что такое профилирование java

Руководство по профилировщикам Java

1. Обзор

Иногда просто написать код, который просто запускается, недостаточно. Возможно, нам захочется узнать, что происходит внутри, например, как распределяется память, последствия использования одного подхода к кодированию по сравнению с другим, последствия одновременного выполнения, области для повышения производительности и т. Д. Мы можем использовать для этого профилировщики.

В этой статье мы обсудим основные профилировщики Java: JProfiler, YourKit, Java VisualVM и Netbeans Profiler.

2. JProfiler

Обладая этой информацией, мы можем легко узнать, что нам нужно оптимизировать, исключить или изменить в базовой системе.

Вот как выглядит интерфейс JProfiler:

Обзорный интерфейс JProfiler с функциями

На приведенном ниже снимке экрана показан интерфейс проверки JDBC со списком текущих подключений:

Просмотр проверки базы данных JProfiler

Если мы хотим узнать о дереве вызовов взаимодействий с нашей базой данных и увидеть соединения, которые могут просочиться, JProfiler прекрасно справится с этим.

В случае дерева вызовов распределения мы можем выбрать просмотр дерева вызовов живых объектов, объектов со сборкой мусора или того и другого. Мы также можем решить, должно ли это дерево распределения быть для определенного класса или пакета или для всех классов.

На приведенном ниже экране показано использование оперативной памяти всеми объектами с количеством экземпляров:

Просмотр живой памяти JProfiler

3. YourKit

YourKit Java Profiler работает на многих различных платформах и обеспечивает отдельные установки для каждой поддерживаемой операционной системы (Windows, MacOS, Linux, Solaris, FreeBSD и т. Д.).

Вот краткий обзор результатов профилирования памяти серверного приложения Tomcat:

Профиль памяти YourKit Java Profiler серверного приложения Tomcat

YourKit имеет интересную функцию профилирования ЦП, которая позволяет целенаправленно профилировать определенные области нашего кода, например методы или поддеревья в потоках. Это очень мощный инструмент, позволяющий выполнять условное профилирование с помощью функции «что, если».

На рисунке 5 показан пример интерфейса профилирования потоков:

Рисунок 5. Интерфейс профилирования потоков YourKit Java Profiler

Мы также можем профилировать вызовы баз данных SQL и NoSQL с помощью YourKit. Он даже дает представление о фактически выполненных запросах.

Хотя это не является техническим соображением, модель разрешающего лицензирования YourKit делает его хорошим выбором для многопользовательских или распределенных групп, а также для покупок с одной лицензией.

4. Java VisualVM

Ниже мы можем увидеть простой обзорный интерфейс текущего сеанса профилирования с использованием Java VisualVM:

Профилирование приложения локального сервера Tomcat Java VisualVM

Ниже мы можем увидеть внешний вид памяти приложения Java, профилированного с помощью Java VisualVM:

Гистограмма кучи памяти Java VisualVM

5. Профилировщик NetBeans

Все другие описанные выше профилировщики предоставляют плагины для улучшения интеграции IDE.

На снимке экрана ниже показан пример интерфейса профилировщика NetBeans:

Интерфейс телеметрии Netbeans Profiler

6. Другие твердотельные профилировщики

7. Заключение

В этой статье мы обсудили профилирование и профилировщики Java. Мы рассмотрели особенности каждого Profiler и то, что определяет потенциальный выбор одного из них.

Доступно множество профилировщиков Java, некоторые из которых обладают уникальными характеристиками. Выбор профилировщика Java для использования, как мы видели в этой статье, в основном зависит от инструментов, выбранных разработчиком, требуемого уровня анализа и функций профилировщика.

Источник

Java VisualVM представляет данные для местных применений и удаленных приложений на вкладке, определенной для того приложения. У Вас могут быть многократные открытые вкладки приложения. Каждая вкладка приложения содержит подвкладки, которые выводят на экран различные типы информации о приложении.

Профилирование приложений

Вкладка Profiler приложения позволяет Вам запустить и остановить сеанс профилирования местного применения. Профилирующие результаты выводятся на экран на вкладке Profiler. Можно использовать панель инструментов, чтобы обновить результаты профилирования, вызвать сборку «мусора» и сохранить данные профилирования.

По умолчанию инструмент профилирования не работает, пока Вы не готовы профилировать приложение. Можно выбрать из следующих опций профилирования:

Когда Вы запускаете сеанс профилирования, Java, VisualVM присоединяет к местному применению и начинает собирать данные профилирования. Когда профилирование результатов доступно, они автоматически выводятся на экран на вкладке Profiler.

