线上 OOM 了,第一反应是调大 -Xmx?这三种 OOM 加多少堆都没用

从OOM到Arthas:JVM内存模型与GC调优的线上排查链路 在Java服务高并发运行的工程实践中,JVM内存模型决定了对象的存储位置与生命周期,而垃圾回收(GC)的停顿行为直接影响接口的响应质量。当系统出现OutOfMemoryError或Full GC频繁时,多数问题并非单纯堆大小不足,而是对象分配、晋升与回收机制失调的结果。理解运行时数据区、STW的含义,以及CMS、G1、ZGC等收集器的取舍,是快速定位线上故障的基础。借助GC日志、堆dump和Arthas这类诊断工具,工程师能沿着“现象→日志→线程→内存→代码”的链路,将抽象概念映射到具体工程问题。本文从一次 阅读详情

线上 OOM 了,第一反应是调大 -Xmx?这三种 OOM 加多少堆都没用

上周又被拉去看一个 OOM。

运维把日志甩过来,java.lang.OutOfMemoryError: Java heap space。值班的同学已经处理过了:-Xmx2g 改成 4g,重启,服务恢复。

第三天又挂了。

这不是能力问题,是顺序问题。OOM 不是一种病,是五种病的同一个症状。 你看到的报错原文,才是分诊台。

这篇把 OutOfMemoryError 的五种形态、各自的爆点位置、以及一个能照着走的排查顺序讲清楚。
在这里插入图片描述

一、先读报错原文,这行字决定了你该查什么

OutOfMemoryError 是个大类,冒号后面那半句才是关键。生产上能见到的就五种:

java.lang.OutOfMemoryError: Java heap space
java.lang.OutOfMemoryError: GC overhead limit exceeded
java.lang.OutOfMemoryError: Metaspace
java.lang.OutOfMemoryError: Direct buffer memory
java.lang.OutOfMemoryError: unable to create new native thread

前两种是堆的事,后三种跟堆一点关系都没有。

你调大 -Xmx,对后面三种完全无效。 这就是"改完管三天,然后又挂"的根本原因——参数改了,但病灶没动。

逐个说。

二、Java heap space:老年代塞不下了

这是最常见的一种。触发时机很明确:新生代晋升到老年代,老年代放不下,Full GC 之后还是放不下,抛错。

两个方向,必须先分清:

是泄漏,还是确实不够。

区分方法只有一个:看 Full GC 之后老年代占用了多少。

  • Full GC 之后老年代降不下去(比如还是 90%)→ 泄漏。有对象被不该持有它的地方持有着。
  • Full GC 之后老年代能降到 20%,但很快又满 → 不是泄漏,是对象产生速度太快,或者单次查询拉的数据量太大。

第二种情况调大堆确实有用,但更该做的是改代码。见过最典型的一个:导出功能 select * from order 没加条件,一次把 80 万行读进内存拼 Excel,堆给到 8G 也照样爆。

泄漏怎么找?

必须拿到 dump。两个办法,选一个:

# 办法一:让 JVM 在 OOM 时自动 dump(推荐,事后可查)
-XX:+HeapDumpOnOutOfMemoryError -XX:HeapDumpPath=/data/dump

# 办法二:现场还活着,手动抓
jmap -dump:live,format=b,file=/data/dump/heap.hprof <pid>

注意 jmap -dump:live 会触发一次 Full GC,生产上抓之前先摘流量,否则那几秒接口全超时。

拿到 hprof,用 MAT 或者 JProfiler 打开,不要一上来就翻 Histogram(类直方图)。Histogram 告诉你哪个类的实例最多,但实例多不代表占内存多——一个 byte[] 和一个 String 的实例数没法比。

直接看 Dominator Tree(支配树)。 它按"释放这个对象能回收多少内存"排序,排第一的那个就是元凶。

我遇到过的几个高频元凶:

