jvm面试题30问

什么是JVM的跨平台?

在这里插入图片描述

什么是JVM的语言无关性?

在这里插入图片描述

什么是JVM的解释执行

在这里插入图片描述

什么是JIT?

在这里插入图片描述
JIT:在Java编程语言和环境中,即时编译器(JIT compiler,just-in-time compiler)是一个把Java的字节码(包括需要被解释的指令的程序)转换成可以直接发送给处理器的指令的程序。

对象一定是在堆中创建吗?

几乎所有的对象都是在堆中创建,但这不是绝对。
热点代码指的是在程序运行时被频繁执行的代码段。
对象逃逸是指当我们在某个方法里创建了一个对象,这个对象除了被这个方法引用,还在方法体之外被其它的变量引用。
在这里插入图片描述

讲一讲JVM的10种垃圾回收器

在这里插入图片描述

什么是垃圾回收中的STW?

STW(stop the world)
会造成用户的卡顿!用户体验非常差!
在这里插入图片描述

什么是可达性分析算法?

可达性的链路分析
做完可达性分析之后,可达的对象就是存活的对象,反之,没有可达的对象就是垃圾,完成JVM中存活对象和垃圾对象的判断!
如果不使用可达性分析的话,使用引用计数法,循环引用的对象计数不为0。
在这里插入图片描述

JVM中的垃圾回收算法

JVM从诞生到现在只有三种垃圾回收算法,分别是:复制算法、标记清除算法和标记整理算法。
复制算法:将可用的内存一分为二,交换复制。效率比较高,适合于新生代。空间利用率只有50%。
标记清除算法:根据可达性分析进行标记,红色不可回收,灰色可回收。效率可以,但是垃圾回收之后内存不连续,存在内存碎片,大对象无法分配。
标记整理算法:在标记清除算法的基础上把存活对象移动到堆空间的一端,从而完成空间的整理。空间利用率可以,但效率比较低。
三种算法各有所长,又各有所短。
在这里插入图片描述

JVM的分代模型

新生代和老年代,在不同的代里面采用不同的垃圾回收算法
**为什么要进行分代?**因为对象的生命周期不一样,有的对象朝生夕死,但是有的对象生命周期比较长,如果堆内存不分代,所有对象存在相同的区域,那么垃圾回收的时候就会变的很复杂。分代后,垃圾回收就可以按区域的不同,采用不同的回收算法,保证整体垃圾回收的高效性。
在这里插入图片描述

CMS垃圾回收器

CMS(Concurrent Mark Sweep)收集器是一种以获取最短回收停顿时间为目标的收集器。
垃圾回收依赖于可达性分析算法
GC Roots数量很少,一般不会很多,可以在初始标记的时候全暂停。
CMS垃圾回收器的特点
优点:进行垃圾回收的时候,部分工作可以并发,暂停时间比较短;
缺点:业务线程和垃圾回收线程同时运行,cpu核心数小于4的时候,CMS垃圾回收器的效率是比较低的;并发清理会出现一种情况,业务线程可以会产生新垃圾(浮动垃圾),本次垃圾回收是处理不了的;并发清理标记清除算法,会产生内存碎片,空间不连续,大对象无法分配。
在这里插入图片描述

G1垃圾回收器

为了实现暂停时间的可预测,使用化整为零的思想,将堆空间分成大小相等的一些独立区域,每个区域叫做region。
在这里插入图片描述

JVM的运行时数据区有哪些?

在这里插入图片描述
在这里插入图片描述

什么是堆内存?堆内存包含哪些部分?

为了提高复制算法的空间利用率,Eden占80%。(绝大数对象都是朝生夕死)
对象一般要经过15次垃圾回收,才能进入老年代。
不同的代采用不同的垃圾回收算法。
在这里插入图片描述

什么是内存溢出?

在这里插入图片描述

什么是内存泄漏?与内存溢出有什么关系?

在这里插入图片描述

对象头包括哪些部分?

在这里插入图片描述
在这里插入图片描述

给定一个具体的类,请分析对象的内存占用

在这里插入图片描述
在这里插入图片描述
对象的整个占用大小应该是8字节的整数倍。
最终实际占用:40个字节。

常用的JVM启动参数有哪些?

在这里插入图片描述
在这里插入图片描述

设置堆空间的最大值(-Xmx)应该要考虑哪些因素?

