G1模型如何利用历史GC数据实时估算各Region回收收益？

本文共计741个文字，预计阅读时间需要3分钟。

G1垃圾回收模型并非依赖静态规则，而是基于持续观察和动态授权——它使用衰减平均值（Decaying Average）将历史GC行为翻译成对下一次回收的精确估计。核心不是记录所有数据，而是让最近的体现来说明计算。

衰减均值怎么算？不是简单平均

G1 对每个 Region 的回收耗时、扫描对象数、复制数据量等关键指标，都维护一个衰减均值。公式本质是：

新均值 = α × 当前观测值 + (1 − α) × 旧均值

其中 α 是衰减因子（通常取 0.7–0.95），数值越大，越看重最新一次实测结果；越小，则历史数据影响越持久。比如某 Region 上次回收花了 8ms，之前均值是 6ms，α=0.8，那新均值就是 0.8×8 + 0.2×6 = 7.6ms。它天然淡化了上周那次异常慢的 20ms 回收，避免被偶然抖动带偏。

回收收益不是只看“能清多少”，而是看“性价比”

单个 Region 的预期回收收益（Value）由两部分共同决定：

• 可回收空间（Reclaimed Memory）：Region 总大小减去当前存活对象大小，这个值来自并发标记阶段的精确统计
• 预期回收耗时（Predicted Cost）：不是固定值，而是基于该 Region 历史扫描/复制时间的衰减均值，并结合当前存活对象分布密度做微调

最终排序用的 Value ≈ 可回收空间 ÷ 预期耗时。所以一个“垃圾多但对象散乱”的 Region，可能比一个“垃圾略少但对象高度集中、复制极快”的 Region 排名更低——G1 要的是单位时间换来的最大空间释放。

预测模型如何落地到混合 GC 的决策中

在混合 GC 触发前，G1 已经完成并发标记，拿到了所有老年代 Region 的存活数据。此时它会：

• 遍历每个待评估的老年代 Region，查出它的历史衰减均值（耗时、扫描量等）
• 结合本次标记得到的存活大小，算出本次可回收空间
• 代入公式得出预期收益分，并按分从高到低排序
• 按 MaxGCPauseMillis 目标，从顶部开始累加 Region，直到预计总耗时逼近目标上限——这些 Region 就组成本次的 Collection Set（CSet）

整个过程不依赖人工调参，也不假设堆行为恒定。用户只设一个停顿目标，G1 就自动用衰减均值滚动校准，让每次混合 GC 都尽可能贴近承诺的毫秒级响应。