  1. 静态 Map 当缓存用,没有淘汰。static Map<String, Object> cache = new HashMap<>(),只 put 不 remove,跑三个月必爆。
  2. ThreadLocal 没 remove。线程池里的线程是复用的,ThreadLocal 的值挂在线程对象上,线程不死,值就不释放。这个泄漏最阴,因为它跟业务代码看起来毫无关系。
  3. 监听器 / 回调注册了没注销。尤其是自己写的 EventBus。
  4. 大对象直接进老年代。-XX:PretenureSizeThreshold 之上,或者一个几百 MB 的 byte[],Eden 放不下直接进 Old,很容易把老年代撑爆。

Dominator Tree 里看到一个 HashMap$Node[] 占了 60% 堆,顺着引用链往上翻两级,基本都能翻到那个 static。

三、GC overhead limit exceeded:同一个病的晚期

这个报错的意思很具体:GC 花了超过 98% 的时间,但只回收了不到 2% 的堆。

它不是新问题,它就是堆快满了。JVM 只是顺手告诉你"我已经在无效劳动了"。

处理方式跟 Java heap space 完全一样。唯一要注意的是:这个错误有时会先出现,因为 JVM 在你彻底 OOM 之前就先放弃挣扎了。

所以看到它,别以为是什么"GC 参数没调好",去调 -XX:GCTimeRatio 是南辕北辙。

有个参数可以关掉它(-XX:-UseGCOverheadLimit),让它继续跑到真正的 OOM。不建议,因为那只会让你多等几分钟,拿到同样的结果。

四、Metaspace:堆很闲,但它满了

这个最容易被误判,因为它的表现是:堆使用率 30%,内存却报警,然后 OOM。

Metaspace 存的是类的元数据——类结构、方法字节码、常量池、注解。JDK 8 之后它在本地内存里,默认不设上限(只受物理内存限制)。

那它为什么会满?因为类被不停地创建,却卸不掉。

类卸载的条件很苛刻,三个必须同时满足:

  1. 该类的所有实例都已被回收
  2. 加载该类的 ClassLoader 已被回收
  3. 该类的 Class 对象没有任何引用(包括反射、静态字段)

只要有一个不满足,这个类就永远在 Metaspace 里。所以真正的问题几乎总是:ClassLoader 泄漏。

三个高频场景:

场景一:框架动态生成类。 CGLIB 代理、MyBatis 的 Mapper 代理、JSON 序列化框架的 ASM 生成类。这些本身是正常的,但如果你的代码在循环里反复创建新的 Enhancer 或新的 ClassLoader,类就会无限增长。

场景二:热部署 / 热加载。 每次 reload 创建一个新 ClassLoader,老 ClassLoader 因为还有引用卸不掉,老类也就留着。开发环境常见,生产上用 JRebel 这类工具要小心。

场景三:脚本引擎。 用 Groovy / JS 引擎执行用户自定义脚本时,每次 eval 可能生成新类。

怎么确认?看这两个数:

jstat -gcmetacapacity <pid> 1000 10
# 关注 MC(Metaspace 容量)和 MU(已使用),看 MU 是不是只涨不跌

jcmd <pid> GC.class_stats | head -30
# 或者用 jcmd <pid> VM.classloader_stats 看 ClassLoader 数量

如果 ClassLoader 的数量在持续增长,那就是它了。 这个指标比类的总数更直接。

补一句:-XX:MaxMetaspaceSize 该设。不设的话,Metaspace 会一直吃到把整台机器的内存耗光,那时候连 dump 都抓不出来,只能等 OOM Killer 出手。设了至少能拿到一个明确的报错和现场。

五、Direct buffer memory:堆最闲,机器最卡

这个报错原文是 java.lang.OutOfMemoryError: Direct buffer memory,很多人第一次见会懵:堆明明很空。

Direct Memory 是 NIO 用的堆外内存,ByteBuffer.allocateDirect() 或者 Netty 的 PooledByteBufAllocator 申请的都在这里。它不受 -Xmx 管,受 -XX:MaxDirectMemorySize 管(不设的话默认等于 -Xmx)。