Используя панель инструментов

Можно использовать следующие кнопки на панели инструментов Profiling Results, чтобы работать с профилированием результатов:

Фильтрация результатов профилирования

Поле фильтра ниже результатов профилирования позволяет Вам фильтровать выведенные на экран результаты согласно имени метода. Чтобы фильтровать результаты, введите термин в поле фильтра имени метода, выберите который, фильтруя метод, чтобы использовать и нажать Возврат. Можно видеть и выбрать предыдущие сроки фильтра, щелкая по стрелке направо от поля фильтра имени метода.

Изменение настроек профилирования

Java инструмент профилирования VisualVM предоставляет настройки по умолчанию для того, чтобы профилировать приложения. Можно просмотреть настройки по умолчанию, устанавливая флажок Settings на вкладке Profiler. Можно изменить настройки профилирования, когда никакой сеанс профилирования не происходит.

Профилирование ЦП

Эта команда профиля возвращает подробные данные по производительности ЦП на уровне метода (время выполнения), показывая полное время выполнения и число вызовов для каждого метода. Анализируя производительность приложения, Java инструменты VisualVM все методы профилируемого приложения. Потоки испускают «событие» записи метода, вводя метод и генерируют соответствующее «событие» выхода метода, выходя из метода. Оба из этих событий содержат метки времени. Эти данные обрабатываются в режиме реального времени.

Снимок экрана вкладки Profiler, показывая результаты профилирования ЦП

Снимок экрана вкладки Profiler, показывая настройки профилирования ЦП

Профилирование памяти

Когда Вы анализируете использование памяти, Java VisualVM начинает инструментовать загруженные классы и выводит на экран общее количество объектов, выделенных каждым классом (включая классы массива) в таблице. Для каждого класса в настоящий момент загруженный класс в виртуальной машине Java (JVM) результаты профилирования выводят на экран размер и число объектов, выделенных начиная с запущенного сеанса профилирования. Результаты автоматически обновляются, поскольку новые объекты выделяются и поскольку новые классы загружаются.

Java VisualVM выводит на экран число объектов как абсолютное число и как процент. Выделенные байты также выводятся на экран как график, представляющий процент байтов так же как общее количество байтов, выделенных каждым классом.

Снимок экрана вкладки Profiler, показывая результаты профилирования памяти

Снимок экрана вкладки Profiler, показывая настройки профилирования памяти

Взятие Снимков Профилировщика

Java VisualVM позволяет Вам взять снимки профилировщика, чтобы получить результаты сеанса профилирования. Снимок профилировщика получает результаты в настоящее время, снимок берется. Чтобы взять снимок, нажмите кнопку Snapshot of Collected Results Взятия на панели инструментов, в то время как сеанс профилирования происходит. Когда Вы берете снимок, снимок открывается как вкладка на вкладке приложения. Узел для снимка также появляется под узлом приложения в окне Приложений.

Снимок экрана снимка профилирования памяти

Снимок экрана снимка профилирования ЦП

Для больше о снимках профилировщика, см. следующий документ:

Источник

Что такое профилирование и как я могу профилировать свою программу Java?

Я много слышал о профилировании. Что все это значит? Насколько я понимаю, это своего рода измерение производительности, но может ли кто-нибудь более четко сформулировать это, чтобы новичок мог понять эту идею. Кроме того, я использую Eclipse IDE для своей программы Java. Могу ли я профилировать свою программу с помощью Eclipse IDE? Какие факторы следует учитывать при профилировании (я имею в виду лучшие практики)?

4 ответа

Я пытаюсь профилировать программу веб-поиска Java под названием Nutch из исходного кода. Насколько я понимаю, для профилирования мне нужно включить профилирование в компиляторе, чтобы сгенерировать файл профиля, который будет открыт в такой программе, как GProf. Как это сделать, если все, что я.

У меня есть приложение, которое состоит из нескольких сценариев python. Некоторые из этих сценариев вызывают код C. Теперь приложение работает гораздо медленнее, чем раньше, поэтому я хотел бы профайлировать его, чтобы увидеть, в чем заключается проблема. Есть ли инструмент, программный пакет или.

Профилирование в основном показывает, как часто выполняется данная строка кода и сколько времени было потрачено на нее (по сравнению с другими строками). Это позволяет легко определить место, где ваш код проводит большую часть времени.

Это, в двух словах, профилирование.

Eclipse предлагает встроенные возможности профилирования, и мне сказали, что они довольно хороши, но поскольку я их не знаю, пусть кто-нибудь другой ответит на этот вопрос.

Конрад прав, но профилирование охватывает и другие аспекты вашей программы, такие как потребление памяти.

