JVM常见参数

暗夜荆棘鸟 暗夜荆棘鸟 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 700+累计阅读 717平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄12年
关注
原创 最新推荐文章于 2026-05-18 09:32:18 发布 717 阅读 AI 写同款· GEO 优化 ›
从Elasticsearch的jvm.options读懂JVM参数的生效核验、内存分账与诊断兜底 写进配置的JVM参数不一定生效，生效的参数也未必适合你的场景。本文以Elasticsearch的jvm.options为样板，结合JDK 8与JDK 17的可复现实验，先讲如何用PrintFlagsFinal、jcmd与进程内自检核实参数终值和来源，再讲堆怎么分：存储型服务把一半内存留给页缓存，堆不越过约31GB的压缩指针边界；计算型服务先用NMT量出堆外再定堆。随后梳理分代比例与晋升阈值、GC日志新旧写法、堆转储与OOM退出、异常栈保留及CMS到G1、ZGC的演进，最后给出模板与核验清单。 阅读详情

这些选项控制Java HotSpot虚拟机怎么进行垃圾回收。

- -XX:+AggressiveHeap

java堆最佳化设置。设置多个参数使长时间运行过的任务使用密集的内存分配。 默认这个选项时关闭的，也就是堆不是最佳化。

- -XX:+AlwaysPreTouch

在调用main函数之前，使用所有可用的内存分页。这个选项可以用来测试长时间运行的系统，所有的内存都已被分配。默认这个选项

是关闭的，也就是不会使用所有的内存分页。

- -XX:+CMSClassUnloadingEnabled

当使用CMS垃圾收集器时，允许类卸载。这个选项模式是开启的。为了禁止类卸载，那么可以使用： -XX:-CMSClassUnloadingEnabled

- -XX:CMSExpAvgFactor=percent

指定垃圾收集消耗的时间百分比。默认这个数是25%。下面的例子设置成15%：

-XX:CMSInitiatingOccupancyFraction=percent

设置CMS收集开始的百分比。默认值是-1，任何的负值表示会使用-XX:CMSTriggerRatio选项来定义这个百分比数。

下面的例子设置成了20%，表示老年代使用20%后开始垃圾收集；

-XX:+CMSScavengeBeforeRemark

在CMS重新标记之前执行清除操作，默认这个选项是关闭的。

-XX:CMSTriggerRatio=percent

设置由-XX:MinHeapFreeRatio指定值的百分比的值。默认是80%。

下面的例子设置成了75%：

-XX:ConcGCThreads=threads

并发GC的线程数量。默认值根据cpu的数量而定。下面的例子把这个值设置为2

-XX:+DisableExplicitGC

这个选项控制显式GC，也就是调用System.gc()，默认在调用这个方法的时候就会发生gc，如果不允许显式gc，那么调用这个方法的时候，就不会发生gc行为。

-XX:+ExplicitGCInvokesConcurrent

当调用System.gc()的时候， 执行并行gc。默认是不开启的，只有使用-XX:+UseConcMarkSweepGC选项的时候才能开启这个选项。

-XX:+ExplicitGCInvokesConcurrentAndUnloadsClasses

当调用System.gc()的时候， 执行并行gc。并在垃圾回收的周期内卸载类。 只有使用-XX:+UseConcMarkSweepGC选项的时候才能开启这个选项。

-XX:G1HeapRegionSize=size

当使用G1收集器时，设置java堆被分割的大小。这个大小范围在1M到32M之间。下面的例子把这个值设置成了16M。

-XX:+G1PrintHeapRegions

打印G1收集器收集的区域。默认这个选项是关闭的。

-XX:G1ReservePercent=percent

使用g1收集器时，设置保留java堆大小，防止晋升失败。范围是0到50.默认设置是10%。下面的例子把这个值设置成20%。

-XX:InitialHeapSize=size

初始化堆大小。

-XX:InitialSurvivorRatio=ratio

设置幸存区的比例。

-XX:InitiatingHeapOccupancyPercent=percent

设置进行垃圾回收的堆占用的百分比。

-XX:MaxGCPauseMillis=time

设置GC最大暂停时间。默认没有最大暂停时间。下面的例子设置最大暂停时间为500毫秒。

-XX:MaxHeapSize=size

最大堆大小。

-XX:MaxHeapFreeRatio=percent

设置堆垃圾回收后最大空闲空间比例。默认是70%。下面的例子把这个值设置成75.

