在複雜的生產環境中定位 Java 記憶體問題，無論是隱蔽的記憶體洩漏還是由高頻物件建立引發的 GC 壓力，始終是效能工程中的一大挑戰。傳統的堆轉儲 (Heap Dump) 分析方法，不僅可能引發“Stop-the-World” (STW) 導致服務長時間停頓，而且其“離線屍檢”的模式也使分析過程極為耗時，且難以捕捉瞬時問題。

本文將分享一種非侵入式的“線上分析”實踐。我們將透過一個訂單系統的案例，展示如何利用 OpenResty XRay，在不暫停服務、不依賴安全點的前提下，系統化地診斷執行中 JVM 的記憶體問題。您將看到我們如何透過三個步驟層層遞進，精準定位問題：

• 定位洩漏：使用 GC 物件引用分析，快速找到非預期的記憶體駐留根源。
• 排查抖動：透過 GC 物件分配次數分析，發現高頻建立物件的程式碼路徑。
• 最佳化體積：利用 GC 物件分配大小分析，定位“大物件”的建立源頭。

1. 背景與問題

在一次客戶的訂單系統的效能回歸測試中，我們觀察到一個典型的記憶體異常現象：應用的堆記憶體曲線呈持續上升趨勢，即便在多次 Full GC 之後，堆空間佔用仍未見明顯回落。

根據工程經驗，這種現象通常指向兩個潛在問題：

1. 存在記憶體洩漏 (Memory Leak)，即部分物件在失去引用後本應被回收，但由於非預期的 GC Root 引用鏈存在，導致它們常駐記憶體。
2. 在特定的業務路徑上存在高頻的物件建立“抖動” (Memory Churn)，即大量短暫物件的建立和銷燬導致 Young GC 壓力過大，進而頻繁觸發 Full GC。

傳統的堆轉儲 (Heap Dump) 分析方法，如使用 jmap 匯出 HPROF 檔案再透過 MAT 等工具離線分析，雖然功能強大，但在生產環境下面臨挑戰。匯出數 GB 大小的堆快照本身會引發長時間的 STW (Stop-the-World)，對線上服務是不可接受的。

為了在不中斷服務、不引入明顯效能開銷的前提下進行“線上”診斷，我們採用 OpenResty XRay 對執行中的 JVM 進行分析。

2. 系統化的診斷路徑：從洩漏到抖動

我們採用了“從面到點”的診斷策略，首先確認是否存在洩漏，然後排查分配頻率與大小問題。

2.1 診斷記憶體洩漏：定位 GC Root

首要任務是確認是否存在記憶體洩漏，並找到洩漏源。我們使用了 OpenResty XRay 的 GC 物件引用關係分析器。

啟動分析後，火焰圖報告清晰地將記憶體中的物件分為兩類：

• Dead GC objects：已死亡、等待回收的物件（可忽略）。
• 被 GC root 引用的物件：存活的物件（排查重點）。

我們重點排查後者。沿著 GC root 引用鏈逐層展開，分析工具清晰地指向了記憶體佔用的集中點：OrderProcessingService$OrderService 例項。

進一步深入，發現記憶體主要被該例項的兩個欄位持有：

• notificationQueue (一個併發佇列)
• paymentRecords (一個支付記錄陣列)

透過分析引用路徑我們確認，這些集合中的物件本應在業務流程結束後被移除，但由於邏輯缺陷，導致它們的生命週期超出了預期，證實了記憶體洩漏點的存在。

2.2 分析分配頻率：發現記憶體“抖動”

定位洩漏點後，第二個問題是：是否存在不必要的記憶體“抖動”？高頻的記憶體分配會加劇 GC 壓力，即使沒有洩漏，也會拖累系統吞吐量。

透過 OpenResty XRay 的 GC 物件分配次數分析器，我們得到了按程式碼路徑分類的物件建立頻率火焰圖。

報告顯示，createOrder 方法 (@OrderProcessingService.java:118) 的物件建立次數，也就是火焰圖中的寬度，要顯著高於其他業務路徑。

高頻的物件建立，尤其是進入老年代，會導致 Young GC 頻繁觸發，並且可能加速老年代的填充，這會增加 STW 時間，進而拖慢 P99 響應延遲。

2.3 分析分配大小：揪出“大物件”

最後，我們檢查了“大物件”問題，即是否存在某些路徑在頻繁建立體積龐大的物件。

我們切換到 GC 物件分配大小分析器。GC 物件分配火焰圖按照取樣區間內建立的 GC 物件總大小進行統計。建立的物件總大小越大，在圖上的佔比越高。

分析報告指出，generateOrderId 方法 (@OrderProcessingService.java:155) 及其下游呼叫，雖然在次數上不佔優，但在記憶體體積佔用上卻非常突出，主要原因是頻繁建立了體積較大的字串物件。