它的特点:

  • 分配和释放比堆内存慢(要走系统调用)
  • 但读写不经过 JVM 堆,少一次拷贝,所以 Netty、Kafka 这类高吞吐组件爱用
  • GC 管不到它,只能靠 Cleaner 或者手动 release

所以最典型的故障是:Netty 的 ByteBuf 申请了没 release。

// 错:拿到 ByteBuf 直接用,没释放
ByteBuf buf = ctx.alloc().buffer();
buf.writeBytes(data);
ctx.write(buf);   // 如果是 writeAndFlush 且没有 flush 完,引用计数不会归零

// 对:谁申请谁释放,或者用 SimpleChannelInboundHandler 自动释放

判断方法:

# 看堆外内存的实际占用
jcmd <pid> VM.native_memory summary    # 需要启动时加 -XX:NativeMemoryTracking=summary
# 或者直接看进程 RSS 和堆的差值
ps -o rss= -p <pid>   # RSS 远大于 -Xmx,基本就是堆外

还有个间接信号:java.nio.Bits 的 reservedMemory。用 jcmd <pid> GC.heap_info 看不到它,得用 arthas 的 ognl 或者 jmap histo 找 java.nio.DirectByteBuffer 的实例数。

如果 DirectByteBuffer 实例数一直涨,就是泄漏。加 -XX:MaxDirectMemorySize 能让它早点报错、早点暴露,而不是慢慢把机器吃干。

六、unable to create new native thread:跟内存没关系

这个最冤枉。报错看着像内存问题,实际是线程数到了系统上限。

java.lang.OutOfMemoryError: unable to create new native thread

三个可能的上限,随便撞到哪个都报这个:

1. 系统级 ulimit -u。 单个用户能创建的进程/线程数,默认 1024 或者 4096。

2. 容器 pids limit。 Kubernetes 里 --pids-limit,或者 cgroup 的 pids.max。这个坑最深,因为宿主机上看一切正常,容器里就是不行。

3. 内存不够分配线程栈。 每个线程默认 1MB 栈(-Xss1m),1000 个线程就是 1GB 的本地内存。容器内存 limit 2G、堆占 1.5G 的时候,创建第 500 个线程就会失败。

第 3 点最隐蔽:它的表现是"内存不足",但你去查堆,堆很健康。

判断顺序:

# 1. 看当前线程数
jstack <pid> | grep -c '^"'

# 2. 看系统/容器上限
ulimit -u
cat /sys/fs/cgroup/pids.max

# 3. 看线程栈总占用 = 线程数 × Xss

如果线程数在涨,就回去查线程池——大概率是 Executors.newCachedThreadPool() 或者某个地方 new Thread() 没管住。这一点在下一篇文章里详细说。

七、一个能照着走的排查顺序

把上面这些收成一张流程:

第 1 步:读报错原文。 五种之一,直接跳到对应章节。别跳过这步。

第 2 步:看是堆内还是堆外。 jcmd <pid> GC.heap_info 看堆用了多少,ps -o rss 看进程总占用。RSS 远大于堆 → 堆外(Direct Memory / Metaspace / 线程栈)。

第 3 步:堆内问题,抓 dump 看 Dominator Tree。 顺引用链往上翻两层,找那个不该存在的容器。

第 4 步:堆外问题,分别查。 Metaspace 看 VM.classloader_stats,Direct Memory 看 DirectByteBuffer 实例数,线程看 jstack | grep -c。

第 5 步:分清泄漏和不够。 Full GC 后老年代降不降得下来。降不下来是泄漏,修代码;降得下来是量太大,改逻辑或加机器。

顺序反了会怎样?我见过最常见的错法是:一上来就 jmap -dump,几个 G 的 dump 抓下来,MAT 打开转十分钟,最后发现是线程数超了——跟堆毫无关系。那十分钟纯浪费,而且 jmap 那一下还让服务多停了五秒。

