CN111427667A - Jvm负载量化及优化方法 - Google Patents
Jvm负载量化及优化方法 Download PDFInfo
- Publication number
- CN111427667A CN111427667A CN202010259528.6A CN202010259528A CN111427667A CN 111427667 A CN111427667 A CN 111427667A CN 202010259528 A CN202010259528 A CN 202010259528A CN 111427667 A CN111427667 A CN 111427667A
- Authority
- CN
- China
- Prior art keywords
- haf
- ygc
- value
- jvm
- load
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
- G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
- G06F9/5022—Mechanisms to release resources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种JVM负载量化及优化方法,包括:当垃圾收集器执行GC时通过GC回调获取GC数据;根据GC数据计算衡量指标;根据计算得到的衡量指标的值执行对应的运维操作。本发明的JVM负载量化及优化方法,通过GC数据构建衡量JVM负载的衡量指标,并根据衡量指标进行相关运维操作。一方面,通过GC数据构建的衡量指标能够更加准确的反应JVM负载的真实情况,同时,JVM负载发生变化的时候一定会发生GC,所以通过GC回调的数据评估JVM负载情况在时效上更加及时。
Description
技术领域
本发明涉及一种JVM负载量化及优化方法。
背景技术
JVM(Java Virtual Machine,Java虚拟机)负载的量化一直是个技术难题,市面上很少见到Java软件产品会在内置功能中包含自动化的负载量化机制。现有技术一般通过轮询的方式获取内存使用率来表征JVM负载高低。这种方式存在以下缺陷:
1.轮询获取内存使用率,响应不够及时:JVM负载的变化在时间维度上是毫秒级别的,但是轮询获取内存使用率,一般只会做到秒级,而秒级的轮询在遇上负载剧烈变化时响应不够。但是如果做毫秒级的轮询,整体性能较差。
2.JVM由于GC(Garbage Collection,垃圾回收)机制的作用(JVM内存快用满的时候,系统会自动触发垃圾回收,清除掉一些无用的Java对象,回收内存空间),通过内存使用率来表征JVM负载高低的方式并不能很好地反应JVM真实负载情况。内存使用率很高的时候,很可能JVM中的Java对象可以被GC有效回收,这种情况下JVM负载的真实情况是不高的,如果直接用内存使用率来表征,就会误判为高负载,进而做出一系列不必要的响应措施、影响用户的使用体验(例如频繁发送风险预警、频繁限制用户请求,等等)。而在内存使用率不是很高的时候,有可能JVM中的活动线程正在飞快地创建Java对象,按照Java对象的生命周期规律,这种对象一般在短时间内很难被GC有效回收,这会导致JVM迅速进入超负荷状态,这种情况下JVM负载的真实情况是很高的,如果直接用内存使用率来表征,就会误判为中低负载,因此错失采取有效运维措施的良机、进而影响系统稳定运行
发明内容
本发明提供了一种JVM负载量化及优化方法,采用如下的技术方案:
一种JVM负载量化及优化方法,其特征在于,包括以下步骤:
当垃圾收集器执行GC时通过GC回调获取GC数据;
根据所述GC数据计算衡量指标;
根据计算得到的所述衡量指标的值执行对应的运维操作。
进一步地,所述衡量指标为释放推荐值RPS,由以下公式计算得到:
RPS=100*min(HaF,1),
其中,HaF为FGC后堆实际使用空间占可用空间OG_M的比例。
进一步地,当所述释放推荐值RPS大于等于85且小于100,针对已经计算完成但仍然存活的报表会话执行小规模报表会话释放;
当所述释放推荐值RPS大于等于100,针对已经计算完成但仍然存活的报表会话执行大规模报表会话释放;
当所述释放推荐值RPS连续5次大于等于100,针对已经计算完成但仍然存活的报表会话执行超大规模报表会话释放。
进一步地,所述衡量指标为负载平衡推荐值BPS;
若所述垃圾收集器本次执行的GC为YGC,则,
BPS=100*min(HaY2,0.75)+10000*min(LP*LPB,0.0045);
其中,HaY为YGC后堆实际使用空间占可用空间OG_M的比例,LPB为YGC后老年代实际使用空间与上次GC后老年代实际使用空间的差值与可用空间OG_M的比值,LP为LPB与本次YGC和上次GC之间的时间差的比值;
若所述垃圾收集器本次执行的GC为FGC,则,
当HaF≥95时,BPS=120,
当HaF≤60时,BPS=0,
当60<HaF<95时,BPS值置为上一次YGC时的BPS值,
