我的生态
🧭
Java 面试指南覆盖面试高频考点，助你从容应对技术面试

    分层编译（Tiered Compilation）

    理解分层编译，是理解 JVM 如何在不同阶段选择不同优化策略的基础。

    为什么需要分层编译

    传统的 JVM 面临一个权衡：

    选择优点缺点
    只用 C1启动快峰值性能差
    只用 C2峰值性能好启动慢

    分层编译解决了这个矛盾：

    flowchart TB
    subgraph 传统策略
        A1["只解释"] -->|"慢"| B1["只 C2"]
        B1 -->|"等待编译"| C1["峰值性能"]
    end
    
    subgraph 分层编译
        A2["解释"] -->|"快速"| B2["C1"]
        B2 -->|"继续优化"| C2["C2"]
        C2 -.->|"去优化"| B2
    end

    分层编译的四个层次

    flowchart TB
    subgraph 分层编译层级
        T0["Tier 0: 解释执行\nInterpreted"]:::tier0
        T1["Tier 1: C1 编译\n快速编译"]:::tier1
        T2["Tier 2: C1 + Profiling\n采集数据"]:::tier2
        T3["Tier 3: C2 编译\n深度优化"]:::tier3
    end
    
    T0 -->|"热点探测"| T1
    T1 -->|"采样发现热点"| T2
    T2 -->|"继续热点"| T3
    T3 -.->|"去优化"| T2
    T2 -.->|"去优化"| T1
    T1 -.->|"去优化"| T0

    各层详解

    层级编译器编译速度优化程度说明
    0解释器--初始状态
    1C1快低快速响应热点
    2C1+Profiling中中采集运行数据
    3C2慢高深度优化

    Tier 0：解释执行

    • 字节码直接被解释执行
    • 统计方法调用次数和回边次数
    • 不生成任何编译代码

    Tier 1：C1 快速编译

    • 方法调用次数超过阈值后触发
    • 使用 C1 编译器快速生成代码
    • 不进行深度优化

    Tier 2：C1 + Profiling

    • C1 编译后继续统计 profiling 数据
    • 采集类型信息、分支信息等
    • 为 C2 编译提供数据

    Tier 3：C2 深度优化

    • 基于 profiling 数据进行激进优化
    • 生成高质量机器码
    • 可能进行去优化

    分层编译的配置

    启用分层编译

    分层编译在 JDK 8+ 默认启用：

    # 显式启用
java -XX:+TieredCompilation -jar application.jar

# 禁用分层编译
java -XX:-TieredCompilation -jar application.jar

    编译阈值参数

    参数说明默认值
    -XX:CompileThresholdTier 1 触发阈值10000
    -XX:Tier3InvocationThresholdTier 3 触发阈值20000
    -XX:Tier3BackEdgeThresholdTier 3 回边阈值200000
    -XX:Tier3MinInvocationThresholdTier 3 最小调用阈值1000

    编译线程数

    参数说明默认值
    -XX:CICompilerCountC1+C2 编译线程总数CPU 核数
    -XX:CICompilerCountPerCPU每个 CPU 的编译线程数0.25

    分层编译的工作流程

    正常编译路径

    sequenceDiagram
    participant JVM as JVM
    participant Int as 解释器
    participant C1 as C1 编译器
    participant C2 as C2 编译器
    
    JVM->>Int: 调用方法
    loop 10000 次
        Int->>Int: 解释执行
        Int->>JVM: 更新调用计数
    end
    
    JVM->>C1: 触发 Tier 1 编译
    C1-->>JVM: 生成 Tier 1 代码
    
    loop 采集 profiling
        JVM->>JVM: 执行 Tier 1 代码
        JVM->>JVM: 采集类型/分支信息
    end
    
    JVM->>C2: 触发 Tier 3 编译
    C2-->>JVM: 生成 Tier 3 代码

    去优化路径

    sequenceDiagram
    participant JVM as JVM
    participant Int as 解释器
    participant C1 as C1 编译器
    participant C2 as C2 编译器
    
    JVM->>C2: 生成 Tier 3 代码
    JVM->>JVM: 执行优化代码
    
    alt 优化假设失败
        JVM->>C2: 检测到假设失败
        C2-->>JVM: 去优化
        JVM->>Int: 回退到解释执行
        JVM->>C1: 重新编译
    end

    分层编译的优势

    1. 快速启动

    flowchart LR
    subgraph 传统模式
        A["启动"] --> B["C2 编译等待\n2~5秒"]
        B --> C["峰值性能"]
    end
    
    subgraph 分层模式
        D["启动"] --> E["C1 编译\n毫秒级"]
        E --> F["C2 编译\n后台进行"]
        F --> G["峰值性能"]
    end
    
    style B fill:#ff6b6b
    style E fill:#00b894

    2. 更快的预热

    分层编译让应用更快达到峰值性能：

    阶段传统模式分层编译
    0~100ms解释执行解释执行
    100ms~1sC2 编译中C1 已生效
    1s~10s逐步优化C2 逐步生效

    3. 适应不同负载

    分层编译能适应不同的热点分布：

    • 启动期：主要是 Tier 0 和 Tier 1
    • 预热期：Tier 2 采集数据
    • 稳定期：Tier 3 达到峰值性能

    分层编译的监控

    JIT 日志

    # 开启编译日志
java -XX:+UnlockDiagnosticVMOptions \
     -XX:+LogCompilation \
     -XX:LogFile=/tmp/jit.log \
     -jar application.jar

# 分析日志
# tier='1' 表示 C1 编译
# tier='2' 表示 C1 + Profiling
# tier='3' 表示 C2 编译
grep "tier='3'" /tmp/jit.log | head -20

    PrintCompilation

    # 使用 -XX:+PrintCompilation
java -XX:+PrintCompilation \
     -XX:+UnlockDiagnosticVMOptions \
     -jar application.jar

# 输出示例
10  234 %  !   com.example.MyClass::method @ 5 <compiled>
20  567    n   java.lang.System::arraycopy <native>
30  890 %  @    com.example.MyClass::loop @ 10 <made not entrant>

    日志符号说明

    符号说明
    %OSR（栈上替换）编译
    !有异常处理的编译方法
    nnative 方法
    @指定热点位置

    分层编译的注意事项

    1. 代码缓存

    分层编译会生成多层代码，需要更大的代码缓存：

    # 增加代码缓存
java -XX:ReservedCodeCacheSize=100m \
     -XX:+UseCodeCacheFlushing \
     -jar application.jar

    2. 编译线程

    编译线程数影响编译速度：

    # 减少编译线程（如果 CPU 紧张）
java -XX:CICompilerCount=2 \
     -jar application.jar

# 增加编译线程（加快预热）
java -XX:CICompilerCount=8 \
     -jar application.jar

    3. 内存开销

    分层编译需要额外的 profiling 数据：

    // profiling 数据存储
// 每个编译方法都需要存储：
// - 类型信息
// - 分支统计
// - 调用计数

    适用场景

    分层编译适合几乎所有场景，特别是：

    1. 服务应用：需要快速启动并达到峰值性能
    2. 微服务：启动时间直接影响资源利用
    3. 容器化部署：启动快意味着更快的弹性伸缩
    4. 长时间运行：预热后达到最优性能