先分诊,再动刀。

八、几个参数到底该怎么设

顺手把这几个参数说清楚,免得看完还是不知道配什么。

# 堆:容器里一定要设成 limit 的 60%~70%,留出元空间、线程栈、堆外
-Xms4g -Xmx4g          # 两个设一样,避免动态扩容带来的抖动

# 元空间:必须设上限,否则会吃光机器
-XX:MaxMetaspaceSize=512m

# 堆外:明确上限,让它早报错
-XX:MaxDirectMemorySize=512m

# OOM 自动 dump:一定要开
-XX:+HeapDumpOnOutOfMemoryError
-XX:HeapDumpPath=/data/dump

# 线程栈:业务线程多的话可以调小到 512k,能省一半本地内存
-Xss512k

最后一条值得展开。1000 个线程,-Xss1m 是 1GB,-Xss512k 是 512MB。对于线程数上千的服务,这一项能省下几百 MB。但别调太小,递归深的代码会 StackOverflowError。512k 是个比较稳的折中。


OOM 这件事,真正的门槛不在工具,在分诊。

五种 OOM,对应五条完全不同的排查路径。你调的每一个参数,都必须指向其中一条。否则就是在赌——赌这次改的参数,刚好管到了那个病灶。

赌赢过三次的人,第四次要赔进去一整个通宵。

这套排查流程我是跟着一套 Java 后端课程把源码逐个断点过了一遍,从 Bean 生命周期、MyBatis 缓存、Spring 事务,到 AQS、ConcurrentHashMap、Nacos 注册,每一节都配了自己的调试记录和踩坑笔记,现在还在一节一节补线上排障的部分。
在这里插入图片描述

想要这套笔记 + 源码调试记录的,扫码加我,备注「Java」👇
在这里插入图片描述

不用转发、不用关注,加上直接发你。


Java垃圾回收原理与G1调优实战:从分代假设到线上OOM诊断 垃圾回收(GC)是Java内存管理的核心机制,其本质基于分代假设——新对象大多短命、老对象倾向长期存活。这一统计规律催生了新生代与老年代的划分,以及复制、标记-整理等差异化回收算法。现代JVM如G1通过Region化堆、可预测停顿和混合回收,在吞吐与延迟间取得平衡;而ZGC虽追求亚毫秒停顿,却受限于内存开销与JDK兼容性。理解GC不仅关乎参数配置,更需读懂日志、识别晋升异常、规避Metaspace溢出等典型陷阱。本文聚焦真实生产场景,覆盖G1参数计算逻辑、Mixed GC触发条件、GC日志三步破译法及三次O 阅读详情

相关推荐

Java堆与栈实战陷阱:OOM、栈溢出与JVM调优真相

堆和栈是Java内存模型的两大基石,前者管理对象生命周期并依赖GC回收,后者承载方法调用与局部变量,由CPU硬件直接调度。理解二者分工——引用存栈、对象在堆——是规避内存泄漏、StackOverflowError和虚假OOM的前提。技术价值在于精准定位性能瓶颈:堆问题常表现为GC频繁或内存缓慢增长,栈问题则体现为线程崩溃、递归失效或IDE调试异常;而元空间、直接内存等‘第三区域’更易被忽视。典型应用场景包括Spring Boot启动失败、日志框架导致的char[]爆炸、ThreadLocal引发的隐式内存泄