其中,HaF为FGC后堆实际使用空间占可用空间OG_M的比例。
进一步地,当所述负载平衡推荐值BPS的值大于等于100,针对正在计算的报表会话执行报表会话释放。
进一步地,所述衡量指标为综合负载值LS;
若所述垃圾收集器本次执行的GC为FGC,则,
LS=100*HaF2,
其中,HaF为本次FGC后堆实际使用空间占可用空间OG_M的比例;
若所述垃圾收集器本次执行的GC为YGC,且上一次执行的GC为FGC,则,
LS=100*HaF2 2+(100*LPB)3/2/t1*(10*HaF2 2),
其中,HaF2为最近一次FGC后堆实际使用空间占可用空间OG_M的比例,LPB为本次YGC后老年代实际使用空间与上次GC后老年代实际使用空间的差值与可用空间OG_M的比值,t1为本次YGC距离上次GC的时间间隔;
若所述垃圾收集器本次执行的GC为YGC,且上一次执行的GC为YGC,则,
LS=100*HaF2 2+(100*LPB)3/2/t1*(10*HaF2 2+(100*LPB2)3/2/t0),
其中,LPB2为上次YGC后老年代实际使用空间与最近一次FGC后老年代实际使用空间的差值与可用空间OG_M的比值,t0为上次YGC距离最近一次FGC的时间间隔。
进一步地,当所述综合负载值LS的值大于等于100,向系统管理员发送预警通知。
进一步地,在系统部署为集群的时,当某个节点的所述综合负载值LS大于等于90时,向其他综合负载值LS小于等于80的节点转发报表会话。
进一步地,可用空间OG_M通过以下公式计算,
OG_M=a*Xmx,
其中,Xmx表示JVM最大可用堆空间,a表示占比系数,a的取值范围为大于等于0.6且小于等于0.7。
进一步地,a的值为2/3。
本发明的有益之处在于所提供的JVM负载量化及优化方法,本发明的JVM负载量化及优化方法,通过GC数据构建衡量JVM负载的衡量指标,并根据衡量指标进行相关运维操作。一方面,通过GC数据构建的衡量指标能够更加准确的反应JVM负载的真实情况,同时,JVM负载发生变化的时候一定会发生GC,所以通过GC回调的数据评估JVM负载情况在时效上更加及时。
附图说明
图1是本发明的JVM负载量化及优化方法的示意图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
如图1所示为本发明的一种JVM负载量化及优化方法,包括以下步骤:S1:当垃圾收集器执行GC时通过GC回调获取GC数据。S2:根据GC数据计算衡量指标。S3:根据计算得到的衡量指标的值执行对应的运维操作。由于JVM负载发生变化的时候一定会发生GC,所以GC回调是时间上最及时、粒度上最精细准确的监听JVM负载变化的方法。通过GC回调获取的GC数据能够更加准确的反应当前JVM负载情况,且在时效上也更加及时。
在本发明中,以PS(Parallel Scavenge)收集器为例,当PS收集器执行GC时,通过GC回调获取GC数据,GC数据包含GC类型、GC发生时刻、GC持续时间、GC发生前后新生代和老年代各分区的内存占用等丰富的信息,我们以此为基础来构建和计算衡量指标。其中,GC类型包含FGC(FullGC,简称FGC)和YGC(YoungGC,简称YGC)。可以理解的是,垃圾收集器还可以为CMS、G1等其他类型的垃圾收集器。
在本发明中,衡量指标为释放推荐值RPS,由FGC回调更新。释放推荐值RPS表示FGC之后内存回收率,通过该衡量指标,主要用于判断是否应该释放一些已经计算完成但是仍未失效的资源。释放推荐值RPS通过公式1计算得到:
RPS=100*min(HaF,1), (1)
其中,HaF为FGC后堆实际使用空间占可用空间OG_M的比例。可用空间OG_M用于表示老年代最大可用空间,如下,
OG_M=a*Xmx, (2)
其中,Xmx表示JVM最大可用堆空间,a表示占比系数,a的取值范围为大于等于0.6且小于等于0.7。在本发明中,a取值为2/3。
设定基准格子数为M,基准会话存活时间为T,根据计算得到的释放推荐值RPS执行对应的运维操作的具体方法为:
当释放推荐值RPS的值大于等于85且小于100,针对已经计算完成但仍然存活的报表会话执行小规模报表会话释放。具体的,针对已经计算完成但仍然存活的报表会话,释放格子数大于等于80%M或者存活时间大于等于80%T的报表会话,并判断是否释放了超过10%的存活会话,若达成则完成本次的小规模报表会话释放,若没有达成则继续释放格子数大于等于60%M或存活时间大于等于60%T的报表会话。
当释放推荐值RPS的值大于等于100,针对已经计算完成但仍然存活的报表会话执行大规模报表会话释放。具体的,针对已经计算完成但仍然存活的报表会话,释放格子数大于等于60%M或者存活时间大于等于60%T的报表会话,并判断是否释放超过了20%的存活会话,若达成则完成本次的大规模报表会话释放,若没有达成则继续释放格子数大于等于40%M或存活时间大于等于40%T的报表会话。
当释放推荐值RPS的值连续5次大于等于100,针对已经计算完成但仍然存活的报表会话执行超大规模报表会话释放。具体的,释放所有已经计算完成但仍然存活的报表会话,以使系统重新恢复正常访问。
