当前位置:首页 > 文章列表 > 文章 > java教程 > 对象头MarkWord是Java虚拟机中用于存储对象元数据的重要部分,它包含了哈希码、类元信息、锁状态等信息。通过观察MarkWord的变化,可以了解synchronized锁的升级过程。1.MarkWord的结构在HotSpotJVM中,对象头(ObjectHeader)由两部分组成:MarkWord:存储对象的元信息。KlassPointer:指向对象的类元数据。MarkWord的具体结构取决

对象头MarkWord是Java虚拟机中用于存储对象元数据的重要部分,它包含了哈希码、类元信息、锁状态等信息。通过观察MarkWord的变化,可以了解synchronized锁的升级过程。1.MarkWord的结构在HotSpotJVM中,对象头(ObjectHeader)由两部分组成:MarkWord:存储对象的元信息。KlassPointer:指向对象的类元数据。MarkWord的具体结构取决

2026-04-16 18:49:03 0浏览 收藏
本文深入剖析了Java中synchronized锁升级机制在对象头MarkWord层面的底层表现,通过JOL工具实操演示如何精准捕获偏向锁(101)、轻量级锁(000)到重量级锁(010)的完整演进过程,同时揭示了常见误区——锁升级不仅由多线程竞争触发,单线程下跨线程获取已偏向对象同样会引发撤销与升级;文章还直击实践难点:JOL无法可靠显示重量级锁的真实MarkWord(因其指针位于堆外),并强调必须严格控制GC、JIT优化、线程一致性等干扰因素,才能在内存布局中稳定观测锁状态变迁的每一帧真相。

怎么从对象头 MarkWord 观察 synchronized 锁升级过程

用 JOL 查看对象头 MarkWord 的原始值

Java 对象头里的 MarkWord 是锁状态的底层载体,但 JVM 不对外暴露直接读取接口,得靠第三方工具反推。最常用的是 org.openjdk.jol:jol-core,它能打印对象在内存中的布局,包括对象头各字段的十六进制值。

关键点在于:必须在「对象未被 GC 回收、未被 JIT 优化重排、且锁操作发生在同一线程内」的前提下观察,否则 MarkWord 值会被干扰或不可见。

  • 启动 JVM 时加参数:-XX:+UseBiasedLocking -XX:BiasedLockingStartupDelay=0(启用偏向锁并取消延迟)
  • 确保测试代码在 main 线程中执行(避免线程 ID 不一致导致偏向锁失败)
  • 每次修改锁状态后,立即调用 ClassLayout.parseInstance(obj).toPrintable(),不要复用对象引用

偏向锁 → 轻量级锁的触发条件与 MarkWord 变化

偏向锁升级为轻量级锁,不是靠“竞争”,而是靠「一个线程尝试获取已偏向给其他线程的锁」。也就是说,即使只有一个线程,只要它对「已被偏向给别的线程的对象」执行 synchronized,就会触发撤销+升级流程。

典型错误认知是“多线程竞争才升级”,其实单线程下也能看到升级——只要你先让对象偏向 A 线程,再用 B 线程去 synchronized 它(哪怕 B 是 main 线程且 A 已退出)。

  • 偏向锁状态时,MarkWord 低 3 位是 101,高 54 位存偏向线程 ID(需注意线程 ID 在 JVM 内部是 hash 值,不是 OS PID)
  • 轻量级锁状态时,低 3 位变成 000,原位置存指向栈中 Lock Record 的指针(在堆上打印出来是类似 0x0000000800000000 这样的地址值)
  • 撤销偏向锁会触发 biased_lock_revocation 日志(加 -XX:+PrintBiasedLockingStatistics 可确认)

为什么 JOL 看不到重量级锁的 MarkWord?

重量级锁(monitor)状态下,MarkWord 会被替换为指向 ObjectMonitor* 的指针,但这个指针本身存储在堆外(C++ 堆),JOL 默认只解析 Java 堆内的结构,所以打印出来的 MarkWord 值常常是 0x0000000000000000 或看似随机的高位全 1 值(如 0xffffffffffffffff),不代表真实 monitor 地址。

真正要确认是否进入重量级,不能只看 JOL 输出,得结合:

  • -XX:+PrintGCDetails 和 -XX:+PrintSafepointStatistics 中是否出现大量 no vm operation 阻塞(重量级锁争用会导致 safepoint 频繁)
  • 用 jstack -l 查看线程栈,如果看到 - waiting to lock <0x...> 并伴随 java.lang.Thread.State: BLOCKED,基本可断定是重量级锁
  • MarkWord 低 3 位为 010 是重量级锁标识,但该值只有在锁膨胀完成后的极短时间内可见;一旦 monitor 初始化完毕,JVM 可能用其它方式隐藏该字段

实战中容易忽略的三个细节

锁升级过程不是原子的,中间存在多个中间态,而很多调试手段会跳过这些瞬间。比如用 JOL 打印两次之间隔了 GC 或 JIT 编译,MarkWord 就可能被重写或优化掉。

  • 不要在循环里反复 synchronized 同一个对象——JIT 可能做锁消除(-XX:+EliminateLocks 默认开启),导致根本看不到锁信息
  • 禁止使用 System.gc() 或显式触发 GC,GC 过程中对象可能被移动,MarkWord 会被重置或覆盖
  • 64 位 JVM 下,MarkWord 是 64 bit,但开启压缩指针(-XX:+UseCompressedOops)时,其中部分字段含义和位宽会变化;建议统一用 -XX:-UseCompressedOops 测试,避免位移错位

真正难的不是看到某一种锁状态,而是把「偏向撤销→轻量级加锁→锁膨胀」整条链路在内存层面串起来。每一步都依赖精确的线程调度、无干扰的 GC 状态和未被 JIT 干预的字节码执行路径。

好了,本文到此结束,带大家了解了《对象头MarkWord是Java虚拟机中用于存储对象元数据的重要部分,它包含了哈希码、类元信息、锁状态等信息。通过观察MarkWord的变化,可以了解synchronized锁的升级过程。1.MarkWord的结构在HotSpotJVM中,对象头(ObjectHeader)由两部分组成:MarkWord:存储对象的元信息。KlassPointer:指向对象的类元数据。MarkWord的具体结构取决于JVM的实现和对象的锁状态。在64位JVM中,MarkWord通常是64位的,其结构如下(以偏向锁为例):|指针|0~31位|32~63位||---------------------|---------|----------||偏向锁|线程ID|epoch||轻量级锁|栈帧地址|0||重量级锁|monitor地址|0|2.synchronized锁的升级过程synchronized在Java中使用的是偏向锁->轻量级锁->重量级锁的升级机制。下面详细说明每个阶段MarkWord的变化:**1.》,希望本文对你有所帮助!关注golang学习网公众号,给大家分享更多文章知识!

Python异常处理实战指南Python异常处理实战指南
上一篇
Python异常处理实战指南
CSS:is()简化复杂选择器用法解析
下一篇
CSS:is()简化复杂选择器用法解析
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。
    263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。
    312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。
    293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。
    269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。
    87次使用