weixin_30421809的博客 418

堆、栈、方法区内存参数详解:从-Xmx到Metaspace的调优实践

JVM运行时数据区中的堆、栈、方法区,是Java服务内存管理最核心的三块区域。堆负责存放对象实例,由GC统一回收;栈决定线程调用深度;方法区在JDK8后演化为元空间,存储类元数据。理解它们的生命周期差异,才能真正明白-Xmx、-Xss、MetaspaceSize等参数的设计意图。实际工程中,堆大小需结合活跃对象与分配速率估算,栈大小直接影响线程上限,元空间阈值则与类加载器泄漏息息相关。从这些基础概念出发,结合GC日志与压测数据,能够更准确地定位Full GC频繁、StackOverflowError或Met

weixin_30984001的博客 254

Java堆与栈深度解析:从OOM到StackOverflow的实战定位指南

堆与栈是JVM内存管理的两大核心区域,分别承担对象实例存储与方法调用生命周期管理。其本质差异在于共享性与独占性、GC回收与自动释放、对象实体与引用变量的物理分离。理解这一底层原理,是诊断java.lang.OutOfMemoryError和java.lang.StackOverflowError的关键前提。技术价值体现在性能调优、故障归因与资源合理分配——例如堆溢出多源于对象泄漏或大对象晋升,而栈溢出则指向递归失控或线程栈配置失当。典型应用场景覆盖电商大促压测、微服务内存治理、IoT端Java Agent开

weixin_30765577的博客 353

为什么把 Xmx 调大之后,Pod 反而更早被 OOMKilled

容器 limit 固定时调大 -Xmx,反而更早 OOMKilled。预算模型拆解堆与非堆对 cgroup 额度的竞争,读数与示例定位根因。适用于堆外占用可测、limit 无法扩大的场景。

昨日种种,皆成今我。今日种种,皆成新我。 114

Java线上服务GC与OOM排查实战:从Full GC到内存泄漏定位

JVM垃圾回收(GC)是Java应用稳定运行的核心机制,但GC停顿和内存溢出(OOM)也是线上服务最常见的故障源。GC overhead limit exceeded异常的出现,意味着JVM在持续回收后依然无法释放足够空间,堆内存已被大量强引用对象占满。理解GC日志、分析堆转储(Heap Dump)是定位内存问题的关键路径,结合MAT等工具查看支配树,能快速揪出缓存膨胀、批量加载、超大RPC响应等内存黑洞。在微服务高并发场景下,全量数据装载、无界本地缓存、异常大对象都会导致老年代占满,进而引发Full GC

weixin_29587015的博客 298

JVM性能调优实战:揭秘Xms与Xmx同值设置背后的内存管理机制

本文通过线上故障案例,深入解析JVM内存管理中Xms与Xmx参数设置不当导致内存抖动的原理与性能影响。文章揭示了频繁堆内存扩容/收缩带来的系统调用开销、GC暂停时间延长等问题,并论证了将Xms与Xmx设置为相同值以消除内存抖动、提升应用稳定性的实战价值与最佳实践。

Apple的专栏 1069

JVM OOM根因排查实战:从应急留证到参数调优全链路

在Java应用的运维与调优中,内存溢出(OOM)是最棘手且常见的故障之一。理解JVM内存区域的划分与垃圾回收机制,是定位堆外内存、Metaspace或线程耗尽等各类异常的前提。通过jstat、jmap、jstack等工具观察Full GC频率与老年代占用,能在事故现场留存关键证据。本文从一次典型堆内OOM案例出发,还原从堆转储分析到无界缓存根因定位的完整链路,并延展到容器环境下的内存预算、GC参数调整及监控告警的布防策略。掌握这套基于现场证据的排查思路,有助于将内存问题消灭在代码层,而不是依赖调大堆来被动延

weixin_33563728的博客 224

webpack性能优化-optimization.splitChunks.chunks中的“all“、“async“和“initial“

最初,chunks(以及内部导入的模块)是通过内部 webpack 图谱中的父子关系关联的。CommonsChunkPlugin 曾被用来避免他们之间的重复依赖,但是不可能再做进一步的优化。 ——摘自 webpack 从 webpack v4 开始,移除了 CommonsChunkPlugin,取而代之的是 optimization.splitChunks。 而关于 optimization.splitChunks 中的chunks,webpack 官方文档却没有很好的进行举例解释,只说明了 async.