作为另一种可选的实施方式,衡量指标为负载平衡推荐值BPS,由FGC回调和YGC回调更新。负载平衡推荐值BPS表示GC后可用内存大小,用于判断是否应该中止一些正在计算中、并且资源占用超出系统承受能力的作业项,计算方法如下:
若PS收集器本次执行的GC为YGC,则,
BPS=100*min(HaY2,0.75)+10000*min(LP*LPB,0.0045), (3)
其中,HaY为YGC后堆实际使用空间占可用空间OG_M的比例。LPB表示YGC后老年代晋升对象大小,为YGC后老年代实际使用空间与上次GC后老年代实际使用空间的差值与可用空间OG_M的比值。LP用于表示YGC后老年代对象晋升速度,为LPB与本次YGC和上次GC之间的时间差的比值。
若PS收集器本次执行的GC为FGC,则,
当HaF≥95时,BPS=120,当HaF≤60时,BPS=0,当60<HaF<95时,BPS置为上一次YGC时的BPS值。HaF为FGC后堆实际使用空间占可用空间OG_M的比例。
设定基准格子数为M,基准会话存活时间为T,根据计算得到的负载平衡推荐值BPS执行对应的运维操作的具体方法为:当负载平衡推荐值BPS的值大于等于100,针对正在计算的报表会话执行报表会话释放。具体的,中止正在计算的格子数大于等于30%M的报表会话。
作为另一种可选实施方式,衡量指标为综合负载值LS,由FGC回调和YGC回调更新。综合负载值LS综合考量FGC不可释放对象和老年代对象晋升速度因素,整体评估系统的负载水平,用于一些通用的、非专项的运维操作。计算方法如下:
若PS收集器本次执行的GC为FGC,则,
LS=100*HaF2, (4)
其中,HaF表示本次FGC后堆实际使用空间占可用空间OG_M的比例。
若PS收集器本次执行的GC为YGC,且上一次执行的GC为FGC,则,
LS=100*HaF2 2+(100*LPB)3/2/t1*(10*HaF2 2),
(5)
其中,HaF2表示最近一次FGC后的堆实际使用空间占可用空间OG_M的比例。LPB表示本次YGC后老年代晋升对象大小,为本次YGC后老年代实际使用空间与上次GC后老年代实际使用空间的差值与可用空间OG_M的比值。t1为本次YGC距离上次GC的时间间隔。
若PS收集器本次执行的GC为YGC,且上一次执行的GC为YGC,则,
LS=100*HaF2 2+(100*LPB)3/2/t1*(10*HaF2 2+(100*LPB2)3/2/t0),
(6)
其中,HaF2表示最近一次FGC后的堆实际使用空间占可用空间OG_M的比例,LPB表示本次YGC后老年代晋升对象大小,为本次YGC后老年代实际使用空间与上次GC后老年代实际使用空间的差值与可用空间OG_M的比值。t1为本次YGC距离上次GC的时间间隔。LPB2为上次YGC后老年代实际使用空间与最近一次FGC后老年代实际使用空间的差值与可用空间OG_M的比值。t0为上次YGC距离最近一次FGC的时间间隔。
综合负载值LS用于智能预警和集群智能转发。
在智能预警的应用场景下,根据计算得到的综合负载值LS执行对应的运维操作智能转发的具体方法为:当LS大于等于100时,通过系统通知、邮件、短信等方式,向系统管理员发送预警通知,告知系统已经达到高负载,有宕机风险,请及时关注。
系统部署为集群的时候,根据计算得到的综合负载值LS执行对应的运维操作智能转发的具体方法为:某个节点的综合负载值LS大于等于90时,向其他综合负载值LS小于等于80的节点转发报表会话,通过这种智能转发的方式,做到精准的负载均衡。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,上述实施例不以任何形式限制本发明,凡采用等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (10)
1.一种JVM负载量化及优化方法,其特征在于,包括以下步骤:
当垃圾收集器执行GC时通过GC回调获取GC数据;
根据所述GC数据计算衡量指标;
根据计算得到的所述衡量指标的值执行对应的运维操作。
2.根据权利要求1所述的JVM负载量化及优化方法,其特征在于,
所述衡量指标为释放推荐值RPS,由以下公式计算得到:
RPS=100*min(HaF,1),
其中,HaF为FGC后堆实际使用空间占可用空间OG_M的比例。
3.根据权利要求2所述的JVM负载量化及优化方法,其特征在于,
当所述释放推荐值RPS大于等于85且小于100,针对已经计算完成但仍然存活的报表会话执行小规模报表会话释放;
当所述释放推荐值RPS大于等于100,针对已经计算完成但仍然存活的报表会话执行大规模报表会话释放;
当所述释放推荐值RPS连续5次大于等于100,针对已经计算完成但仍然存活的报表会话执行超大规模报表会话释放。
4.根据权利要求1所述的JVM负载量化及优化方法,其特征在于,
所述衡量指标为负载平衡推荐值BPS;
若所述垃圾收集器本次执行的GC为YGC,则,
BPS=100*min(HaY2,0.75)+10000*min(LP*LPB,0.0045);
