当前位置:首页 > 文章列表 > 文章 > java教程 > Serial与Serial_Old串行收集器的工作原理详解

Serial与Serial_Old串行收集器的工作原理详解

2026-03-30 19:32:15 0浏览 收藏
Serial与Serial Old是JVM中最基础的单线程STW垃圾收集器,虽因全程独占GC线程、强制暂停所有用户线程而饱受停顿之苦,却凭借零线程开销、算法精准适配代际特性的优势,在小堆、单核或资源受限场景中展现出意外的高效与稳定;新生代采用复制算法实现快速清理与无碎片分配,老年代则通过标记-整理兼顾空间利用率与引用一致性——理解它们,不仅是追溯JVM垃圾回收演化的起点,更是权衡性能、延迟与资源约束时不可或缺的底层参照。

如何理解Serial与Serial_Old单线程收集器的串行工作机制

Serial 和 Serial Old 是 JVM 中最基础的单线程垃圾收集器,它们的“串行”不是指执行顺序上的先后,而是强调**整个回收过程由唯一一条 GC 线程独占完成,且期间所有用户线程必须暂停(Stop-The-World)**。理解其工作机制,关键在于抓住“单线程 + STW + 算法适配代际特性”这三点。

新生代用 Serial:复制算法 + Eden/Survivor 切换

Serial 收集器作用于新生代,采用复制算法,依赖 Eden、From、To 三个子区域协作:

  • GC 开始时,只扫描 Eden 区和当前 From 区中的存活对象,将它们复制到空闲的 To 区;
  • 复制过程中,若对象年龄(经历 GC 次数)达到 -XX:MaxTenuringThreshold 阈值,或 To 区空间不足,则直接晋升至老年代;
  • 复制完成后,清空 Eden 和 From 区,再交换 From 与 To 的角色,为下一次 GC 做准备;
  • 整个过程不涉及碎片整理,因复制后目标区是连续干净的,适合新生代“大量短命对象”的特点。

老年代用 Serial Old:标记-整理 + 内存端对齐

Serial Old 收集器负责老年代,采用标记-整理(Mark-Compact)算法,分三步执行:

  • 先从 GC Roots 出发,递归标记所有可达(即存活)对象;
  • 将所有被标记的对象向堆内存的一端(如起始地址)紧凑移动,消除中间空隙;
  • 移动后更新所有指向这些对象的引用,并清理边界外的剩余空间。

这种整理方式避免了标记-清除产生的内存碎片,也比复制算法更适合老年代——那里对象存活率高、复制成本大。

串行 ≠ 慢,但停顿不可回避

Serial/Serial Old 的“单线程”反而带来低开销优势:没有线程创建、同步、通信等额外消耗,在小堆(几十 MB)、单核或资源受限环境(如嵌入式、早期客户端 JVM)中,实际回收速度可能比多线程收集器更稳更快。但代价明确:

  • 每次 GC 必然触发全局 STW,停顿时间与存活对象数量正相关;
  • 无法利用多核 CPU 并行处理,堆越大、对象越多,停顿越明显;
  • 在 Server 模式下已非默认,仅用于特定组合(如 Parallel Scavenge + Serial Old)或 CMS 失败后的兜底 Full GC。

如何验证是否启用

可通过 JVM 启动参数显式启用,也可通过日志确认当前行为:

  • 强制启用:-XX:+UseSerialGC(同时激活 Serial + Serial Old);
  • 查看默认配置:java -XX:+PrintCommandLineFlags -version,输出中若含 UseParallelGC,说明未使用 Serial;
  • 开启 GC 日志(如 -Xlog:gc*),观察日志中是否出现 Serial 或 SerialOld 字样及单线程标记(如无 worker 线程编号)。

本篇关于《Serial与Serial_Old串行收集器的工作原理详解》的介绍就到此结束啦,但是学无止境,想要了解学习更多关于文章的相关知识,请关注golang学习网公众号!

Golang网络请求性能测试方法解析Golang网络请求性能测试方法解析
上一篇
Golang网络请求性能测试方法解析
跨域返回JSON数据,PHP正确设置Content-Type方法
下一篇
跨域返回JSON数据,PHP正确设置Content-Type方法
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    303次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    359次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    357次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    325次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    143次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码