Похожие вопросы:

Я часто использую Java приложений с VisualVM, но для запуска на машине ему нужен X. Я знаю, что могу подключиться через порт управления, но это будет автономное выборочное профилирование, которого.

У меня есть программа, которая выполняет waaaay по номиналу, и я хотел бы ее профилировать. Тем не менее, он многопоточный, поэтому я не могу найти хороший способ профилировать эту вещь.

Я пытаюсь профилировать программу веб-поиска Java под названием Nutch из исходного кода. Насколько я понимаю, для профилирования мне нужно включить профилирование в компиляторе, чтобы сгенерировать.

У меня есть приложение, которое состоит из нескольких сценариев python. Некоторые из этих сценариев вызывают код C. Теперь приложение работает гораздо медленнее, чем раньше, поэтому я хотел бы.

Я использовал Firebug для профилирования моделирования упругих частиц javascript. Моим последним изменением было перемещение кода моделирования в рабочий поток, отделяющий его от кода рендеринга.

У меня есть Mex-функция (функция в c++, которую вы можете вызвать из Matlab), которую я написал, и я хочу профилировать ее с помощью valgrind/kcachegrind. я знаю, как использовать.

При профилировании с помощью такого инструмента, как VisualMV, в каком порядке должны выполняться программы? Программа, которую я хочу профилировать, работает относительно быстро и не ждет, пока.

Можно ли профилировать использование памяти проектов java в AWS Lambda с помощью классов или пакетов всех объектов в куче? Профилирование памяти кучи :

Источник

Мониторинг и профилирование Spring Boot приложения

Мониторинг очень важен для современных приложений, современные приложения по своей природе сильно распределены и имеют разные зависимости, такие как база данных, службы, кеширование и многое другое. Поэтому все более важны отслеживание и мониторинг этих служб, чтобы приложение придерживалось условий SLA ( Service Level Agreement). SLA — это соглашение между клиентом и поставщиком услуг, в нем учитываются надежность, скорость отклика и другие показатели уровня обслуживания.

Мы всегда стараемся не нарушать никаких SLA, нарушение любой части SLA может иметь множество последствий. Если услуга не соответствует условиям, определенным в SLA, она можкт нанести ущерб репутации бренда и привести к потери дохода. Хуже всего то, что компания может потерять клиента в пользу конкурента из-за своей неспособности удовлетворить требования клиента к уровню обслуживания.

Какие показатели нужно отслеживать?

Доступность услуги : время, в течение которого услуга доступна для использования. Это может быть измерено с точки зрения времени отклика, например, процентиль X, сокращенно обозначаемый как pX, например, p95, p99, p99.999. Не для всех сервисов требуется p99,999, системы с гарантированной высокой доступностью, такие как электронная коммерция, поиск, оплата и т. д., должны иметь более высокое SLA.

Уровень дефектов: несмотря на все усилия по разработке системы, ни одна система не является идеальной на 100%. Мы должны подсчитывать процент ошибок в основных потоках. В эту категорию могут быть включены производственные сбои, такие как ошибка сервера, ошибка запроса базы данных, ошибка соединения, сетевые ошибки и пропущенные сроки.

Безопасность: в наши сверх регулируемые времена нарушения безопасности приложений и сети могут быть дорогостоящими. В эту категорию можно включить измерение контролируемых мер безопасности, таких как доступ к системе, несанкционированный доступ к базе данных, массовая загрузка записей базы данных или перемещение больших объемов данных.

Бизнес-результаты: ИТ-клиенты все чаще хотят включать метрики бизнес-процессов в свои SLA, чтобы можно было принимать более правильные бизнес-решения. В этой категории могут быть собраны различные данные, такие как количество пользователей, посетивших страницу, активность входа, эффективность купона и т. д.

Вначале выбор набора показателей может быть нетривиальной задачей, также мы можем столкнуться с дилеммой того, сколько показателей нам следует отслеживать. Мы можем начать с самого минимума и добавить столько, сколько понадобится позже.

Настройка мониторинга

Типичная система настройки мониторинга будет состоять из трех компонентов

Панель инструментов (панель будет использоваться для визуализации данных, хранящихся в хранилище метрик).

Приложения, которые будут продолжать отправлять метрики в хранилище метрик или хранилище метрик, периодически извлекают данные из локального состояния приложения.

У нас могут быть и другие компоненты, например, оповещение, где каналами оповещения могут быть электронная почта, Slack или любые другие. Компонент оповещения будет отправлять оповещения владельцам приложений или подписчикам событий. Мы собираемся использовать Grafana как панель управления и систему оповещений, Prometheus как систему хранения метрик.