程序员秋风的博客 3138

OOM排查与JVM调优实战:Arthas线上诊断内存泄漏与GC优化

Java服务在运行过程中,垃圾回收(GC)机制与内存区域的合理配置,是保障应用稳定性的基石。当堆内存、元空间或堆外内存的使用出现异常,服务便会面临性能下降甚至内存溢出(OOM)的风险。面对这类问题,仅靠调整JVM参数往往治标不治本,关键在于建立从现象到根因的完整排查思路。通过监控GC日志、分析堆转储文件,并借助Arthas这一强大的线上诊断工具,开发者可以实时观测内存分布、定位泄漏源头、优化G1收集器参数,从而在服务发生故障前消除隐患。本文从内存原理出发,结合真实工程案例,系统梳理了从OOM预判、现场诊断、

weixin_33600816的博客 239

uni踩坑笔记 - 离线打包调起微信分享后从微信返回APP时黑屏

apk能成功调起微信并进行分享操作,但分享完成后点击回到应用后应用出现黑屏的情况,并在约3-5秒后自动重启。

weixin_46737742的博客 5217

记一次线上OOM排查,JVM调优全过程

步骤工具/方法1. 确认OOM监控告警、GC日志2. dump内存3. 分析dumpMAT / jhat4. 定位代码引用链分析5. 修复上线代码修改6. 加固监控JVM监控指标缓存无限增长(本次)静态集合持续添加未关闭的连接/流ThreadLocal使用不当监听器未注销什么时候过期?最大存多少?怎么清理?不然就等着半夜被电话叫醒吧。有JVM相关问题欢迎评论区交流。

在代码的世界里,每天进步1% 1029

Pytorch.nn.Linear 解析(数学角度)

pytorch.nn.Linear 是一个类,下面是它的一些初始化参数 in_features : 输入样本的张量大小 out_features : 输出样本的张量大小 bias : 偏置 它主要是对输入数据做一个线性变换。 y=xAT+b y=xA^T+b y=xAT+b 这里A是权重矩阵,b是偏置。他们都是根据 in_features 生成 测试代码: m = torch.nn.Linea...

Medlen 1万+

如何快速定位线上OOM

线上服务崩溃,日志显示 java.lang.OutOfMemoryError: Java heap space,但根本原因可能是内存泄漏。需先区分 OOM 类型:Java heap space 与 GC overhead limit exceeded 均指向堆内存无法回收;Metaspace、Direct buffer memory 等则涉及元空间或堆外内存。容器中出现 OOMKilled 是系统强制杀进程,非 JVM 抛出,需关注总内存(含线程栈、直接内存等)是否超 cgroup 限制。排查时应配置 -X

CHANGE IS ALL YOU NEED 402

【UE5】多用户协同编辑实战:从配置到实时协作

本文详细介绍了在虚幻引擎5中配置和使用多用户协同编辑功能的完整流程。从启用Multi-User Editing插件、配置UDP Messaging网络通信,到启动服务器、创建会话并实现实时协作,提供了从环境准备到实战协作的清晰指南。文章还分享了资产同步、场景分批、对象锁定等实用技巧,并强调了网络配置与版本一致性等关键避坑点,旨在帮助中小型团队提升关卡设计和原型开发的协作效率。

weixin_29001683的博客 269

半导体行业周期分析:库存、需求与复苏路径深度解读

半导体行业作为现代科技产业的基石,其周期性波动受供需关系、库存水平和宏观经济等多重因素影响。从技术原理上看,行业景气度通常通过库存周转天数、晶圆厂产能利用率等核心指标进行监测,这些指标反映了产业链各环节的健康状况。在工程实践中,理解这些指标有助于企业进行库存管理和产能规划,从而提升运营效率。当前,半导体市场正经历结构性分化,其中**库存周转天数**和**晶圆厂产能利用率**成为判断市场拐点的关键。在应用场景上,汽车电子、人工智能等领域需求相对稳健,而消费电子则面临较大压力。本文聚焦于半导体行业的周期特征,探

