述的基本操作之后,我们就用一个实例来模拟分析一下内存溢出的场景吧。

内存溢出场景构建

先写一段代码,用来模拟内存溢出,也就是创建一个Map,然后向其中不断的新增对象。同时在程序处理的过程中让线程睡眠或死循环来方便通过VisualVM进行查看。

测试代码如下:

public class MemoryLeakTest {

    /**
     * 声明缓存对象
     */
    private static final Map<String, TestMemory> CACHE_MAP = new HashMap<>();

    public static void main(String[] args) {
        try {
            //给打开visualVm时间
            Thread.sleep(10000);
        } catch (InterruptedException e) {
            e.printStackTrace();
        }
        //循环添加对象到缓存
        for (int i = 0; i < 1000000; i++) {
            TestMemory t = new TestMemory();
            CACHE_MAP.put("key" + i, t);
        }
        System.out.println("-------1------");
        //为dump出堆提供时间
        try {
            //给打开visualVm时间
            Thread.sleep(10000);
        } catch (InterruptedException e) {
            e.printStackTrace();
        }

        for(int i=0; i<1000000;i++){
            TestMemory t = new TestMemory();
            CACHE_MAP.put("key"+i,t);
        }
    }
}

TestMemory类代表生成中的业务类。

public class TestMemory {
}

为了让程序更快地达到内存的阈值,我们启动时可限制JVM的大小,这里设置为:

-Xms128m -Xmx128m

另外,为了分析堆的内存结构中每个区域(新生代、老年代)的内存使用情况,可在VisualVM的“工具”、“插件”中安装Visual GC插件。该插件的使用后续会看到效果。

没有监控过JVM内存的职场生涯,是不完美的

一切准备妥当,下面来进行验证。

内存溢出分析

下面我们就来启动程序,启动VisualVM来进行内存溢出的分析。

当程序执行的过程中,我们会发现“堆”内存会出现一个快速增加的曲线。

没有监控过JVM内存的职场生涯,是不完美的

这个过程中Metaspace也在随之增长。

打开Visual GC界面,我们会看到面试中被问过很多遍的堆内存结构:

没有监控过JVM内存的职场生涯,是不完美的

通过这张图,可以直观的看到堆内存中的老年代、新生代、Metaspace空间(JDK8),还有新生代中的Eden、S0(Survivor From)、S1(Survivor To),而且它们的分配比例也有一个比较直观的展示。通过这种形式,是不是可以更直观的学习堆内存结构呢?

这里Eden已经被填满、S0和S1为空,老年代也几乎被填满(因为垃圾收集无法清除持有引用的对象)。

没有监控过JVM内存的职场生涯,是不完美的

最重要的是你会发现针对老年代在20分钟内进行了3850次垃圾回收。也就是说已经触发了频繁的Full GC操作,而且内存并没有被释放掉。在生产系统中,当你看到系统在频繁的进行Full GC操作,那是JVM在释放一个很恐怖的信号了。

上面说了一些表象的内容,现在真正开进行内存分析了。回到上面提到的“监视”、“堆dump”、“类”中,可以看到下图:

没有监控过JVM内存的职场生涯,是不完美的

可以看到,堆中存在着100万个TestMemory对象。当你看到堆中有类似的大量的对象存在,你应该意识到此处可能有内存泄露。也就是大量的对象被创建,而没有被“顺利”回收。我们这里没被回收的原因是对象被放在了静态变量里面了。

上面已经提到,你还可以进一步双击对象名称,去查看对象的详细信息。

没有监控过JVM内存的职场生涯,是不完美的

通过上面步骤,基本上可以定位到哪些对象的处理出现了问题,此时再回到代码中针对相应的代码进行排查,便可快速定位内存溢出的问题所在。其中我们需要特别留意上述过程中VisualVM为我们提供的那些报警信号和数据呈现。

小结

本文我们是在讲VisualVM的使用,也是在讲线上JVM的排查,也是在讲JVM的内存结构,还是在讲如何去构造一个内存溢出(bug)的场景。但讲什么并不重要,关键是看,通过这篇文章,你重温了什么,学到了什么,又收获了什么。

PSM倾向性评分分析介绍、spss进行倾向性评分分析示例 阅读详情

相关推荐

小新学习K8s第一天之K8s基础概念

kubernetes是一个可移植,可扩展的开源平台,用于管理容器化工作负载和服务,有助于声明式配置和自动化。它拥有庞大且快速发展的生态系统。kubernetes服务,支持和工具随处可见。作用:用于自动部署,扩展和管理“容器化应用程序”的开源系统。可以理解成k8s是负责自动化运维管理多个容器化程序(比如docker)的集群,是一个生态及其丰富的容器编排框架工具。

pangdongqiqi的博客 1229

JVM之VisualVM工具的使用

JMX(Java Management Extensions,即Java管理扩展)是一个为应用程序、设备、系统等植入管理功能的框架。JMX可以跨越一系列异构操作系统平台、系统体系结构和网络传输协议,灵活的开发无缝集成的系统、网络和服务管理应用。

write less , do more 3742

10bit SAR ADC电路:200多页设计与仿真文档,附gpdk045工艺与testbench,可直接导入Virtuoso仿真,含以太网、PLL电路例程及进阶ADC

拥有超过200页的详细设计和仿真文档,它以gpdk045工艺为基础,testbench均可直接导入virtuoso仿真,为我们提供了一个全面了解ADC电路设计的绝佳机会。通过对10bit SAR ADC电路的详细解析,我们不仅了解了其设计背后的原理和实现方法,还体会到了数字与模拟技术的交融之美。这个SAR ADC的结构采用了经典的电荷重分配架构。一个10bit SAR ADC电路,有200多页详细的设计和仿真文档,附带对应的gpdk045工艺,testbench都有,可直接导入virtuoso仿真。

OMyAVKmGPBOF的博客 1335

JVM 调优篇6 可视化性能监控工具-JVisual VM

它集成了多个JDK命令行工具,使用Visual VM可用于显示虚拟机进程及进程的配置和环境信息(jps,jinfo),监视应用程序的CPU、GC、堆、方法区及线程的信息(jstat、jstack)等,甚至代替JConsole。Visual VM是一个功能强大的多合一故障诊断和性能监控的可视化工具。

健康平安的活着的专栏 5104

数字摄影与摄像中的图像信号处理器(ISP):流程与经典算法详解

图像信号处理器(Image Signal Processor, ISP)是现代数字成像系统(如智能手机、数码相机、网络摄像头等)中的核心组件,扮演着将图像传感器(如CMOS或CCD)捕获的原始光电信号转换为高质量、可供观看或进一步处理的数字图像的关键角色。在数字摄影和摄像的整个链路中,光线首先通过镜头(Lens)聚焦到图像传感器上,传感器将光信号转换为模拟电信号,随后经过模数转换(A/D转换)变为原始的数字图像信号。

qq_44682523的博客 3730

在Matlab中开发AutoSAR模型的流程(自下而上)

前面介绍了AutoSAR软件组件开发的两种方式,其中自下向上的方式,是从模型出发,流程如下。

小胡同学的工程师学习之路 5367

JVM监控及诊断工具之Visual VM

Visual VM 是一个功能强大的多合一(多种功能)的故障诊断和性能检测的可视化工具。 它集成了多个jdk命令行工具,使用了Visual VM可用于显示虚拟机进程(jps)及进程的配置和环境信息(jps,jinfo),监视应用程序的CPU、GC、堆、方法区及线程的信息(jstat、jstack)等,甚至代替了JConsole 。 在jdk 6 更新到7以后,Visual VM作为JDK的一部分发布(VisualVM在 JDK/bin目录下),Visual VM是完全免费的,可以完全替代jConsole,建

张俊杰 的博客 1914

ESP8266开发之旅 基础篇① 走进ESP8266的世界

    欢迎大家来到ESP8266的世界,从现在开始,笔者将带领大家慢慢揭开ESP8266神秘的面纱。 1. 简介     从笔者的角度来说,ESP8266这个词可以理解为ESP8266EX芯片(当然,后面也有可能出现了其他芯片,这里首推ESP8266EX)以及依赖ESP8266EX芯片开发的系列模组的简称。     ESP8266EX是由乐鑫信息科技公司(Espressif)出品的一款应用于物联...

单片机菜鸟哥的博客 15万+

jvm监控工具:visualVM

virtualVM帮助java开发者快速定位死锁问题

m0_64106946的博客 1579

openclaw update时出现Skipped:this OpenClaw install isn‘t a git checkout,and the package manager解决方案

本文主要介绍了openclaw update时出现openclaw update时出现Skipped:this OpenClaw install isn’t a git checkout,and the package manager解决方案,希望能对使用openclaw的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案

weixin_43178406的博客 12万+

具身智能机器人算法控制研究进展综述

具身智能(Embodied Intelligence)作为人工智能与机器人学的交叉前沿领域,强调智能体通过物理身体与环境的持续交互涌现智能行为。近年来,随着基础模型(Foundation Models)、扩散策略(Diffusion Policy)、视觉-语言-动作(Vision-Language-Action, VLA)模型以及大规模机器人数据集(如Open X-Embodiment)的快速发展,具身智能机器人的算法控制范式正经历深刻变革。

VectorShift的博客 230

1.6 JVM可视化工具VisualVM

1.简介 VisualVM是JDK内置的可视化工具,使用jvisualvm命令打开。 2.概述 显示应用的概要信息。

Steven的博客 404

linux内核学习(八)---摄像头框架移植(上)