經評估，該 ID 生成邏輯有很高的重複率，適合引入快取。透過對字串生成邏輯進行快取化改造，我們顯著降低了該路徑的堆佔用峰值。

3. 診斷效率與系統增益

藉助 OpenResty XRay 的三個分析器，我們在短時間內完成了從現象到根因的完整閉環定位。

• 診斷效率提升：過去依賴傳統 heap dump 工具，需要反覆比對與手動追蹤引用鏈；而使用 XRay 的火焰圖後，僅需幾分鐘即可直觀看到問題集中區域，大幅縮短了排查路徑。
• 系統效能改善：修復問題後，GC 時間佔比明顯下降，應用在相同負載下的響應更加平穩，整體延遲曲線趨於穩定。

更重要的是，這次實踐帶來了方法論上的變化。OpenResty XRay 的視覺化分析讓團隊成員能直接理解物件在記憶體中的生命週期與引用關係。調優討論從“憑經驗猜測”轉向“基於證據決策”，讓效能最佳化變得更具確定性。

4. 為甚麼選擇 OpenResty XRay 分析 Java 應用中的記憶體？

傳統的 Java 記憶體分析嚴重依賴 Heap Dump。這種“離線屍檢”式的分析方式，存在其固有的侷限性。

OpenResty XRay 提供了另一種思路：非侵入式的“線上分析”。它在設計上規避了傳統工具的痛點。

1. 生產環境安全 OpenResty XRay 無需重啟 Java 程序，也不必修改程式碼或替換 JDK。它透過安全的 attach 機制直接連線正在執行的 JVM，對業務透明。

2. 極低開銷與非侵入性 這是 OpenResty XRay 的核心技術優勢。它不依賴 JVM 安全點 (Safepoint) 機制進行取樣。這意味著它可以在不觸發任何 STW (Stop-the-World) 的前提下，對 JVM 的記憶體、CPU、I/O 等進行分析。這使其成為少數真正敢在實時生產流量下執行深度診斷的工具。

3. 直觀的視覺化分析 它提供的 GC 物件引用火焰圖和記憶體引用路徑圖，能直觀展示“誰引用了誰”、“記憶體去哪了”，極大降低了記憶體問題的分析門檻。

4. 多維度的效能畫像

OpenResty XRay 不僅限於記憶體。在本次案例中，我們雖然聚焦於 GC，但也可以隨時切換到 CPU 火焰圖、I/O 分析等，結合上下文構建一個完整的系統效能畫像。

這種設計讓 OpenResty XRay 成為少數真正可在 生產環境實時分析 Java 記憶體問題 的工具之一。在上面的訂單系統案例中，它幫助團隊實現了“實時診斷 + 快速驗證”的閉環，避免了停機分析的風險。

5. 總結與思考

在此次訂單系統的記憶體問題排查中，OpenResty XRay 幫助我們構建了一個系統化的診斷流程：從“是否洩漏”到“頻率問題”再到“物件體積”；從“引用關係”到“分配次數”再到“分配大小”層層遞進，縮小排查範圍。

這種基於實時取樣與視覺化的分析正規化，能有效替代傳統的 heap dump + 離線分析路徑。它不僅提升了診斷效率，更重要的是，它為高併發、高可用的 Java 服務在生產環境中的效能調優，提供了一種更安全、更高效的解題思路。

關於 OpenResty XRay

OpenResty XRay 是一款動態追蹤產品，它可以自動分析執行中的應用，以解決效能問題、行為問題和安全漏洞，並提供可行的建議。在底層實現上，OpenResty XRay 由我們的 Y 語言驅動，可以在不同環境下支援多種不同的執行時，如 Stap+、eBPF+、GDB 和 ODB。

關於作者

章亦春是開源 OpenResty^® 專案創始人兼 OpenResty Inc. 公司 CEO 和創始人。

章亦春（Github ID: agentzh），生於中國江蘇，現定居美國灣區。他是中國早期開源技術和文化的倡導者和領軍人物，曾供職於多家國際知名的高科技企業，如 Cloudflare、雅虎、阿里巴巴, 是 “邊緣計算“、”動態追蹤 “和 “機器程式設計 “的先驅，擁有超過 22 年的程式設計及 16 年的開源經驗。作為擁有超過 4000 萬全球域名使用者的開源專案的領導者。他基於其 OpenResty^® 開源專案打造的高科技企業 OpenResty Inc. 位於美國矽谷中心。其主打的兩個產品 OpenResty XRay（利用動態追蹤技術的非侵入式的故障剖析和排除工具）和 OpenResty Edge（最適合微服務和分散式流量的全能型閘道器軟體），廣受全球眾多上市及大型企業青睞。在 OpenResty 以外，章亦春為多個開源專案貢獻了累計超過百萬行程式碼，其中包括，Linux 核心、Nginx、LuaJIT、GDB、SystemTap、LLVM、Perl 等，並編寫過 60 多個開源軟體庫。

關注我們

如果您喜歡本文，歡迎關注我們 OpenResty Inc. 公司的部落格網站 。也歡迎掃碼關注我們的微信公眾號：

翻譯

我們提供了英文版原文和中譯版（本文）。我們也歡迎讀者提供其他語言的翻譯版本，只要是全文翻譯不帶省略，我們都將會考慮採用，非常感謝！