在这里插入图片描述
在这里插入图片描述

Java8默认使用的垃圾回收器是什么?

在这里插入图片描述

什么是并行垃圾收集?

在这里插入图片描述

什么是STW?什么是安全点,什么是安全区域?

STW STOP THE WORLD
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

如果CPU使用率突然飙升,你会怎么排查?

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

CMS、G1垃圾回收器中的三色标记你了解吗

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

类加载与类加载器

在这里插入图片描述
在这里插入图片描述

什么是双亲委派机制?它有什么作用?

在这里插入图片描述

G1收集器有哪些特点

在这里插入图片描述
在这里插入图片描述

哪些手段来排除OOM的问题?

在这里插入图片描述

使用过那些JVM相关的命令工具?

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
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
在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/7177.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【挑战30天首通《谷粒商城》】-【第一天】02、简介-项目整体效果展示

文章目录 课程介绍 ( 本章了解即可,可以略过)一、 分布式基础 (全栈开发篇) (初中级)二、 分布式高级 (微服务架构篇) ( 高级)三、高可用集群 (架构师提升篇)( 架构 ) one more thing 课程介绍 ( 本章了解即可,可以略过) 1.分布式基础(全栈开发篇)2.分布…

git merge 命令合并指定分支到当前分支

git merge 是一个用于合并两个分支的 Git 命令。当你在不同的分支上工作时&#xff0c;可能会有一些不同的更改。使用 git merge 可以将这些更改合并到一起。以下是一些常见的 git merge 用法示例&#xff1a; 1. 合并当前分支与另一个分支的更改 git merge <branch-name&…

Fireworks AI和MongoDB:依托您的数据,借助优质模型,助力您开发高速AI应用

我们欣然宣布 MongoDB与 Fireworks AI 正携手合作 让客户能够利用生成式人工智能 (AI) 更快速、更高效、更安全地开展创新活动 Fireworks AI由 Meta旗下 PyTorch团队的行业资深人士于 2022 年底创立&#xff0c;他们在团队中主要负责优化性能、提升开发者体验以及大规模运…

Ubuntu22.04有线网络连接但是没网,网络图标显示问号

Ubuntu22.04有线网络连接但是没网&#xff0c;网络图标显示问号 问题描述解决方案 问题描述 有线网络连接 但是没网 且网络图标显示问号 解决方案 进入设置->隐私->在 连接情况 中关闭连接检查 关闭后 网络正常

Typescript语法三

枚举 枚举&#xff08;Enumeration&#xff09;是编程语⾔中常⻅的⼀种数据类型&#xff0c;其主要功能是定义⼀组有限的选项&#xff0c;例 如&#xff0c;⽅向&#xff08;上、下、左、右&#xff09;或季节&#xff08;春、夏、秋、冬&#xff09;等概念都可以使⽤枚举类型…

vue 时间轴页面 自己的写法 欢迎交流指正

<div class"first-box"><!--贯穿线--><div class"vertical-line-wrap"><div class"vertical-line"></div><div class"vertical-line-arrow"></div></div><!--开始--><div c…

理解 C++ 中的 “placement new“ 和 `reinterpret_cast`

概述 在 C 编程中&#xff0c;我们经常会遇到需要进行低级内存操作的情况。在这种情况下&#xff0c;了解和正确使用工具变得至关重要&#xff0c;以确保我们的代码既高效又安全。本文将深入探讨两个在 C 中经常用于低级内存操作的工具&#xff1a;“placement new” 和 reint…

用于图生成的自回归扩散模型 笔记

1 Title Autoregressive Diffusion Model for Graph Generation&#xff08;Lingkai Kong、Jiaming Cui、Haotian Sun、Yuchen Zhuang、B. Aditya Prakash、Chao Zhang&#xff09;【PMLR 2022】 2 Conclusion This study propose an autoregressive diffusion model …

iOS ------ JSONModel源码

一&#xff0c;JSONModel的基本使用 1&#xff0c;基本使用方法 - (instancetype)initWithDictionary:(NSDictionary *)dict error:(NSError **)err; - (instancetype)initWithData:(NSData *)data error:(NSError **)error; - (instancetype)initWithString:(NSString *)str…

