Iniciar prueba gratuita
Popular Nuevos Géneros Autores
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Buscando...
SoBrief
Java Performance

Java Performance

Encuentra el origen real de la lentitud en Java y ajusta la parte que de verdad limita tu aplicación.
por Scott Oaks 2014 423 páginas
4.39
319 valoraciones
Escuchar
Inmersivo
V2.3
Amazon Kindle Audible
Prueba el acceso completo por 3 días
¡Desbloquea la escucha y mucho más!
Continuar

Ideas clave

Mide el sistema desplegado antes de ajustar su componente Java

Encuentra la restricción real. Java es solo una parte del rendimiento de una aplicación. Un módulo de lógica de negocio más rápido no puede aumentar el rendimiento general si la base de datos sigue procesando apenas 100 solicitudes por segundo. Lo mismo ocurre con las demoras de red, la actividad del disco, los entornos de pruebas y otras aplicaciones que comparten la máquina. Diagnostica el sistema en su conjunto antes de decidir que el problema es la JVM.

Prueba lo que usan los usuarios. Un microbenchmark puede omitir llamadas a la base de datos, transferencias de red, sesiones o las rutas de código que determinan el comportamiento real del compilador. Una prueba de la aplicación completa es la opción más fiel; un mesobenchmark (mesobenchmark), una prueba sustancial de un componente, es un término medio útil. Los microbenchmarks pueden inducir a error por las optimizaciones del compilador, las entradas poco realistas y la sobrecarga de medición.

Análisis

Lo llamativo es la frecuencia con que una mejora local puede no acelerar en absoluto el sistema en su conjunto, o incluso volverlo más lento al aumentar la presión sobre un componente ya sobrecargado. Es un problema de sistemas, no un truco de Java. La disciplina práctica consiste en vincular cada cambio propuesto con una medición de extremo a extremo y luego comprobar si el cuello de botella se desplazó. Las pruebas de componentes siguen siendo útiles para diagnosticar, pero por sí solas no permiten establecer el beneficio para los usuarios.

Trata los resultados de las pruebas de rendimiento como indicios ruidosos, no como veredictos

Elige la medición adecuada. Las pruebas por lotes informan cuánto se tarda en terminar un trabajo fijo; las pruebas de rendimiento informan cuántas operaciones se completan por segundo; las pruebas de tiempo de respuesta examinan la rapidez con que se atiende una carga fija. En los servicios orientados al usuario, los promedios pueden ocultar pausas, así que conviene complementarlos con un percentil, como el 90 o el 99. El calentamiento importa cuando la compilación JIT, las cachés o los búferes de archivos del sistema operativo hacen que el rendimiento cambie con el tiempo.

Distingue la señal del ruido. En el ejemplo del libro, tres ejecuciones sugerían una mejora del 25 %, pero la prueba t arrojó un valor p de 0,43, por lo que la evidencia no era concluyente. Con más ejecuciones, la diferencia se hizo más clara. La significación estadística no equivale a importancia práctica: una ralentización fiable del 1 % puede importar menos que una ralentización ruidosa del 10 %. Automatiza las ejecuciones repetidas y recopila suficientes datos del sistema para explicar los cambios.

Análisis

El hábito útil consiste en tratar una prueba de rendimiento como un experimento con una hipótesis, no como una competencia de cronómetros. La variabilidad, el calentamiento y la instrumentación forman parte del resultado; no son meros detalles administrativos. También conviene recordar que un valor p no indica si un cambio es valioso ni representa la probabilidad de que una diferencia de rendimiento sea real. El tamaño del efecto, el costo operativo y el impacto en los usuarios siguen requiriendo criterio.

Usa perfiles para encontrar las causas, no solo el método más activo

Haz visible el trabajo oculto. Las herramientas del sistema operativo revelan las condiciones de CPU, disco, memoria y red; las herramientas de la JVM muestran hilos, clases, compilación y recolección de basura. Un perfil orienta la investigación, pero no es una lista automática de cambios. Si la definición de clases domina el tiempo de inicio, la solución puede ser cargar menos clases o cargarlas simultáneamente, no reescribir un método nativo que la aplicación no puede modificar.

Conoce los puntos ciegos de cada herramienta. Los perfiladores por muestreo tienen poca sobrecarga, pero pueden pasar por alto trabajo breve o infrecuente. Los perfiladores instrumentados cuentan las llamadas con mayor precisión, pero modifican el bytecode y pueden alterar las decisiones del compilador. Las líneas de tiempo de los hilos y los volcados de pila ayudan a distinguir el trabajo activo de la espera. Java Flight Recorder registra eventos de la JVM, como esperas por bloqueos, asignaciones, E/S y GC, con poca sobrecarga en su modo de grabación predeterminado.