其中,HaY为YGC后堆实际使用空间占可用空间OG_M的比例,LPB为YGC后老年代实际使用空间与上次GC后老年代实际使用空间的差值与可用空间OG_M的比值,LP为LPB与本次YGC和上次GC之间的时间差的比值;
若所述垃圾收集器本次执行的GC为FGC,则,
当HaF≥95时,BPS=120,
当HaF≤60时,BPS=0,
当60<HaF<95时,BPS值置为上一次YGC时的BPS值,
其中,HaF为FGC后堆实际使用空间占可用空间OG_M的比例。
5.根据权利要求4所述的JVM负载量化及优化方法,其特征在于,
当所述负载平衡推荐值BPS的值大于等于100,针对正在计算的报表会话执行报表会话释放。
6.根据权利要求1所述的JVM负载量化及优化方法,其特征在于,
所述衡量指标为综合负载值LS;
若所述垃圾收集器本次执行的GC为FGC,则,
LS=100*HaF2,
其中,HaF为本次FGC后堆实际使用空间占可用空间OG_M的比例;
若所述垃圾收集器本次执行的GC为YGC,且上一次执行的GC为FGC,则,
LS=100*HaF2 2+(100*LPB)3/2/t1*(10*HaF2 2),
其中,HaF2为最近一次FGC后堆实际使用空间占可用空间OG_M的比例,LPB为本次YGC后老年代实际使用空间与上次GC后老年代实际使用空间的差值与可用空间OG_M的比值,t1为本次YGC距离上次GC的时间间隔;
若所述垃圾收集器本次执行的GC为YGC,且上一次执行的GC为YGC,则,
LS=100*HaF2 2+(100*LPB)3/2/t1*(10*HaF2 2+(100*LPB2)3/2/t0),
其中,LPB2为上次YGC后老年代实际使用空间与最近一次FGC后老年代实际使用空间的差值与可用空间OG_M的比值,t0为上次YGC距离最近一次FGC的时间间隔。
7.根据权利要求6所述的JVM负载量化及优化方法,其特征在于,
当所述综合负载值LS的值大于等于100,向系统管理员发送预警通知。
8.根据权利要求6所述的JVM负载量化及优化方法,其特征在于,
在系统部署为集群的时,当某个节点的所述综合负载值LS大于等于90时,向其他综合负载值LS小于等于80的节点转发报表会话。
9.根据权利要求2-8任一所述的JVM负载量化及优化方法,其特征在于,
可用空间OG_M通过以下公式计算,
OG_M=a*Xmx,
其中,Xmx表示JVM最大可用堆空间,a表示占比系数,a的取值范围为大于等于0.6且小于等于0.7。
10.根据权利要求9所述的JVM负载量化及优化方法,其特征在于,
a的值为2/3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010259528.6A CN111427667B (zh) | 2020-04-03 | 2020-04-03 | Jvm负载量化及优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010259528.6A CN111427667B (zh) | 2020-04-03 | 2020-04-03 | Jvm负载量化及优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111427667A true CN111427667A (zh) | 2020-07-17 |
CN111427667B CN111427667B (zh) | 2021-03-26 |
Family
ID=71555701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010259528.6A Active CN111427667B (zh) | 2020-04-03 | 2020-04-03 | Jvm负载量化及优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111427667B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112749070A (zh) * | 2020-12-28 | 2021-05-04 | 中国人寿保险股份有限公司上海数据中心 | 一种jvm负载状态的评估方法、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766123A (zh) * | 2017-10-11 | 2018-03-06 | 郑州云海信息技术有限公司 | 一种jvm调优方法 |
CN110888712A (zh) * | 2019-10-10 | 2020-03-17 | 望海康信(北京)科技股份公司 | Java虚拟机优化方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514102B (zh) * | 2013-10-25 | 2016-09-21 | 中国联合网络通信集团有限公司 | 一种Java虚拟机实现内存垃圾回收的方法及装置 |
CN109032835B (zh) * | 2017-06-08 | 2021-02-26 | 龙芯中科技术股份有限公司 | 软件再生方法与装置 |