Python深度学习基于Tensorflow(3)Tensorflow 构建模型

文章目录 数据导入和数据可视化数据集制作以及预处理模型结构低阶 API 构建模型中阶 API 构建模型高阶 API 构建模型保存和导入模型 这里以实际项目CIFAR-10为例&#xff0c;分别使用低阶&#xff0c;中阶&#xff0c;高阶 API 搭建模型。 这里以CIFAR-10为数据集&#xff0c;C…

9.4.k8s的控制器资源(job控制器,cronjob控制器)

目录 一、job控制器 二、cronjob控制器 一、job控制器 job控制器就是一次性任务的pod控制器&#xff0c;pod完成作业后不会重启&#xff0c;其重启策略是&#xff1a;Never&#xff1b; 简单案例 启动一个pod&#xff0c;执行完成一个事件&#xff0c;然后pod关闭&#xff1b;…

初识指针(2)<C语言>

前言 前文介绍完了一些指针基本概念&#xff0c;下面介绍一下&#xff0c;const关键字、指针的运算、野指针的成因以及避免&#xff0c;assert函数等。 目录 const&#xff08;常属性&#xff09; 变量的常属性 指针的常属性 指针的运算 ①指针 -整数 ②指针-指针 ③指针与…

Enhanced-Rtmp支持H265

Enhanced-Rtmp支持H265 千呼万唤使出来&#xff0c;rtmp/flv算是有统一支持H265的国际版本。本文介绍一下&#xff1a; 现存rtmp/flv支持H265的方式;Enhanced-Rtmp协议如何支持H265;ffmpeg/obs/srs/media-server各个开源的实现;国内方案与国外方案的兼容性问题; 1. rtmp/flv…

安卓内存机制

目录 前言一、内存 LowMemoryKiller二、常用的内存调优分析命令&#xff1a; 前言 安卓内存知识&#xff0c;不定期更新… 一、内存 LowMemoryKiller Android的设计理念之一&#xff0c;便是应用程序退出,但进程还会继续存在系统以便再次启动时提高响应时间. 这样的设计会带…

初识JDBC

1、JDBC是什么&#xff1f; Java DataBase Connectivity(Java语言连接数据库) 2、JDBC的本质是什么&#xff1f; JDBC是SUN公司制定的一套接口(interface) java.sql.*;(这个包下有很多接口) 接口都有调用者和实现者。 面向接口调用、面向接口写实现类&#xff0c;这都属于…

mysql的导入与导出

mysql表的导入与导出 导出 直接在命令行中输入&#xff08;注意不需要进入mysql&#xff09; mysqldump -u root -p my_database > C:/Users/xxx/Desktop/all.sql然后他会要求你输入数据库的密码 导入 同样也是直接在命令行中输入 mysql -u root -p my_database < …

JAVA安装linux环境安装maven

linux安装java 下载java8,地址为&#xff1a; https://www.oracle.com/cn/java/technologies/downloads/#java8&#xff0c;下载后缀为tar.gz的解压 tar -zxvf jdk-8u381-linux-x64.tar.gz移动 mv jdk1.8.0_381/ /usr/local/环境变量 export JAVA_HOME/usr/local/jdk1.8.0_38…

【Osek网络管理测试】[TG3_TC6]等待总线睡眠状态_2

&#x1f64b;‍♂️ 【Osek网络管理测试】系列&#x1f481;‍♂️点击跳转 文章目录 1.环境搭建2.测试目的3.测试步骤4.预期结果5.测试结果 1.环境搭建 硬件&#xff1a;VN1630 软件&#xff1a;CANoe 2.测试目的 验证DUT在满足进入等待睡眠状态的条件时是否进入该状态 …

17 内核开发-内核内部内联汇编学习

​ 17 内核开发-内核内部内联汇编学习 课程简介&#xff1a; Linux内核开发入门是一门旨在帮助学习者从最基本的知识开始学习Linux内核开发的入门课程。该课程旨在为对Linux内核开发感兴趣的初学者提供一个扎实的基础&#xff0c;让他们能够理解和参与到Linux内核的开发过程中…

英伟达推出视觉语言模型:VILA

NVIDIA和MIT的研究人员推出了一种新的视觉语言模型(VLM)预训练框架&#xff0c;名为VILA。这个框架旨在通过有效的嵌入对齐和动态神经网络架构&#xff0c;改进语言模型的视觉和文本的学习能力。VILA通过在大规模数据集如Coy0-700m上进行预训练&#xff0c;采用基于LLaVA模型的…