Análisis

La distinción entre un síntoma y una causa es fundamental. Un método puede parecer costoso porque aparece al final de un proceso más amplio y oneroso, o porque el perfilador solo detecta una parte del trabajo. Comparar perspectivas independientes —por ejemplo, perfiles de CPU, estados de los hilos y contadores del sistema operativo— sirve para triangular el problema. La contrapartida es que toda herramienta de diagnóstico altera la situación hasta cierto punto, por lo que sus resultados deben interpretarse, no aceptarse a ciegas.

Deja que el JIT optimice el código activo y luego comprueba su caché

La compilación mejora con la evidencia. Al principio, HotSpot interpreta el bytecode y luego compila los métodos de uso frecuente, una vez que observa el comportamiento de la aplicación. El compilador de servidor espera más que el de cliente, pero puede realizar optimizaciones más potentes; la compilación por niveles comienza con una compilación más rápida y vuelve a compilar con mayor intensidad el código activo. En las pruebas del libro, la compilación por niveles fue una opción general sólida para trabajos de larga duración, mientras que el compilador de cliente resultó útil para tareas breves y sensibles al tiempo de inicio.

Ajusta solo lo que la evidencia respalda. La caché de código tiene una capacidad finita y puede llenarse, sobre todo con la compilación por niveles o en aplicaciones grandes. Si eso ocurre, parte del código puede seguir interpretándose, así que conviene vigilar la caché y ampliarla cuando sea necesario. Los registros de compilación pueden revelar si se compilan los métodos críticos. Evita cambiar opciones al azar: un código más sencillo suele dar más margen al compilador para optimizar, y muchas opciones de ajuste resuelven problemas muy específicos.

Análisis

La ventaja del JIT es su especialización adaptativa: utiliza el comportamiento observado, en vez de adivinar de antemano las rutas activas de cada programa. Por eso, una prueba con la JVM ya calentada difiere de un arranque en frío y el perfil de un microbenchmark puede no parecerse al de producción. La cuestión operativa clave no es si la compilación es sofisticada, sino si la aplicación dispone de tiempo y capacidad suficiente en la caché de código para beneficiarse de ella. Las herramientas sensibles al tiempo de inicio y los servicios que funcionan continuamente tienen objetivos distintos.

Elige el recolector de basura según la latencia, el rendimiento y la CPU disponible

Todo recolector implica concesiones. El recolector de rendimiento detiene los hilos de la aplicación durante las recolecciones y utiliza trabajadores paralelos para maximizar el trabajo completado mientras tanto. CMS y G1 realizan gran parte del trabajo sobre la generación antigua de manera concurrente: reducen las pausas largas, pero consumen CPU en segundo plano. G1 divide el heap en regiones y puede recuperar regiones seleccionadas, lo que, en el contexto de Java 7 y 8 del libro, lo hacía más adecuado que CMS para muchos casos con heaps grandes.

Deja que la carga de trabajo decida. En una prueba con cuatro CPU, CMS mejoró ligeramente el tiempo de un trabajo por lotes; con una sola CPU fue más lento que el recolector de rendimiento, porque ambos competían por el mismo procesador. En cargas de trabajo sensibles al tiempo de respuesta, la recolección concurrente puede mejorar los percentiles más lentos y, al mismo tiempo, empeorar los promedios o el uso de CPU. Empieza con los valores predeterminados, examina los registros detallados de GC e investiga las recolecciones completas o los fallos de recolección concurrente antes de ajustar nada.

Análisis

Conviene entender la recolección de basura como una asignación de recursos, no como una competencia por obtener el menor número de pausa. El trabajo concurrente consume CPU para proteger la capacidad de respuesta; un recolector de detención del mundo puede ser más eficiente cuando escasea la CPU. Esto también explica por qué un recolector que gana en una prueba aislada puede perder cuando varias JVM comparten un host. Las clasificaciones y opciones predeterminadas específicas que se describen aquí corresponden a las versiones de HotSpot del libro, no a todas las versiones de Java ni a todos los despliegues.

Reduce los datos de larga duración en el heap antes de recurrir a opciones ingeniosas de GC

La memoria viva cuesta. Los objetos de corta duración suelen ser baratos porque la recolección de la generación joven puede descartarlos rápidamente. Los objetos de larga duración requieren más trabajo para rastrearlos y ocupan espacio que podría destinarse a nuevas asignaciones. En el ejemplo de GC del libro, una recolección completa que liberó casi todos los datos de la generación antigua tardó unos 70 milisegundos; las recolecciones en las que la mayor parte de los datos seguía activa tardaron entre 540 y 730 milisegundos.

Haz cambios de memoria de forma selectiva. Usa histogramas para encontrar los tipos de objetos más abundantes y, luego, volcados del heap para rastrear quién los mantiene vivos. Los campos más pequeños, la inicialización diferida de objetos que rara vez se usan y las copias canónicas de valores inmutables repetidos pueden reducir la huella de memoria. Reutilizar recursos está justificado cuando se trata de unos pocos recursos costosos, como las conexiones a bases de datos, pero los pools grandes aumentan la carga del GC. Las referencias blandas pueden conservar los datos en caché demasiado tiempo; las débiles desaparecen pronto, y los finalizadores retrasan la liberación de memoria.