Создайте проект с помощью инициализатора Spring Boot, добавьте столько зависимостей, сколько нам нужно. Мы собираемся использовать библиотеку Micrometer, это инструментальный фасад, который обеспечивает привязки для многих хранилищ метрик, таких как Prometheus, Datadog и New Relic, и это лишь некоторые из них.

Из коробки Micrometer обеспечивает

Метрики, относящиеся к системе кэширования и т. д.

Некоторые метрики включены по умолчанию, тогда как другие можно включить, отключить или настроить. Мы будем использовать файл application.properties для включения, отключения и настройки метрик. Нам также нужно использовать Spring boot actuator, так как он откроет доступ к конечной точке Prometheus.

Добавьте эти зависимости в файл build.gradle:

Мы можем включить экспорт Prometheus, добавив следующую строку в файл свойств.

После добавления этой строки Micrometer начнет накапливать данные о приложении, и эти данные можно будет просмотреть, перейдя на конечную точку actuator/Prometheus. Эта конечная точка будет использоваться в скрипте Prometheus для получения данных с наших серверов приложений.

Несмотря на то, что мы добавили эту строку в свойствах, мы не можем просматривать конечную точку Prometheus, поскольку она отключена по умолчанию, мы можем открыть ее, используя конечную точку управления, включив Prometheus в список.

ПРИМЕЧАНИЕ. Не включайте все конечные точки actuator, так как это может открыть лазейку в системе безопасности. Мы должны выбирать их выборочно, особенно в производственной системе, даже если мы хотим, не раскрывать конечную точку для всего мира, так как она может раскрыть большой объем данных о приложении, использовать какой-то прокси или какое-то правило, чтобы скрыть данные от внешнего мира.

Различные части HTTP-запросов настраиваются, например SLA, настройка признака должна быть вычислена или нет гистограмма процентилей делается с помощью свойств metrics.distribution.

В примере application.properties могут быть такие строки

Теперь, если мы запустим приложение и перейдем на страницу http://locahost:8080/actator/prometheus, будет отображаться чертовски много данных.

Приведенные выше данные отображают детали HTTP-запроса, exception=None означает, что исключение не произошло, если оно есть, мы можем использовать это для фильтрации количества запросов, которые не удалось выполнить из-за этого исключения, method=GET имя метода HTTP. status=200 HTTP статус равен 200, uri=/actator/prometheus отображает путь URL, le=xyz отображает время обработки, N.0 отображает количество вызовов этой конечной точки.

Эти данные представляют собой гистограмму, которую можно построить в Grafana, например, чтобы построить график p95 за 5 минут, мы можем использовать следующий запрос.

В Grafana можно построить и другие графики показателей, например круговую диаграмму и т. д.

Пользовательские показатели

Часто нам нужны специальные метрики, некоторые из сценариев использования — это количество вошедших в систему пользователей, сведения о запасах доступных, в настоящее время, количество заказов в очереди и т. д. Некоторые из бизнес сценариев использования могут быть решены с использованием пользовательских метрик, микрометра. поддерживает различные типы показателей, такие как таймер, датчик, счетчик, сводки распределения, таймеры для длительных задач и т. д. В основном мы сосредоточимся на датчике и счетчике. Датчик дает нам мгновенные данные, такие как длина очереди, тогда как счетчик похож на монотонно увеличивающееся число, начинающееся с единицы.

Для демонстрации этого мы собираемся создать пример менеджера запасов, который будет хранить детали в памяти и обеспечит две функции:

В демонстрационных целях мы добавим две конечные точки для добавления товаров и получения товаров.

Давайте сначала добавим десять товаров, используя два вызова API:

Теперь, если мы перейдем к конечным точкам Prometheus, то увидим следующие данные, которые показывают, что в настоящее время у нас есть 10 товаров на складе.

Теперь мы собираемся разместить заказ на 3 товара:

Теперь, если мы посмотрим конечную точку Prometheus, мы получим следующие данные, которые показывают, что размер запаса был изменен до семи.

Кроме того, мы видим, что на счетчике добавлено значение 1, это означает, что размещен один ордер.