CN107707612B (zh) * | 2017-08-10 | 2020-11-13 | 北京奇艺世纪科技有限公司 | 一种负载均衡集群的资源利用率的评估方法及装置 |
CN109597676A (zh) * | 2018-10-25 | 2019-04-09 | 平安科技(深圳)有限公司 | 基于jvm的监控预警方法、装置及存储介质 |
-
2020
- 2020-04-03 CN CN202010259528.6A patent/CN111427667B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766123A (zh) * | 2017-10-11 | 2018-03-06 | 郑州云海信息技术有限公司 | 一种jvm调优方法 |
CN110888712A (zh) * | 2019-10-10 | 2020-03-17 | 望海康信(北京)科技股份公司 | Java虚拟机优化方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112749070A (zh) * | 2020-12-28 | 2021-05-04 | 中国人寿保险股份有限公司上海数据中心 | 一种jvm负载状态的评估方法、设备及存储介质 |
CN112749070B (zh) * | 2020-12-28 | 2024-01-23 | 中国人寿保险股份有限公司上海数据中心 | 一种jvm负载状态的评估方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111427667B (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110502494B (zh) | 日志处理方法、装置、计算机设备及存储介质 | |
US8886866B2 (en) | Optimizing memory management of an application running on a virtual machine | |
US20210006505A1 (en) | A bursty traffic allocation method, device and proxy server | |
CN107204875B (zh) | 数据上报链路监测方法、装置、电子设备及存储介质 | |
US9027025B2 (en) | Real-time database exception monitoring tool using instance eviction data | |
EP1907934A2 (en) | System and method for adaptively collecting performance and event information | |
CN112800017B (zh) | 分布式日志采集方法、装置、介质及电子设备 | |
CN111427667B (zh) | Jvm负载量化及优化方法 | |
CN110809060A (zh) | 一种应用服务器集群的监控系统及监控方法 | |
CN111949497A (zh) | 消息队列系统以及基于消息队列系统的消息处理方法 | |
CN105528283A (zh) | 一种移动应用检测负载均衡算法中计算负载值的方法 | |
CN113595776B (zh) | 监控数据处理方法与系统 | |
CN112100029A (zh) | 客户端状态监测方法及相关组件 | |
CN106411583A (zh) | 应用服务器修复装置和方法 | |
CN114490091B (zh) | 工业数据采集管理系统中监控规则引擎性能的方法及装置 | |
WO2012116587A1 (zh) | 相似邮件处理系统和方法 | |
WO2022021858A1 (zh) | 实现分布式系统中高负载场景下服务高可用的方法、系统 | |
CN111669294B (zh) | 监控系统配置方法、装置、监控系统和存储介质 | |
US20230336409A1 (en) | Combination rules creation device, method and program | |
CN113467983A (zh) | 故障的处理方法、装置、设备及可读存储介质 | |
CN112711510A (zh) | 一种业务连续性运行监测自动适配方法及系统 | |
CN112187543A (zh) | 一种云平台事件监控系统、方法及电子设备 | |
WO2024066770A1 (zh) | 信息获取方法、装置和存储介质 | |
KR101655832B1 (ko) | 데이터 프리로드 관리 방법 및 그 단말 | |
CN111459738B (zh) | 基于fail-slow模型的并行存储系统故障诊断方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |