类加载机制

运行时数据区

在这里插入图片描述
JVM用来存储加载的类信息、常量、静态变量、编译后的代码等数据
虚拟机规范中,这是一个逻辑区划。具体实现根据不同虚拟机来实现
如:oracle的HotSpot在java7中方法去放在永久代,java8放在元数据空间,并且通过GC机制对这个区域进行管理

那么class文件是怎么加载进去的?

类生命周期

1、加载:读取二进制内容
2、验证:验证class文件格式规范,语义分析、引用验证、字节码验证
3、准备:分配内存、设置类static修饰的变量初始值
4、解析:类、接口、字段、类方法等解析
5、初始化:为静态变量赋值;执行静态代码块
6、使用:创建实例对象
7、卸载:从JVM方法区中卸载

类加载器

类加载器负责装入类,搜索网络、jar、zip、文件夹、二进制数据、内存等指定位置的类资源。一个java程序运行,最少有三个类加载器实例,负责不同类的加载。

1.Bootstrap loader
核心类库加载器
C/C++实现,无对应java类:null
加载JRE_HOME/jre/lib目录或用户配置的目录
JDK核心类库rt.jar...String...
2.Extension Class loader
扩展类库加载器
Extension Class loader的实例
加载JRE_HOME/jre/lib/ext目录,
JDK扩展包,或用户配置的目录
3.Application Class loader
用户扩展程序加载器
App Class loader的实例
加载java.class.path指定的目录,
用户应用程序class-path
或者java命令运行时参数-cp...

验证问题

查看类对应的加载器
JVM如何知道我们的类在何方
类不会重复加载
类的卸载
双亲委派模型

查看类对应的加载器

通过jdk的api进行查看:java.lang.Class.getClassLoader()
返回装载类的类加载器
如果这个类是由bootstrapClassLoader加载的,那么这个方法在这种实现中将返回null

JVM如何知道我们的类在何方

class信息存放在不同的位置,桌面jar、项目bin目录、target目录等等

查看openjdk源代码:sun.misc.Launcher.AppClassLoader

final String var1 = System.getProperty("java.class.path");

结论:读取java.class.path配置,指定去哪些地址加载类资源
验证过程:利用jps、hcmd两个命令
1、jps查看本机JAVA进程
2、查看运行时配置:jcmd进程号 VM.system_properties
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述在这里插入图片描述

类不会重复加载

类的唯一性:同一个类加载器,类名一样,代表是同一个类。
识别方式:ClassLoader Instance id+PackageName+ClassName
验证方式:使用类加载器,对同一个Class类的不同版本,进行多次加载,检查是否会加载到最新的代码

类什么时候会被卸载

满足如下两个条件:

  1. 该Class所有的实例都已经被GC;
  2. 加载该类的ClassLoader实例已经被GC;

验证方式:jvm启动中增加verbose:cla
ss参数,输出类加载和卸载的日志信息

双亲委派模型

在这里插入图片描述
注:类加载器之间不存在父类子类的关系,“双亲”是翻译,可以理解为逻辑上定义的上下级关系

扩展

可以通过不断创建新的类加载器,加载类,实现热加载

public static void main(String[] args) throws Exception {
        URL classUrl = new URL("file:D:\\");
        // 测试双亲委派机制
        // 如果使用此加载器作为父加载器,则下面的热更新会失效,因为双亲委派机制,HelloService实际上是被这个类加载器加载的;
        //  URLClassLoader parentLoader = new URLClassLoader(new URL[]{classUrl});

        while (true) {
            // 创建一个新的类加载器,它的父加载器为上面的parentLoader
            URLClassLoader loader = new URLClassLoader(new URL[]{classUrl}, LoaderTest1.class.getClassLoader());

            Class clazz = loader.loadClass("HelloService");
            System.out.println("HelloService所使用的类加载器:" + clazz.getClassLoader());
            Object newInstance = clazz.newInstance();
            Object value = clazz.getMethod("test").invoke(newInstance);
            System.out.println("调用getValue获得的返回值为:" + value);

            // help gc
            newInstance = null;
            value = null;

            System.gc();
            loader.close();

            Thread.sleep(3000L); // 1秒执行一次
            System.out.println();
        }
    }

以上代码不能实现热加载,原理:双亲委派模型

内容概要:本书《Deep Reinforcement Learning with Guaranteed Performance》探讨了基于李雅普诺夫方法的深度强化学习及其在非线性系统最优控制中的应用。书中提出了一种近似最优自适应控制方法,结合泰勒展开、神经网络、估计器设计及滑模控制思想,解决了不同场景下的跟踪控制问题。该方法不仅保证了性能指标的渐近收敛,还确保了跟踪误差的渐近收敛至零。此外,书中还涉及了执行器饱和、冗余解析等问题,并提出了新的冗余解析方法,验证了所提方法的有效性和优越性。 适合人群:研究生及以上学历的研究人员,特别是从事自适应/最优控制、机器人学和动态神经网络领域的学术界和工业界研究人员。 使用场景及目标:①研究非线性系统的最优控制问题,特别是在存在输入约束和系统动力学的情况下;②解决带有参数不确定性的线性和非线性系统的跟踪控制问题;③探索基于李雅普诺夫方法的深度强化学习在非线性系统控制中的应用;④设计和验证针对冗余机械臂的新型冗余解析方法。 其他说明:本书分为七章,每章内容相对独立,便于读者理解。书中不仅提供了理论分析,还通过实际应用(如欠驱动船舶、冗余机械臂)验证了所提方法的有效性。此外,作者鼓励读者通过仿真和实验进一步验证书中提出的理论和技术。
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