Java高速、多线程虚拟内存的实现

本文作者Alex已经从事Java开发15年了，最近帮助开发了COBOL和Magik语言的JVM 。当前，他正致力于Micro Focus的Java性能测试工具。在本文中，他阐述了在标准硬件中实现高速、多线程虚拟内存的可能性及方案。原文内容如下。

你想在标准硬件上运行TB级甚至PB级内存的JVM吗？你想与内存交互一样读写文件，且无需关心文件的打开、关闭、读、写吗？

JVM的64位地址空间使这些成为可能。

首先，不要在观念上将内存和磁盘进行区分，而是统一处理为内存映射文件。在32位地址空间时，内存映射文件只是为了高速访问磁盘；因为受限于虚拟机的有限地址空间，并不支持大规模的虚拟内存或大文件。如今JVM已经发展为64位，而且可以在64位操作系统上运行。在一个进程的地址空间中，内存映射文件大小就可以达到TB甚至PB。

进程无需关心内存是在RAM或是磁盘上。操作系统会负责处理，而且处理得非常高效。

我们可以使用Java的MappedByteBuffer类访问内存映射文件。该类的实例对象与普通的ByteBuffer一样，但包含的内存是虚拟的——可能是在磁盘上，也可能是在RAM中。但无论哪种方式，都是由操作系统负责处理。因为的ByteBuffer的大小上限是Intger.MAX_VALUE，我们需要若干个ByteBuffer来映射大量内存。在这个示例中，我映射了40GB。

这是因为我的Mac只有16GB内存，下面代码证明了这一点！

public MapperCore(String prefix, long size) throws IOException {
    coreFile = new File(prefix + getUniqueId() + ".mem");
    // This is a for testing - to avoid the disk filling up
    coreFile.deleteOnExit();
    // Now create the actual file
    coreFileAccessor = new RandomAccessFile(coreFile, "rw");
    FileChannel channelMapper = coreFileAccessor.getChannel();
    long nChunks = size / TWOGIG;
    if (nChunks > Integer.MAX_VALUE)
        throw new ArithmeticException("Requested File Size Too Large");
    length = size;
    long countDown = size;
    long from = 0;
    while (countDown > 0) {
        long len = Math.min(TWOGIG, countDown);
        ByteBuffer chunk = channelMapper.map(MapMode.READ_WRITE, from, len);
        chunks.add(chunk);
        from += len;
        countDown -= len;
    }
}

上面的代码在虚拟内存创建了40GB MappedByteBuffer对象列表。读取和写入时只需要注意处理两个内存模块的跨越访问。完整代码的可以在这里找到。

线程

一个极其强大且简单易用的方法就是线程。但是普通的Java IO简直就是线程的噩梦。两个线程无法在不引起冲突的情况下同时访问相同的数据流或RandomAccessFile 。虽然可以使用非阻塞IO，但是这样做会增加代码的复杂性并对原有的代码造成侵入。

与其他的内存线程一样，内存映射文件也是由操作系统来处理。可以根据读写需要，在同一时刻尽可能多的使用线程。我的测试代码有128个线程，而且工作得很好（虽然机器发热比较大）。唯一重要的技巧是复用MappedByteBuffer对象，避免自身位置状态引发问题。

现在可以执行下面的测试：

@Test
public void readWriteCycleThreaded() throws IOException {
final MapperCore mapper = new MapperCore("/tmp/MemoryMap", BIG_SIZE);
final AtomicInteger fails = new AtomicInteger();
final AtomicInteger done = new AtomicInteger();
Runnable r = new Runnable() {
    public void run() {
        try {
            // Set to 0 for sequential test
            long off = (long) ((BIG_SIZE - 1024) * Math.random());
            System.out.println("Running new thread");
            byte[] bOut = new byte[1024];
            double counts = 10000000;
            for (long i = 0; i < counts; ++i) {
                ByteBuffer buf = ByteBuffer.wrap(bOut);
                long pos = (long) (((BIG_SIZE - 1024) * (i / counts)) + off)
                        % (BIG_SIZE - 1024);
                // Align with 8 byte boundary
                pos = pos / 8;
                pos = pos * 8;
                for (int j = 0; j < 128; ++j) {
                    buf.putLong(pos + j * 8);
                }
                mapper.put(pos, bOut);
                byte[] bIn = mapper.get(pos, 1024);
                buf = ByteBuffer.wrap(bIn);
                for (int j = 0; j < 128; ++j) {
                    long val = buf.getLong();
                    if (val != pos + j * 8) {
                        throw new RuntimeException("Error at " + (pos + j * 8) + " was " + val);
                    }
                }
            }
            System.out.println("Thread Complete");
        } catch (Throwable e) {
            e.printStackTrace();
            fails.incrementAndGet();
        } finally {
            done.incrementAndGet();
        }
    }
};
int nThreads = 128;
for (int i = 0; i < nThreads; ++i) {
    new Thread(r).start();
    }
while (done.intValue() != nThreads) {
    try {
        Thread.sleep(1000);
    } catch (InterruptedException e) {
        // ignore
    }
    }
if (fails.intValue() != 0) {
    throw new RuntimeException("It failed " + fails.intValue());
    }
}

我曾尝试进行其他形式的IO，但是只要像上面那样运行128个线程，性能都不如上面的方法。我在四核、超线程I7 Retina MacBook Pro上尝试过。代码运行时会启动128个线程，超出CPU的最大负载(800%)，直到操作系统检测到该进程的内存不足。在这个时候，系统开始对内存映射文件的读写进行分页。为实现这一目标，内核会占用一定的CPU，Java进程的性能会下降到650～750%。Java无需关心读取、写入、同步或类似的东西——操作系统会负责处理。

结果会有所不同

如果读取和写入点不是连续而是随机的，性能下降有所区别（带有交换时会达到750%，否则会达到250%）。我相信这种方式可能更适合处理少量的大数据对象，而不适用于大量的小数据对象。对于后者，可能的处理办法是预先将大量小数据对象加载到缓存中，再将其映射到虚拟内存。

应用程序

到目前为止，我使用的技术都是虚拟内存系统。在示例中，一旦与虚拟内存交互完成，就会删除底层文件。但是，这种方法可以很容易地进行数据持久化。

例如，视频编辑是一个非常具有挑战性的工程问题。一般来说，有两个有效的方法：无损耗存储整个视频，并编辑存储的信息；或根据需要重新生成视频。因为RAM的制约，后一种方法越来越普遍。然而，视频是线性的——这是一种理想的数据类型，可用来存储非常大的映射虚拟内存。由于在视频算法上取得的进步，可以将它作为原始字节数组访问。操作系统会根据需要将磁盘到虚拟内存的缓冲区进行分页处理。

另一个同样有效的应用场景是替代文档服务中过度设计的RAM缓存解决方案。想想看，我们有一个几TB的中等规模的文档库。它可能包含图片、短片和PDF文件。有一种常见的快速访问磁盘的方法，使用文件的RAM缓存弱引用或软引用。但是，这会对JVM垃圾收集器产生重大影响，并且增加操作难度。如果将整个文档映射到虚拟内存，可以更加简单地完成同样的工作。操作系统会根据需要将数据读入内存。更重要的是，操作系统将尽量保持RAM中最近被访问的内存页。这意味着内存映射文件就像RAM缓存一样，不会对Java或JVM垃圾收集器产生任何影响。

最后，内存映射文件在科学计算和建模等应用中非常有效。在用来处理代表真实世界系统的计算模型时，经常需要大量的数据才能正常工作。在我的音频处理系统Sonic Field中，通过混合和处理单一声波，可以模拟真实世界中的音频效果。例如，创建原始音频副本是为模拟从硬表面反射的声波，并将反射回来的声波与原声波混合。这种方法需要大量的存储空间，这时就可以把音频信号放在虚拟内存中（也是这项工作的最初动机）。

原文链接： jaxenter 翻译： ImportNew.com - MarkGZ
译文链接： http://www.importnew.com/9270.html