G1垃圾回收停顿预测算法详解指数加权平均法的应用原理

G1 垃圾收集器的停顿时间预测并非基于简单估算，而是采用了一套严谨的数学模型，通过指数加权平均算法动态计算每个 Region 的回收成本。这种方法的核心优势在于，它赋予最近的 GC 数据更高的权重，同时让历史数据的影响力随时间指数级衰减，从而使预测模型能够紧密贴合 JVM 实时运行中的内存分配与回收节奏。

为何选择指数加权平均而非简单平均？

简单平均法在处理 GC 耗时序列时存在显著局限：它平等对待所有历史数据，无法及时反映系统状态的突变。例如，将五分钟前一次平稳的 Young GC 与两秒前因大对象激增导致的长停顿进行平均，得到的预测值会严重滞后。在实时性要求高的交易或服务系统中，对象分配速率可能在毫秒级发生变化，这就要求 G1 的预测模型必须具备快速响应最新系统负载的能力。

指数加权平均通过一个固定的衰减因子（默认 α=0.7）实现了这一目标。每当新的 GC 耗时数据加入，旧的均值仅保留 70% 的权重，新数据则占据 30% 的权重。这种机制使得连续几次异常的 GC 事件能够迅速拉高预测值，极大提升了模型对突发负载的“反应灵敏度”。

预测公式的核心逻辑解析

在实际的 G1 源码实现中，最终的停顿预测值并非直接采用衰减均值，而是通过一个更为审慎的公式计算得出：

预测耗时 = MAX2( da vg + σ × dsd , da vg × confidence_factor )

该公式的每个组成部分都经过精心设计：

• da vg（衰减均值）：代表近期 GC 耗时的基准水平，是预测的核心参考线。
• dsd（衰减标准差）：量化历史耗时的波动性。公式中 σ 默认取 0.5，意味着模型会主动预留半倍标准差的缓冲时间，以应对回收过程中的不确定性。
• confidence_factor（置信度系数）：这是一个动态安全阀。在 GC 样本数量不足（例如少于 5 次）的启动初期，该系数可能高达 2.5，防止模型因数据不足而过于乐观；当样本积累充足后，系数会逐渐回归至 1。

整个设计哲学体现了“保守估计”的原则：宁愿多预留一些回收时间，也绝不冒险低估。尤其在 Mixed GC 阶段，当需要扫描 Remembered Set 或复制存活对象时，操作耗时波动较大，此时公式中“均值加波动缓冲”的部分起到了关键的稳定性保障作用。

预测模型如何应用于 Region 选择？

G1 的预测并非生成一个笼统的总停顿时间，而是精细化地估算“回收第 N 个 Region 预计需要多少毫秒”。每个 Region 的各个子阶段（如扫描、对象转移、RSet 更新）都维护着独立的 TruncatedSeq 序列，分别进行衰减平均计算。

在构建回收集（CSet）时，G1 会依据「回收收益 / 预估耗时」这一比值对所有候选 Region 进行排序，并从高到低累加它们的预估耗时。一旦累加值接近用户通过 -XX:MaxGCPauseMillis 参数设定的目标停顿时间阈值，G1 便会立即停止添加 Region。因此，偶尔出现的预测偏差，未必是模型失效，更可能是输入数据发生了未预料到的突变。例如，某次 GC 时 Survivor 区中的对象年龄集体跃升，导致复制开销骤增，但模型因尚未积累足够的新样本更新 da vg，仍沿用历史水平，从而造成实际超时。

如何监控预测模型的工作状态？

要深入洞察 G1 停顿预测模型的运行状况，可以启用 -Xlog:gc+ergo=debug 日志参数。重点关注每条 Evacuation Pause 日志末尾的输出信息：

[debug][gc,ergo] GC(42) predicted pause time: 142.3ms, target: 150.0ms, actual: 138.7ms

关键在于持续观察并对比“predicted”（预测值）与“actual”（实际值）之间的差值趋势：

• 若连续多次出现 predicted < actual，且差值不断扩大，通常表明模型低估了回收耗时。常见于巨型对象（Humongous）分配突然激增，或跨代引用短时间内大量增加等场景。
• 若连续多次出现 predicted > actual，且差值持续大于 30ms，则说明模型可能过于保守。这往往发生在上一次并发模式失败（Concurrent Mode Failure）之后，系统自动调高了安全系数所致。
• 若 predicted 值在 80ms 到 180ms 之间大幅跳动，可能预示着老年代 Region 的存活率极不稳定，或缓存未设置合理上限，也可能是批量任务导致了对象集中晋升。