Análisis

El cambio de perspectiva importante consiste en pasar de contar asignaciones a preguntarse qué objetos siguen siendo alcanzables. Una aplicación muy activa puede asignar objetos a gran velocidad y aun así funcionar bien si la mayoría muere pronto; una caché aparentemente inactiva puede resultar costosa si mantiene vivo un gran grafo de objetos. Por eso, el perfilado de memoria requiere tanto recuentos de objetos como rutas de retención. Reutilizar no es eficiente por naturaleza: el beneficio depende del costo de inicialización, de la cantidad de objetos y del tiempo que permanecen vivos.

Dimensiona los pools de hilos según el verdadero cuello de botella, no la cola visible

Más hilos no significan automáticamente más trabajo. En una máquina con cuatro CPU, la prueba por lotes de cálculo de existencias mejoró notablemente hasta llegar a cuatro hilos; a partir de ahí, el rendimiento cayó a medida que más hilos competían por los recursos. Cuando un sistema externo está saturado, añadir hilos puede sobrecargarlo y reducir el rendimiento total. Un pool también necesita límites razonables y un tamaño de cola adecuado: una acumulación enorme puede convertir la sobrecarga en largas esperas para los usuarios, en vez de resolverla.

Adapta la forma de las tareas a la planificación. Las particiones fijas funcionan bien cuando las tareas tardan más o menos lo mismo. ForkJoinPool admite tareas divididas recursivamente y el robo de trabajo, lo que puede ser útil cuando varía la duración de las tareas; sin embargo, millones de tareas diminutas añaden sobrecarga de asignación y planificación. Para la sincronización, reduce el estado mutable compartido y mantén breves las secciones críticas. Los objetos locales a cada hilo pueden evitar contención innecesaria; aun así, la compartición falsa puede ralentizar variables independientes que ocupan la misma línea de caché de la CPU.

Análisis

Un pool de hilos es tanto una herramienta de paralelismo como un regulador de carga. Su tamaño debe reflejar la capacidad de la CPU y el comportamiento de las dependencias, no solo la cantidad de tareas en espera. Esto se parece a los sistemas de colas, donde admitir más trabajo puede aumentar la congestión en vez del trabajo completado. Las tareas de grano fino ayudan a equilibrar cargas desiguales, pero su gestión tiene un costo. Por eso, el mejor diseño depende de la carga de trabajo y debe medirse en las condiciones del cuello de botella que se pretende manejar.

Agrupa el trabajo de la base de datos, pero mantén los bloqueos de transacción solo el tiempo necesario

Reduce los viajes de ida y vuelta. Las sentencias preparadas de JDBC pueden reutilizar trabajo de la base de datos si se agrupan por conexión. El procesamiento por lotes puede marcar una gran diferencia: insertar 200.448 filas tardó unos 2.221 segundos con confirmación automática y sin procesamiento por lotes, pero unos 12 segundos con un solo lote y una sola confirmación en la prueba descrita. La mejora se debe a que se realizan menos llamadas a la base de datos, no a un ajuste mágico de la JVM.

Respeta los límites de la base de datos. Las transacciones más largas reducen la sobrecarga de confirmación, pero mantienen los bloqueos durante más tiempo y pueden limitar la concurrencia. Por lo general, los pools de conexiones deberían ajustarse a la concurrencia de la aplicación, salvo que esa carga abrume la base de datos; en ese caso, el pool debería limitar el acceso. JPA tiene su propio comportamiento de caché: su caché de segundo nivel puede servir entidades buscadas por clave, pero los resultados de las consultas suelen eludirla. Una consulta con JOIN quizá sea más rápida al principio y más lenta en ejecuciones posteriores, a menos que haya caché de consultas.

Análisis

Este es un ejemplo claro de cómo la optimización cruza fronteras organizativas: el código de la aplicación controla los patrones de llamadas, mientras que la base de datos determina qué niveles de concurrencia y almacenamiento puede sostener. El procesamiento por lotes reduce la sobrecarga de comunicación, pero el límite óptimo de una transacción depende de la corrección y de cuánto duren los bloqueos. Del mismo modo, una caché cambia qué trabajo se repite, por lo que medir solo la primera consulta puede llevar a elegir un diseño equivocado. La unidad de rendimiento es la interacción completa, no el método Java que la inicia.

Envía menos datos, reutiliza recursos costosos y ten en cuenta el costo de la serialización

El tiempo de red cambia la respuesta. Una respuesta de 100 KB que tardó 20 milisegundos en la LAN del libro tardó alrededor de un segundo a través de una red WiFi pública. Eliminar espacios en blanco o comprimir la respuesta redujo mucho la demora remota, aunque la compresión podía perjudicar el rendimiento en una LAN rápida al consumir CPU adicional. Prueba en redes representativas y sopesa las ventajas de hacer menos llamadas de mayor tamaño frente al costo de transferir datos que no se usarán.

Elige formatos más completos de forma deliberada. XML, JSON, los modelos de documentos y los objetos Java implican distintas concesiones entre velocidad de procesamiento, memoria y facilidad de uso. Reutilizar fábricas de analizadores y esquemas evita repetir la configuración inicial. En Java EE, agrupar EJB o conexiones en pools puede ser beneficioso cuando crearlos es costoso, pero los pools demasiado grandes retienen memoria. La serialización personalizada puede reducir la cantidad de bytes y, en ocasiones, mejorar la velocidad de transferencia; sin embargo, reconstruir incorrectamente objetos compartidos puede alterar el comportamiento del programa.

Análisis

La idea clave es que la latencia no se limita al tiempo de ejecución del código. La codificación, la distancia de red, el tamaño de la carga útil y los costos de configuración inicial contribuyen al total, y el costo dominante puede cambiar según el despliegue. La compresión lo ilustra bien: enviar menos datos ayuda cuando la conexión es lenta, pero puede malgastar CPU cuando el ancho de banda abunda. Por eso, un buen diseño de rendimiento mantiene las funciones necesarias y reduce los costos relevantes en el entorno de destino.

Prefiere opciones sencillas de Java que eviten costos ocultos a escala

Las pequeñas decisiones se acumulan. Usa búferes para la E/S de archivos y sockets, de modo que el código no haga una llamada al sistema por cada byte. Preasigna las colecciones cuando se conoce el tamaño esperado, elige una estructura de datos adecuada para las búsquedas y evita concatenar cadenas poco a poco, pues se crean objetos temporales. Para que el registro desactivado cueste poco, comprueba si el mensaje está habilitado antes de calcular sus argumentos.

No optimices basándote en rumores. Las llamadas a través de JNI pueden costar más que el código Java equivalente; si el código nativo es necesario, agrupa las llamadas y mantén anclados los arreglos o las cadenas durante poco tiempo. Las excepciones sirven para acontecimientos inesperados, no para bifurcaciones rutinarias. En las pruebas del libro, las lambdas y las clases anónimas tuvieron un rendimiento parecido, mientras que los streams diferidos podían detenerse antes y evitar la creación de colecciones intermedias. Son decisiones menores, pero, repetidos millones de veces, sus costos se hacen visibles.

Análisis

La postura práctica más sólida del libro no es ni «no ajustes nada» ni «optimízalo todo». Distingue entre decisiones de baja complejidad que evitan desperdicios conocidos y cambios especulativos que complican el código antes de medir. Es un punto medio valioso: usa valores predeterminados razonables, elige estructuras de datos según la operación y reserva las optimizaciones invasivas para los cuellos de botella medidos. Una limitación es que hasta los consejos de implementación sensatos envejecen a medida que evoluciona el JDK, de modo que el principio perdura más que cualquier comportamiento particular de una API.

Análisis

La contribución más duradera del libro no es su catálogo de opciones de HotSpot. Es un método para tratar el rendimiento como una propiedad observable de un sistema desplegado. La narración pasa repetidamente de una explicación local tentadora a una cadena causal más amplia: una aparente ralentización de Java puede deberse a la saturación de la base de datos, a un cliente incapaz de mantener ocupado el servidor, a un exceso de memoria retenida en el heap o a una prueba de rendimiento que mide su propio entorno de pruebas. Esto corrige una tendencia útil: la cultura de la optimización suele confundir el código visible con el sistema entero.

Su modelo técnico es inusualmente concreto para un libro de consulta. Vincula el comportamiento del compilador, la duración de los objetos, las pausas del GC, la planificación de hilos, las transferencias de red y las transacciones de bases de datos mediante concesiones medibles. De ahí surge una jerarquía práctica: establece la métrica que importa al usuario, encuentra el componente limitado, examina lo que hace el entorno de ejecución, cambia el mecanismo pertinente más pequeño y repite el experimento. La distinción entre una señal estadística y una regresión importante desde el punto de vista operativo es especialmente valiosa, aunque la explicación de los valores p en el libro no es estadísticamente precisa. El valor p se calcula suponiendo la hipótesis nula, no representa la probabilidad de que esta sea cierta. La lección operativa sigue siendo válida: las mediciones ruidosas no justifican tener certeza, y la magnitud importa tanto como la confianza.

La antigüedad del libro es relevante. Sus opciones predeterminadas específicas del compilador, recolectores de basura, indicadores y recomendaciones de Java EE describen HotSpot Java 7 y 8 en 2014. No deberían copiarse en un despliegue moderno sin consultar la documentación actual del entorno de ejecución y realizar pruebas. El consejo más perdurable es desconfiar de las recetas de ajuste heredadas, registrar la configuración real del entorno de ejecución y tratar las afirmaciones sobre rendimiento como dependientes de la carga de trabajo y del hardware. En ese sentido, la promesa de una guía definitiva que sugiere el título se entiende mejor como una guía para razonar con rigor que como una tabla atemporal de ajustes óptimos. La tensión central es productiva: la JVM automatiza más que nunca, pero la automatización no puede deducir el valor para la aplicación, los cuellos de botella externos ni la latencia de cola aceptable sin que los ingenieros los definan y midan.

Resumen en 30 segundos
La velocidad de una aplicación depende del sistema completo, así que mide cargas de trabajo realistas antes de modificar el código Java. Los benchmarks necesitan calentamiento, ejecuciones repetidas y percentiles, porque los promedios y las muestras ruidosas pueden ocultar respuestas lentas. Los perfiles y los registros del entorno de ejecución ayudan a localizar las causas, mientras que la recolección de basura, la cantidad de hilos, el procesamiento por lotes en la base de datos y el tamaño de los datos enviados por la red implican compensaciones entre velocidad, memoria, CPU y latencia. En una prueba, procesar por lotes 200,448 inserciones en la base de datos redujo el tiempo de procesamiento de unos 2,221 segundos a 12.
Contiene spoilers

Última actualización:

Reportar problema

Resumen de reseñas

4.39 de 5
Promedio de 319 valoraciones de Goodreads y Amazon.

Java Performance recibe grandes elogios como guía esencial y completa para desarrolladores de Java. Los lectores destacan su análisis detallado de los aspectos internos de la JVM, la recolección de basura y las técnicas de optimización del rendimiento. Aunque a algunos les resulta difícil por su densidad técnica, muchos lo consideran de lectura obligada para desarrolladores con experiencia. Se valora que incluya ejemplos prácticos, benchmarks e información actualizada sobre Java 7 y 8. Los críticos le otorgan sistemáticamente una valoración alta, lo comparan favorablemente con otros textos respetados sobre Java y lo recomiendan a quienes desean profundizar en el rendimiento de Java.

Tu valoración:
4.64
156 valoraciones
¿Quieres leer el libro completo?

Glosario

microbenchmark

Medición de una operación diminuta

Prueba destinada a medir una operación muy pequeña, como una llamada a un método o una alternativa aritmética. Los microbenchmarks son especialmente vulnerables a las optimizaciones del compilador, al coste de la medición, a las entradas poco realistas y a la contención artificial entre hilos. Pueden ofrecer comparaciones aproximadas, pero el libro advierte que no deben considerarse pruebas fiables del rendimiento de una aplicación.

mesobenchmark (mesobenchmark)

Prueba parcial de una aplicación

Benchmark que realiza trabajo real y ejercita una cantidad sustancial de código, pero representa solo una parte de una aplicación completa. Una prueba sencilla de una solicitud web con una JSP y la infraestructura del servidor es un ejemplo. Por lo general, los mesobenchmarks son más realistas que los microbenchmarks y más fáciles de gestionar que las pruebas del sistema completo, pero pueden omitir funciones que afectan al rendimiento.

compilación por niveles

Compilar rápido y luego optimizar

Estrategia de compilación de HotSpot que primero compila el código con el compilador de cliente y después vuelve a compilar el código suficientemente activo con el compilador de servidor, que realiza más optimizaciones. Su objetivo es combinar un inicio más rápido con un buen rendimiento en ejecuciones prolongadas. El libro analiza su comportamiento y sus valores predeterminados específicamente para Java 7 y Java 8.

pausa de detención del mundo

Los hilos de la aplicación se detienen temporalmente

Periodo durante la recolección de basura en el que se pausan los hilos de la aplicación para que el recolector pueda inspeccionar o mover objetos de forma segura. Estas pausas pueden afectar al tiempo de respuesta, sobre todo cuando una recolección completa tarda mucho. Los recolectores difieren en cuánto trabajo requiere esas pausas y cuánto puede ejecutarse simultáneamente.

análisis de escape

Detecta objetos que no se comparten

Optimización del compilador JIT que determina si un objeto se usa solo dentro de un ámbito limitado o si escapa a otro código. Si el objeto no escapa, el compilador puede eliminar su asignación, evitar la sincronización o mantener sus campos en registros. El libro señala que esta optimización está habilitada de forma predeterminada en el compilador de servidor que describe.

búfer de asignación local al hilo (TLAB)

Área de asignación local al hilo

Un búfer de asignación local al hilo es una pequeña región de la generación joven reservada para las asignaciones de objetos de un hilo. Permite realizar muchas asignaciones sin sincronizarse con otros hilos. Los objetos demasiado grandes para caber, o las asignaciones que se hacen cuando el búfer está lleno, pueden asignarse directamente en el montón.

compartición falsa

Datos no relacionados comparten una línea de caché

Efecto de la caché del procesador que se produce cuando varios hilos modifican variables distintas que, por casualidad, ocupan la misma línea de caché. El hardware puede invalidar y volver a cargar repetidamente esa línea compartida, ralentizando los hilos aunque no compartan lógicamente las variables. El libro sugiere reducir las escrituras o, cuando sea apropiado, separar los datos mediante relleno.

Java Flight Recorder

Historial de eventos de la JVM con poco coste

Función de grabación de la JVM que captura eventos seleccionados, como recolección de basura, asignaciones, bloqueos por contención de bloqueos, compilación y E/S. El historial de eventos puede examinarse en tiempo real o guardarse para diagnosticar problemas más adelante. El libro la describe como una fuente especialmente rica de información sobre la JVM, cuyo coste depende de los eventos y umbrales habilitados.

caché de segundo nivel (L2)

Caché compartida de entidades JPA

La caché de segundo nivel de JPA se comparte entre los gestores de entidades de una aplicación. Puede proporcionar entidades recuperadas por clave primaria o mediante relaciones, evitando llamadas a la base de datos. Según el libro, las entidades recuperadas mediante consultas no se incorporan automáticamente a esta caché, por lo que las consultas y las uniones pueden comportarse de manera distinta en ejecuciones repetidas.

Preguntas frecuentes

1. ¿De qué trata "Java Performance: The Definitive Guide", de Scott Oaks?

  • Enfoque integral en el rendimiento de Java: El libro explora el arte y la ciencia del rendimiento de Java y profundiza en los aspectos internos de la JVM, la recolección de basura, la compilación JIT y las optimizaciones de las API de Java SE/EE.
  • Un puente entre teoría y práctica: Scott Oaks equilibra los conceptos teóricos con consejos prácticos, ayudando a los lectores a entender tanto cómo funciona Java internamente como la manera de aplicar buenas prácticas en situaciones reales.
  • Cobertura integral del rendimiento: Los temas incluyen gestión de memoria, hilos, sincronización, ciclo de vida de los objetos, ajuste de contenedores web, acceso a bases de datos y mucho más, para ofrecer una visión completa de la ingeniería del rendimiento en Java.

2. ¿Por qué debería leer "Java Performance: The Definitive Guide", de Scott Oaks?

  • Orientación experta y práctica: Scott Oaks es una autoridad reconocida en rendimiento de Java y ofrece estrategias probadas para optimizar aplicaciones y evitar errores frecuentes.
  • Abarca Java SE y EE: El libro aborda aspectos del rendimiento de una amplia variedad de aplicaciones Java, desde las funciones básicas del lenguaje hasta tecnologías empresariales como EJB y JPA.
  • Hace hincapié en la medición y el ajuste: Los lectores aprenden la importancia de probar en entornos reales, usar las herramientas adecuadas y tomar decisiones de optimización basadas en datos.

3. ¿Cuáles son las principales conclusiones de "Java Performance: The Definitive Guide", de Scott Oaks?

  • El rendimiento es tanto arte como ciencia: Para realizar un ajuste eficaz se necesitan conocimientos profundos de la JVM, experiencia e intuición.
  • Prueba y mide en contexto: Las pruebas de rendimiento realistas, repetidas y analizadas estadísticamente son esenciales para obtener resultados significativos.
  • Optimización integral: El trabajo eficaz en rendimiento abarca el ajuste de la JVM, las buenas prácticas de programación, la gestión de memoria, los hilos y los factores externos del sistema.

4. ¿Cuáles son las mejores citas de "Java Performance: The Definitive Guide", de Scott Oaks, y qué significan?

  • «El ajuste del rendimiento es en parte arte y en parte ciencia». Esto destaca que para optimizar aplicaciones Java hacen falta tanto conocimientos técnicos como intuición práctica.
  • «Prueba aplicaciones reales, no solo microbenchmarks». Subraya que solo las pruebas en condiciones reales permiten conocer las verdaderas características del rendimiento y localizar los cuellos de botella.
  • «La ley de los rendimientos decrecientes también se aplica al tamaño del montón». Recuerda a los lectores que aumentar el tamaño del montón no siempre mejora el rendimiento y que, a veces, incluso puede empeorarlo.

5. ¿Cómo recomienda Scott Oaks abordar las pruebas de rendimiento de Java en "Java Performance: The Definitive Guide"?

  • Prueba situaciones del mundo real: Las pruebas de rendimiento deben realizarse con la aplicación real, tal como se utilizará, y no solo con módulos aislados o microbenchmarks.
  • Ten en cuenta la variabilidad: Ejecuta las pruebas varias veces y emplea análisis estadísticos (como la prueba t de Student) para distinguir las regresiones reales del ruido aleatorio.
  • Integra las pruebas desde el principio: Las pruebas de rendimiento automatizadas y frecuentes durante el ciclo de desarrollo ayudan a detectar regresiones y recopilar datos completos para el análisis.

6. ¿Cuáles son los principales aspectos internos de la máquina virtual de Java (JVM) y las estrategias de ajuste que se tratan en "Java Performance: The Definitive Guide"?

  • Compilación JIT: Al principio, la JVM interpreta el bytecode y después compila los métodos activos a código nativo para mejorar el rendimiento; el ajuste implica seleccionar modos de compilación y gestionar la caché de código.
  • Algoritmos de recolección de basura: El libro trata los recolectores serial, de rendimiento (paralelo), CMS y G1, cada uno con distintas compensaciones en cuanto a duración de las pausas, rendimiento y tamaño del montón.
  • Tamaño del montón y de las generaciones: Ajustar correctamente el tamaño del montón y sus generaciones, así como los indicadores relacionados, es crucial para equilibrar la frecuencia de la recolección de basura, la duración de las pausas y el uso de memoria.

7. ¿Cuáles son los principales algoritmos de recolección de basura (GC) y sus compensaciones en "Java Performance: The Definitive Guide", de Scott Oaks?

  • Recolector serial: Sencillo y de un solo hilo; es adecuado para montones pequeños y sistemas con una sola CPU, pero provoca pausas largas.
  • Recolector de rendimiento (paralelo): Usa varios hilos y maximiza el rendimiento, pero puede provocar pausas largas durante ciclos completos de recolección de basura.
  • Concurrent Mark Sweep (CMS): Reduce la duración de las pausas al realizar la mayor parte del trabajo simultáneamente, pero consume más CPU y puede sufrir fragmentación y fallos de promoción.
  • Recolector G1: Diseñado para montones grandes, divide la memoria en regiones, equilibra la duración de las pausas y el rendimiento, y reduce el riesgo de fragmentación.

8. ¿Qué recomienda "Java Performance: The Definitive Guide", de Scott Oaks, para elegir y ajustar un recolector de basura para una aplicación?

  • Adapta el GC a la carga de trabajo: Usa el GC serial para montones pequeños o una sola CPU, el GC de rendimiento para maximizar el rendimiento en sistemas con varias CPU y CMS o G1 cuando se necesitan pausas breves y montones grandes.
  • Ten en cuenta el tipo de aplicación: Los trabajos por lotes con CPU disponible pueden beneficiarse de los recolectores concurrentes, mientras que los trabajos limitados por la CPU quizá rindan mejor con el GC de rendimiento.
  • Ajusta según los objetivos de tiempo de respuesta: El GC de rendimiento suele ofrecer mejores tiempos de respuesta promedio, mientras que los recolectores concurrentes como CMS y G1 mejoran los tiempos de respuesta en los percentiles 90 o 99 al reducir las pausas largas.

9. ¿Cuáles son las mejores prácticas para gestionar la memoria del montón y evitar errores de falta de memoria en "Java Performance: The Definitive Guide"?

  • Minimiza la creación de objetos: Crea objetos con moderación y descártalos pronto para reducir la presión sobre el GC, pero sopesa esta práctica frente al coste de volver a crear objetos cuya creación es costosa.
  • Usa técnicas de reutilización de objetos: Emplea con criterio variables locales al hilo, grupos de objetos y referencias especiales (débiles, suaves y fantasma) para gestionar la memoria de forma eficiente.
  • Analiza y supervisa el montón: Usa herramientas como jcmd, jmap y analizadores del montón para detectar fugas de memoria y optimizar la retención de objetos; genera volcados del montón cuando se produzcan errores de falta de memoria para diagnosticar el problema.

10. ¿Qué consejos sobre rendimiento de hilos y sincronización ofrece Scott Oaks en "Java Performance: The Definitive Guide"?

  • Dimensionamiento de los grupos de hilos: Establece con cuidado los tamaños mínimo y máximo de los grupos de hilos; a menudo conviene que la cantidad de hilos de trabajo coincida con la cantidad de CPU disponibles.
  • Evita la sobresuscripción de hilos: Demasiados hilos pueden reducir el rendimiento, sobre todo en tareas limitadas por la CPU o cuando existen cuellos de botella externos.
  • Reduce los costes de sincronización: Limita el uso de bloques sincronizados para evitar la contención; prefiere utilidades sin bloqueos y variables locales al hilo para mejorar la escalabilidad.

11. ¿Cómo aborda "Java Performance: The Definitive Guide", de Scott Oaks, el rendimiento de Java EE, incluidos el estado de las sesiones HTTP, los EJB y el acceso a bases de datos?

  • Gestiona la memoria de las sesiones HTTP: Reduce al mínimo los datos de sesión y usa las funciones del servidor para serializar o almacenar en caché el estado de las sesiones, reduciendo el impacto en el montón y las pausas de recolección de basura.
  • Ajusta los grupos y las cachés de EJB: Agrupa los EJB para reducir los costes de inicialización, configura con cuidado el tamaño estable de los grupos y evita la pasivación de los beans con estado para mantener el rendimiento.
  • Optimiza el acceso a bases de datos: Usa sentencias preparadas, agrupación de sentencias, operaciones por lotes y grupos de conexiones del tamaño adecuado; gestiona las transacciones y los bloqueos para mejorar la escalabilidad.

12. ¿Qué implicaciones para el rendimiento tienen las funciones de Java 8, como las lambdas y los streams, en "Java Performance: The Definitive Guide"?

  • Lambdas frente a clases anónimas: Las lambdas ofrecen un rendimiento similar en tiempo de ejecución, pero reducen la carga de clases porque se implementan como métodos estáticos.
  • Los streams permiten una evaluación diferida: Los streams procesan los datos de forma diferida, lo que permite detenerse antes y obtener posibles mejoras de rendimiento frente al procesamiento ávido.
  • Procesamiento paralelo y filtros: Los streams facilitan el procesamiento paralelo en sistemas multinúcleo y, aunque varios filtros añaden cierto coste, en muchos casos pueden superar en rendimiento a los iteradores tradicionales.

Sobre el autor

Scott Oaks es un autor muy respetado en el ámbito de la programación Java y la optimización del rendimiento. Gracias a su amplia experiencia en desarrollo de software, Oaks se ha consolidado como una autoridad en los aspectos internos de Java y el ajuste del rendimiento. Su estilo de escritura es elogiado por su claridad y profundidad, que hacen accesibles temas complejos. Su obra es reconocida por su enfoque práctico, que combina conocimientos teóricos con ejemplos del mundo real y benchmarks. Su experiencia en los aspectos internos de la JVM, la recolección de basura y el análisis del rendimiento se aprecia en todos sus libros, ampliamente recomendados tanto a quienes se inician en Java como a quienes ya tienen experiencia.

Descargar PDF

Para guardar este resumen de Java Performance para más tarde, descarga el PDF gratis. Puedes imprimirlo o leerlo sin conexión cuando quieras.
Download PDF

Descargar EPUB

Para leer este resumen de Java Performance en tu dispositivo o aplicación de lectura, descarga el EPUB gratis. El formato de libro digital .epub es ideal para leer libros electrónicos en teléfonos, tabletas y lectores electrónicos.
Download EPUB
¿Quieres leer el libro completo?
Seguir
Escuchar
Inicio
Swipe
Biblio
App
Prueba el acceso completo por 3 días
Escucha, guarda y mucho más
Comparar funciones Gratis Pro
📖 Leer resúmenes
Lee resúmenes ilimitados. Los usuarios gratuitos obtienen 3 al mes
🎧 Escuchar resúmenes
Escucha resúmenes ilimitados en 40 idiomas
—
❤️ Marcadores ilimitados
Usuarios gratuitos limitados a 4
—
📜 Historial ilimitado
Usuarios gratuitos limitados a 4
—
📥 Descargas ilimitadas
Usuarios gratuitos limitados a 1
—
Cronología sin riesgo
Hoy: Obtén acceso instantáneo
Escucha resúmenes completos de más de 26.000 libros. ¡Son más de 12.000 horas de audio!
Día 2: Recordatorio de prueba
Te enviaremos una notificación de que tu prueba está por terminar.
Día 3: Tu suscripción comienza
Se te cobrará el 24 nov,
cancela en cualquier momento antes.
Consume 2.8× More Books
2.8× libros más Escucha Lectura
Nuestros usuarios nos adoran
1M+ lectores
Trustpilot Rating
TrustPilot
4.6 Excelente
Este sitio es un antes y un después. He leído resúmenes como nunca antes. Lo recomiendo muchísimo.
— Dave G
Vale cada centavo y cada minuto, y está muy bien hecho. Nunca había visto esta calidad de resúmenes en otros sitios. ¡Muy útil!
— Em
¡Muy recomendado! Servicio fantástico. Perfecto para quienes quieren algo más que una sinopsis, pero no todos los detalles de un audiolibro completo.
— Greg M
Ahorra un 62%
Anual
$119.88 $44.99/año/año
$3.75/mes
Mensual
$9.99/mes
Inicia tu prueba gratuita de 3 días
3 días gratis, luego $44.99/año. Cancela cuando quieras.
Unlock a world of fiction & nonfiction books
Más de 26.000 libros por el precio de 2
Lee cualquier libro en 10 minutos
Descubre libros nuevos como en Tinder
Solicita cualquier libro si no está resumido
Lee más libros que cualquiera que conozcas
La app nº 1 para amantes de los libros
Lifelike & immersive summaries
Garantía de devolución de 30 días
Descarga resúmenes en EPUB o PDF
Cancela en cualquier momento con unos clics

¿Por qué solo un resumen?

Escáner
Busca un código de barras para escanear

⭐
⭐
⭐
Tenemos un regalo especial para ti
Abrir
38% de descuento
DESCUENTO PARA TI
⭐
⭐
⭐
$79.99
$49.99/año
Solo $4.16 al mes
Continuar
Empieza con 2 toques y cancela fácilmente
Configuración
General
Widget
Cargando...