-XX:MaxMetaspaceSize=size

设置最大的本地内存类员工间可用于垃圾回收。默认没有限制。下面的例子把这个值设置成256m

-XX:MaxNewSize=size

新生代最大大小。

-XX:MaxTenuringThreshold=threshold

在新生代中对象存活次数(经过Minor GC的次数)后仍然存活，就会晋升到旧生代。

-XX:MetaspaceSize=size

设置类元空间大小。

-XX:MinHeapFreeRatio=percent

堆最小空间百分比。

XX:NewRatio=ratio

设置新生代和老年代的比例。

-XX:NewSize=size

设置年轻代的大小

-XX:ParallelGCThreads=threads

并行收集线程数量。

-XX:+ParallelRefProcEnabled

如果应用有很多的Reference or finalizable objects，那么可以使用-XX:+ParallelRefProcEnabled来减少duration。

-XX:+PrintAdaptiveSizePolicy

打印自适应收集的大小。默认关闭。

-XX:+PrintGC

打印GC信息。

-XX:+PrintGCApplicationConcurrentTime

打印自从上次gc停顿到现在过去了多少时间。

-XX:+PrintGCApplicationStoppedTime

打印gc一共停顿了多长时间。

-XX:+PrintGCDateStamps

打印gc时间戳

-XX:+PrintGCDetails

打印gc详细信息

-XX:+PrintGCTaskTimeStamps

为每个独立的gc线程打印时间戳。

-XX:+PrintGCTimeStamps

打印gc时间戳

-XX:+PrintStringDeduplicationStatistics

打印字符串去重统计信息。

-XX:+PrintTenuringDistribution

打印对各代信息。

-XX:+ScavengeBeforeFullGC

在进行fullGC时先进行YGC。

-XX:StringDeduplicationAgeThreshold=threshold

字符串存活的最小年龄 ，默认是3.

-XX:SurvivorRatio=ratio

幸存代的比例。

-XX:TargetSurvivorRatio=percent

年轻代收集后，幸存代期望的比例值。

-XX:TLABSize=size

设置本地线程收集缓冲区的初始化大小。

-XX:+UseAdaptiveSizePolicy

使用自适应分代大小。

-XX:+UseConcMarkSweepGC

使用cms垃圾回收器。

-XX:+UseG1GC

使用G1垃圾回收器

-XX:+UseGCOverheadLimit

限制GC的运行时间

-XX:+UseParallelGC

使用 Parallel收集器。

-XX:+UseParallelOldGC

使用 ParallelOld垃圾回收器。

-XX:+UseParNewGC

使用ParNew垃圾回收器

-XX:+UseSerialGC

使用 Serial垃圾回收器。

-XX:+UseStringDeduplication

使用字符串去重机制。

-XX:+UseTLAB

年轻代中使用本地线程收集块

收录于
java

当前文章被收录于：

java
3 篇文章 0 人学习
订阅专栏 查看详情
标签
#jvm #java
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
Type-C快充移动电源芯片避坑指南：IP5356配置全流程（支持PD3.0） 本文详细解析了英集芯IP5356芯片在Type-C快充移动电源中的应用，提供了从芯片选型、原理图设计、PCB布局到PD协议调试的全流程实战指南。文章重点剖析了如何避免散热、EMI及协议握手等常见设计陷阱，并分享了量产前的关键测试验证方法，旨在帮助硬件开发者高效打造稳定可靠的快充产品。 阅读详情

相关推荐

保姆级教程：手把手教你给联想System x 3650 M5服务器配置RAID 5并U盘装系统

本文提供联想System x 3650 M5服务器配置RAID 5并U盘安装系统的详细教程，特别适合零基础运维人员。从准备工作、RAID 5配置到U盘引导和系统安装，涵盖全流程关键步骤与常见问题解决方案，帮助用户高效完成服务器部署。

weixin_42535703的博客 358

JVM常用调优参数 ——JVM篇

JVM常用性能调优参数详解 ​ 在学习完整个JVM内容后，其实目标不仅是学习了解整个JVM的基础知识，而是为了进行JVM性能调优做准备，所以以下的内容就是来说说JVM性能调优的知识。 一、性能调优 ​ 性能调优包含多个层次，比如：架构调优、代码调优、JVM调优、数据库调优、操作系统调优等等。 ​ 架构调优和代码调优是JVM调优的基础，其中架构调优是对系统影响最大的。 性能调优基本上按照以下步骤进行： 明确优化目标 发现性能瓶颈 性能调优 通过监控及数据统计工具获得数据 确认是否达到目标 二、何时进

YING—country的博客 2万+

STM32F407 CubeMX UART DMA高效解析BNO085九轴数据

本文详细介绍了如何在STM32F407平台上使用CubeMX配置UART和DMA高效解析BNO085九轴传感器数据。通过DMA循环接收机制实现低CPU占用的实时数据采集，并分享数据解析技巧、错误处理及实战调试经验，为嵌入式开发者提供完整解决方案。

o4p5q6r7s的博客 235

JVM参数详细配置说明

对于大多数应用来说，Java 堆（Java Heap）是Java 虚拟机所管理的内存中最大的一块。Java 堆是被所有线程共享的一块内存区域，在虚拟机启动时创建。 1. JVM内存结构 由上图可以清楚的看到JVM的内存空间分为3大部分： 堆内存 方法区 栈内存 其中栈内存可以再细分为java虚拟机栈和本地方法栈,堆内存可以划分为新生代和老年代,新生代中还可以再次划分为Eden区...

傅红雪的专栏 1万+

vue3接入大华摄像头

┃ ┃ ┣ 📜PlaybackModal.vue 回放列表模态框。┃ ┃ ┗ 📜VideoGrid.vue 视频播放区域。┃ ┃ ┣ 📜ControlPanel.vue 控制面板。┃ ┃ ┣ 📜DeviceList.vue 设备列表。┃ ┣ 📂module //大华摄像头文件。

💻 专注 Vue 前端与 Java 后端技术 🌱 目前正在深入 Spring Boot、微服务与性能优化 📝 定期分享实战踩坑经验与学习笔记 🤝 欢迎交流，共同进步 914

快充协议全兼容！HUSB390对比测试：iPhone/小米/华为哪个充电最快？

本文深入评测了HUSB390快充协议芯片的全兼容性能，展示了其在iPhone、小米和华为设备上的极速充电表现。通过智能功率分配算法和多协议并行处理引擎，HUSB390实现了高效的动态调压和温度控制，显著提升多设备充电效率。特别适合需要同时为不同品牌设备快充的用户。

dd012的博客 1万+

JVM虚拟机默认参数

前言 我们都知道jvm有一个堆内存的概念，我们可以通过-Xmx：最大堆内存，-Xms初始化堆内存来进行设置。 那么当我们不设置时默认是多少呢 堆内存 这里直接贴上官网jdk1.8的链接https://docs.oracle.com/javase/8/docs/technotes/guides/vm/gctuning/parallel.html#default_heap_size 翻译如下： 默认堆大小 除非在命令行上指定了初始堆大小和最大堆大小，否则它们将根据计算机上的内存量进行计算。 最大物理内存大小不超

weixin_42324471的博客 1859

100天精通Python（可视化篇）——第98天：Pyecharts绘制多种炫酷日历图参数说明+代码实战

一、日历图介绍 二、基础配置 1. 配置项类 2. 添加函数 3. 日期标签配置 4. 坐标系配置 三、日历图实战 1. 基础日历图 2. 日历热图

努力让自己发光，对的人才能迎着光而来 2万+

JVM启动参数大全及默认值

Java启动参数共分为三类； 其一是标准参数（-），所有的JVM实现都必须实现这些参数的功能，而且向后兼容； 其二是非标准参数（-X），默认jvm实现这些参数的功能，但是并不保证所有jvm实现都满足，且不保证向后兼容； 其三是非Stable参数（-XX），此类参数各个jvm实现会有所不同，将来可能会随时取消，需要慎重使用； 一、JVM标准参数(-) JVM的标准参数都是以”-“开头，通过输入”java -help”或者”java -?”，可以查看JVM标准参数列表。如 以下是JVM标准参数的详细

街头看日出的博客 485

AI Agent的知识蒸馏链：多阶段LLM模型优化

随着大语言模型(LLM)规模的不断扩大，如何在保持模型性能的同时提高其部署效率成为关键挑战。本文旨在探讨通过知识蒸馏技术构建多阶段优化链，实现LLM模型的高效压缩和性能优化。研究范围涵盖从基础理论到实际应用的完整知识蒸馏流程，特别关注AI Agent场景下的特殊需求和解决方案。本文首先介绍知识蒸馏的基本概念和背景，然后详细阐述多阶段蒸馏链的核心原理。接着，我们将深入探讨算法实现细节和数学模型，提供完整的代码示例。最后讨论实际应用、工具资源和未来发展方向。

AI大模型应用之禅 351

华为OD技术面八股文_C++_01

汇总华为OD技术面C++方向八股文真题，并提供详细解答。

qq_45776114的博客 1887

JVM参数及默认值

1 标准参数 标准参数（-），所有的JVM实现都必须实现这些参数的功能，而且向后兼容； 通过命令java即可查看 用法: java [-options] class [args...] (执行类) 或 java [-options] -jar jarfile [args...] (执行 jar 文件) 其中选项包括: -d32 使用 32 位数据模型 (如果可用) -d64 使用 64 位数据模型 (如...

zhangjunli的博客 1653

【无人机项目实战】第三章：fast_planner工程解读（附C++代码）

系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 TODO:写完再整理 文章目录系列文章目录前言一、规划系统运行逻辑【业务部分】1.Fast_planner_node.cpp【程序入口】功能代码实现2.kino_replan_fsm.cpp【状态机转移】功能代码实现KinoReplanFSM::init()函数订阅目标点回调函数订阅里程计回调函数检查路径规划是否成功【重要】执行状态机FSM定时器回调函数【重要】判断目标点是否有障碍物或者是轨迹执行过程中是否有障碍物的回调函数3

qq_35635374的博客 1万+

JVM 调优常见参数

本文对JVM涉及的常见的调优参数和垃圾回收参数进行阐述。

埃泽漫笔 915

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

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")

JVM虚拟机----JVM 常见参数

JVM 常见参数 4.2.7 简单总结

Miracle_Gaaral的博客 212

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

常见JVM参数汇总

常见配置举例： 设置：-Xmx3550m -Xms3550m -Xmn2g -Xss128k 设置：-Xmx3550m -Xms3550m -Xss128k -XX:NewRatio=4 -XX:SurvivorRatio=4 -XX:MaxPermSize=16m -XX:MaxTenuringThreshold=0 吞吐量优先的并行收集器，并行收集器主要以到达一定的吞吐量为目标，适用于科学技术...

wangsweetkid的专栏 1334

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

掌握JVM参数优化配置与常见JVM异常分析

JVM参数类型与设置 安装JDK，配置系统环境参数后，输入java -help，红框标记的就是我们设置 JVM参数的区域。 [-options]意思是不强制要求设置，java命令支持各种参数设置，这些参数可以分为以下类别 标准参数：JVM的所有实现所支持的最常用的参数 （在jdk各版本之间稳定，不会有较大变化）。 非标准参数（-X）：是特定于Java HotSpot虚拟机的通用选项（了解就行）。 高级运行时参数（-XX）：控制Java HotSpot VM的运行时行为（重点）。 这里我们重点讲高级运行