weixin_29549793的博客 698

Java OOM 全景排查:堆、元空间、堆外

Java OOM 全景排查:堆、元空间、堆外(三大内存场景) 先分场景:OOM 发生在堆、元空间还是堆外,症状、工具、解法完全不同——认错场景,排查方向就错了。 抓因果:泄漏是根、溢出是果,找到那个"只进不出的对象",答案就在引用链的尽头。 留黑匣子:现场稍纵即逝,自动 dump 和长期监控趋势,是事后复盘唯二可靠的证据。 内存问题没有银弹,但把这三个场景摸透、防线铺好,大多数 OOM 都能在事故扩大之前被看见、被定位、被根治。

d3y1`5 81_09 409

SAP 关于替代料物料混用问题处理方案简介

电子料很多都是需要进行替代的,并且需要考虑当A物料库存不足时,需要考虑B物料的库存来满足需求,当需求不满足的时候也需要考虑物料的价格因素,同时考虑价格低的物料进行采购。3、还遇到过比较奇葩的处理替代料的解决方案就是将SAP系统中的需求数据用接口的方式全部传输到外围系统,同时还将所有物料的库存信息都通过接口的方式传输到外围系统中,然后通过外围系统进行替代料逻辑的处理,然后在回写回SAP更改BOM中的优先级,然后在重新下单,貌似解决了替代料的问题,但是好像又没有解决。时间:2024-01-27。

我小时候很黑的博客 2353

线上OOM排查方法论:从JVM内存区域到堆dump定位

JVM内存管理是Java后端服务稳定运行的基石。当堆中的对象无法被回收,或分配速率超过GC处理能力,就会触发OutOfMemoryError。理解OOM的触发原理与JVM内存区域划分,是快速定位故障的前提。借助jstat观察GC趋势、jmap保留堆现场、MAT分析引用链,工程师能在生产环境中准确区分内存泄漏与内存溢出,并找到问题根因。这种排查能力在线上应急、性能调优和高并发系统设计中都至关重要。以一次典型的线上OOM案例为线索,完整展示了从告警、收集证据到修复验证的实践路径,为后端开发者提供一套可复用的排查

weixin_31528001的博客 253

ECU诊断功能测试:从理论到实践

ECU诊断功能是指通过特定的诊断协议与ECU进行通信,以获取ECU的状态信息、故障码、数据流等,并执行特定的诊断操作。诊断功能的主要目的是帮助开发人员和维修人员快速定位和解决ECU中的问题,确保车辆的安全性和可靠性。UDS协议是ISO 14229标准的一部分,定义了一系列的诊断服务,如读取故障码、清除故障码、读取数据流等。UDS协议基于CAN(Controller Area Network)总线,具有较高的灵活性和扩展性。读取故障码是诊断功能中最基本的操作之一。通过读取故障码,可以快速定位ECU中的问题。

闲人编程的博客 1809

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

线上OOM排查全攻略:从应急止血到根因定位

摘要:本文系统讲解Java服务OOM(内存溢出)问题的全链路解决方案。首先解析不同OOM类型及其特征,强调日志分析的重要性。其次提出标准应急流程:隔离故障、保留现场(堆快照、GC日志等)、安全恢复。重点介绍使用MAT工具进行内存泄漏分析的三步法:概览图定位嫌疑对象、支配树找出内存黑洞、引用链追踪代码根源。针对ThreadLocal、堆外内存等典型场景给出具体解决方案,并提供生产级JVM参数配置建议。最后强调建立监控告警体系的重要性,实现从被动救火到主动防御的转变。全文通过真实案例与底层原理相结合,帮助开发者