本章来开始进行摄像头的移植,同时回顾一下V4L2的整个框架

文艺小少年的博客 113

来来来,聊聊7种内存泄露场景和13种解决方案

前言 Java通过垃圾回收机制,可以自动的管理内存,这对开发人员来说是多么美好的事啊。但垃圾回收器并不是万能的,它能够处理大部分场景下的内存清理、内存泄露以及内存优化。但它也并不是万能的。 不然,我们在实践的过程中也不会出现那么多因内存泄露导致的生产事件了。但很多内存泄露时间也是因为开发人员使用不当导致的。 本篇文章我们就来聊聊内存泄露的原因是什么,如何识别内存泄露,以及如果在应用程序中进行处理。 什么是内存泄露 什么是内存泄露,通俗的来说就是堆中的一些对象已经不会再被使用了,但垃圾收集器却无法将它们从内存

程序新视界 2280

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

7种内存泄露场景和13种解决方案!

前言Java通过垃圾回收机制,可以自动的管理内存,这对开发人员来说是多么美好的事啊。但垃圾回收器并不是万能的,它能够处理大部分场景下的内存清理、内存泄露以及内存优化。但它也并不是万能的。不...

磊哥聊Java 1378

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

Java面试核心体系:JVM、并发、Spring与数据库实战解析

在软件工程领域,构建稳固的技术体系是开发者应对复杂系统挑战的基石。其核心原理在于通过系统化的知识网络,将离散的技术点串联,形成可迁移的解决问题的能力。这种体系化思维的技术价值在于,它能帮助开发者高效定位问题、设计稳健架构,并深入理解技术选型背后的权衡。无论是高并发场景下的服务端开发,还是大规模分布式系统的构建,扎实的体系都是工程实践的保障。本文聚焦于Java技术栈,深入剖析JVM内存模型与垃圾回收机制、并发编程中的锁与线程池、Spring框架的IoC与AOP原理,以及MySQL索引与事务隔离级别等核心模块,

weixin_34357436的博客 328

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

【吐血整理】185道大数据面试题及答案

当今时代,跳槽确实是大部分人升职加薪最快的方式,特别是职业生涯初期。说起来也是很无奈,公司经常是宁愿花更多的钱来请个新人也不愿意加薪留住老人。面试了 N 多公司之后,我发现其实问来问去也...

过往记忆大数据 5619

185 道必须掌握的大数据面试真题(附答案)

当今时代,跳槽确实是大部分人升职加薪最快的方式,特别是职业生涯初期。说起来也是很无奈,公司经常是宁愿花更多的钱来请个新人也不愿意加薪留住老人。面试了 N 多公司之后,我发现其实问来问去也...

a934079371的博客 738

我为什么放弃30W年薪,选择去读AI硕士?

《30万年薪测试工程师的AI突围战》 摘要:一位年薪30万的资深测试工程师面临行业剧变:自动化工具降低技术门槛,开发人员承担更多测试职责,AI已能生成80%覆盖率的测试用例。传统测试方法在UI自动化维护、精准测试和性能分析等方面遭遇瓶颈,下一代测试工具必须AI化。作者选择攻读AI硕士,系统学习数学统计、MLOps和多模态技术,计划未来转型为智能测试生成架构师和质量大数据分析师。这不是转行逃离,而是用AI武器重新定义软件测试,在算法时代守护质量命脉。放弃舒适区的30万年薪,是为了换取不可替代的职业未来。

2501_94261392的博客 137

技术人如何构建确定性工作流:从焦虑到掌控的工程实践

在软件开发与系统运维领域,工程师常面临复杂问题排查、线上故障处理等高压力场景,情绪管理直接影响工作效率与代码质量。从技术原理看,压力源于问题的不确定性与控制感的缺失,这要求我们建立结构化的心智模型。通过构建可预测、可复现的工作流,如系统化的排查链路与知识管理系统,能将模糊焦虑转化为具体行动。这种工程实践的价值在于提升问题解决效率、降低认知负荷,并增强职业韧性。应用场景涵盖日常调试、线上应急响应与长期技术学习规划。本文聚焦技术人独特的情绪应对策略,探讨如何通过确定性系统实现自我调节与压力转化,其中工作流与心智

weixin_33754065的博客 381

CnOpenData 线上招聘网站信息数据

CnOpenData线上招聘网站信息数据库是一个覆盖中国主流招聘平台、时间跨度长、更新频率高的劳动力市场需求侧大数据集合。本数据库汇集了,为学术界和业界提供了一扇实时观察中国劳动力市场动态的窗口。

CnOpenData_wj的博客 2660

【JVM】内存分析工具JConsole/Visual VM

JVM何时进行Minor GC、Major GC和Full GC?如何通过工具JConsole和Visual VM可视化观测JVM GC过程?如何通过JConsole和Visual VM分析GC状态以及优化JVM?

天然玩家的博客 2195
上一篇: 深入学习spring cloud gateway 限流熔断
下一篇: 23种设计模式娓娓道来,助你优雅的编写出漂亮代码
Javaesandyou
博客等级 码龄5年 742粉丝 563原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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