Профилирование

Чаще всего профилирующая информация помогает оптимизировать программу. Профилирование достигается путем сбора характеристик работы программы, таких как время выполнения отдельных фрагментов (обычно подпрограмм), число верно предсказанных условных переходов, число кэш-промахов и т. д. Инструмент, используемый для анализа работы, называют профилировщиком или профайлером (profiler). Профилировщики могут использовать ряд различных методов, таких как методы, основанные на событиях, статистические, инструментальные методы и методы моделирования. — Википедия

Профилирование очень полезно при диагностике системных проблем, например, сколько времени занимает HTTP-вызов, если он занимает N секунд, а затем, где все это время было потрачено, каково распределение N секунд между различными запросами к базе данных, вызовами последующих служб и т. д. Мы можем использовать гистограмму для построения графика распределения на панели инструментов, также мы можем использовать счетчик для измерения количества запросов к БД и т. д. Для профилирования нам необходимо внедрить код во многие функции, которые будут выполняться как часть выполнения метода.

Важно то, что внедряемая часть кода профилирования одинакова для профилировщиков аналогичных типов, что означает, что нам нужно скопировать и вставить аналогичный код в тысячи мест, если нам нужно что-то изменить, нам нужно обновить то же самое. Код профилировщика в каждом файле и, вероятно, в каждой функции, требующей профилирования, повысит сложность и может стать создать полный беспорядок, впрочем мы можем избежать этого беспорядка, используя аспектно-ориентированное программирование (АОП).

Короче говоря, АОП работает по шаблону проектирования прокси, хотя его можно реализовать и с помощью модификации байтового кода.

Всякий раз, когда вызывается метод, мы ожидаем, что вызываемый метод будет вызываться напрямую без каких-либо промежуточных шагов, но когда AOP помещается на место, тогда вызов метода перехватывается прокси-методом, а прокси-метод вызывает целевой метод, прокси-метод возвращает результат для вызывающего абонента, как показано на рисунке ниже.

Система зависит от других систем, поэтому мы можем быть заинтересованы в профилировании различных компонентов по-разному, например, вызовов базы данных, HTTP-запросов, последующих вызовов служб или некоторых конкретных методов, которые являются критическими или хотели бы увидеть, что происходит в некоторых конкретных методах. Мы можем использовать ту же библиотеку Micrometer для профилирования, но это может быть не совсем то, что нам нужно, поэтому мы изменим код.

Micrometer поставляется с аннотацией Timed, эту аннотацию можно разместить в любом public методе, так как название предполагает, что она может измерять время выполнения, это будет измерять время выполнения соответствующего метода. Вместо того, чтобы напрямую использовать эту аннотацию, мы расширим эту аннотацию для поддержки других функций, таких как ведение журнала, повторная попытка и т. Д.

Аннотация Timed бесполезна без бина TimedAspect, поскольку мы переопределяем аннотациюTimed, поэтому мы также определим класс TimedAspect в соответствии с потребностями, такими как ведение журнала, массовое профилирование (профилируйте все методы в пакете без добавления каких-либо аннотаций к любому методу или классу), повторить попытку и т. д. В этой истории мы рассмотрим три сценария использования:

Специфический для профиля метод.

Созадим файл java MonitoringTimed.java, в который мы добавим новое поле с именем loggingEnabled, это поле будет использоваться для проверки, включено ли ведение журнала или нет, если оно включено, а затем регистрировать аргументы метода и возвращаемые значения.

Метод TimedMethod с аннотацией Around используется для фильтрации всех вызовов методов, аннотированных с помощью MonitoringTimed.

Для массового профилирования мы определим класс профилировщика, который будет работать с фильтрацией на уровне пакета. Например, для профилирования HTTP-запроса мы можем добавить ControllerProfiler, который будет обрабатывать профилирование всех общедоступных методов, доступных в пакете контроллера.

Интересной строкой в приведенном выше коде является @Pointcut(“execution(com.gitbub.sonus21.monitoring.controller...*(..))”), которая определяет pointcut, выражение pointcut может быть определено с использованием логических операторов вроде not (!), or (||), and (&&). После того, как метод квалифицирован согласно выражению pointcut, он может вызвать соответствующий метод, определенный с помощью аннотации [at]Around. Поскольку мы определили метод profile, который будет вызываться, мы также можем определить другие методы, используя аннотации [at]After, [at]Before и т. д.

После добавления нескольких элементов с помощью метода POST мы можем увидеть следующие данные в конечной точке Prometheus.

Мы можем напрямую использовать аннотацию MonitoringTimed также для любого метода для измерения времени выполнения, например, давайте измерим, сколько времени StockManager метод addItems тратит на добавление элементов.

Как только мы запустим приложение и добавим несколько элементов, мы увидим следующее в конечной точке Prometheus.

MonitoringTimed можно дополнительно настроить, например, можно добавить количество повторных попыток для поддержки повторных попыток в случае сбоя, записать аргументы функции в случае сбоя, чтобы позже можно было проанализировать причину сбоя.

Источник