fuquxiaoguang的博客 630

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

Java堆内存溢出排查实战:从OOM报警到根因定位与JVM调优

JVM内存管理是Java后端工程师的必修课,其中堆内存溢出(OOM)是最常见也最棘手的故障之一。当应用频繁触发Full GC、接口超时飙升,且日志中出现OutOfMemoryError时,往往意味着堆内存中的对象无法被及时回收,或存在不合理的内存占用。要高效定位问题,需先理解堆内存分区、对象生命周期与GC机制,再借助jstat、jmap、MAT等工具分析堆转储,区分内存泄漏与容量不足。通过一个真实订单系统的OOM事故复盘,从现象、定位、修复到代码级优化,完整展示了排查链路。同时,合理设置JVM堆参数、选择合

weixin_29597551的博客 102

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

JMeter堆内存配置实战:从OOM崩溃到参数调优与排查

在性能压测中,JVM内存管理是影响压测工具稳定性的关键。Java堆(Heap)作为对象存储的主要区域,其大小与GC策略直接决定了压测过程是否会出现OutOfMemoryError。理解JVM内存模型,合理设置堆参数、元空间上限及G1回收器,能显著提升高并发场景下的压测稳定性。当面临JMeter压测工具自身崩溃时,通过jcmd、jstat验证配置生效情况,并结合堆转储分析定位内存泄漏,是提升压测效率的实用路径。以JMeter为实例,深入解析堆内存配置方法、OOM异常分类及排查技巧,帮助性能测试与运维人员快速解

weixin_42526166的博客 105

JVM内存与GC调优:从运行时数据区到线上OOM排查实战

Java程序的高效稳定运行,离不开JVM对内存的精细管理。理解运行时数据区、类加载机制与分代垃圾回收原理,是定位线上内存溢出、Full GC频繁等问题的关键前提。从对象如何在堆栈中分配,到可达性分析判定对象生死,再到G1等收集器的选型依据,这些基础能力直接决定了工程师能否基于GC日志做出正确判断。当线上服务出现堆内存耗尽、接口响应飙红时,借助jstat、jmap等工具快速定位内存泄漏源头,并结合合理的堆参数与GC停顿目标进行调优,才能让服务恢复平稳。本文以一次典型的线上GC危机为切入点,系统梳理JVM核心知

weixin_31315567的博客 240

JVM内存结构到排查调优:堆、栈、元空间与线上实战

JVM内存管理是Java开发者的基本功,也是线上故障排查的核心场景。理解运行时数据区的划分,从线程共享的堆、方法区到线程私有的虚拟机栈与程序计数器,是定位内存问题的基础。JDK 8后永久代被元空间替代,堆外内存与直接内存更成为高并发应用不可忽视的盲区。当内存飙升、Full GC频繁、进程异常消失时,需要借助jstat、jmap、jcmd等工具,从GC日志和堆dump中分析对象分配路径,区分内存泄漏与溢出。掌握分代收集、Survivor区晋升机制及核心调优参数,能有效预防并解决线上故障。本文结合实践案例,梳理

weixin_33883104的博客 322

压缩省了60%磁盘,写入TPS掉了25%——InnoDB页压缩的三类隐性代价与适用边界

InnoDB页压缩能显著降低表空间占用,但磁盘的节省不是免费的。压缩页在写入时需要CPU执行压缩算法、读取时需要CPU解压;压缩后的页在Buffer Pool中占用更少空间,但命中后的解压开销和未命中时的解压延迟会改变缓存的实际效能;写密集场景下,压缩/解压带来的写入放大可能让TPS明显下降。本文拆解InnoDB页压缩的物理机制、三类隐性代价的量化表现,以及“什么场景该用、什么场景该绕开”的判断框架。

DBAxiaoye的博客 345
上一篇: 从容器启动到注册成功,Nacos 客户端到底发了什么
下一篇: CPU打满先看谁在烧
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