bao_taotao的博客 1481

关于JVM调优的工具及JVM 常见调优参数

六个命令行排查工具 我们一般使用 JDK 自带的 6 个命令行工具来排查JVM。它们分别是：jps、jstat、jinfo、jmap、jhat 和 jstack，它们都位于 JDK 的 bin 目录下，可以使用命令行工具直接运行。 jps（虚拟机进程状况工具） jps（JVM Process Status tool，虚拟机进程状况工具），用于列出正在运行的 JVM 的 LVMID（Local Virtual Machine IDentifier，本地虚拟机唯一 ID），以及 JVM 的执行主类、JVM 启动

Gebo的博客 1229

JAVA常见的 JVM 参数及其典型默认值

JVM 参数及其典型默认值

xiaowangbadan0_0的博客 987

常见JVM参数笔记

本文记录了工作和学习中常用到的一些jvm参数，后期会更新增加G1和ZGC的使用参数。

Henry_ss的博客 437

JVM-常见JVM参数、如何查看JVM参数、如何动态设置JVM参数

1 JVM参数 1.1 标准参数 // 查看java版本 -version // help命令就不用了说了吧 -help // -server // 指定类运行所依赖其他类的路径，通常是类库和jar包，需要全路径到jar包，多个jar包之间连接符， // window上分号“;”.Linux下使用“:” -cp 1.2 -x参数 非标准参数，也就是在JDK各个版本中可能会变动 -Xi...

抠脚的汉子 2607

idea中设置JVM参数，简单理解JVM常见参数，JVM调优简单入门

学习了几个常用JVM参数，总结如下OutOfMemoryError简称OOM，学习了几个基本的内存溢出后，对以后才能有更好的帮助。工作中遇到了内存溢出时，能根据异常信息来判断是那个区域的内存溢出，也知道什么样的代码可能会造成这些区域会出现内存溢出，并且知道一些处理手段。Java程序员日常学习笔记，如理解有误欢迎各位交流讨论！

m0_67402125的博客 4383

Jvm 常见配置参数

java虚拟机配置参数

u010046451的博客 545

JVM 常见的启动参数

JVM 常见的启动参数 -Xms： 设置堆的最小值。 -Xmx： 设置堆的最大值。 -Xmn: 设置新生代的大小。 -Xss： 设置每个线程的栈大小。 -XX:NewSize： 设置新生代的初始值。 -XX:MaxNewSize ： 设置新生代的最大值。 -XX:PermSize： 设置永久代的初始值。 -XX:MaxPermSize： 设置永久代的最大值。 -XX:Surviv...

jcsyl_mshot的博客 564

JAVA中常见的JVM配置以及参数释义

垃圾回收相关的JVM参数：-Xms / -Xmx — 堆的初始大小 / 堆的最大大小-Xmn — 堆中年轻代的大小-XX:-DisableExplicitGC — 让System.gc()不产生任何作用-XX:+PrintGCDetails — 打印GC的细节-XX:+PrintGCDateStamps — 打印GC操作的时间戳-XX:NewSize / XX:MaxNewSize — 设置新生代...

weixin_30411239的博客 87

JVM内存参数设置及常见错误总结

一、JVM规范 JVM规范对Java运行时的内存划定了几块区域（详见这里），有：JVM栈（Java Virtual Machine Stacks）、堆（Heap）、方法区（Method Area）、常量池（Runtime Constant Pool）、本地方法栈（Native Method Stacks），但对各块区域的内存布局和地址空间却没有明确规定，而留给各JVM厂商发挥的空间。 ...

hellozhxy的博客 1397
上一篇： SOA 微服务 RPC WebService Soap关系详解
下一篇： newFixedThreadPool(1)和newSingleThreadExecutor()的区别
点赞 0
评论 1
书签 书签 0
暗夜荆棘鸟
暗夜荆棘鸟
博客等级 码龄12年 9粉丝 12原创
+ 关注 专栏目录 订阅专栏
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 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