一、JVM垃圾回收機制（桌面/服務器端）
1.?核心算法：分代收集
新生代回收（Minor GC）
觸發條件：Eden區滿時觸發
算法：復制算法（Eden → Survivor區）
過程：存活對象在Survivor區間復制，年齡+1；年齡超閾值（默認15）晉升老年代
老年代回收（Major GC/Full GC）
觸發條件：老年代空間不足
算法：標記-清除（產生碎片）或標記-整理（無碎片）
耗時：10倍于Minor GC，導致應用暫停（STW）
2.?對象存活判定：可達性分析
GC Roots類型：
虛擬機棧局部變量
方法區靜態變量與常量
JNI引用對象
解決循環引用：不可達對象判定為垃圾（對比引用計數法）
3.?GC觸發場景
| GC類型 | 觸發條件 | 影響范圍 |
|---|---|---|
| Minor GC | Eden區滿 | 僅新生代 |
| Full GC | 老年代滿/調用System.gc() | 全堆+方法區 |
| MetaSpace GC | 類元數據超限 | 元空間 |
二、Dalvik垃圾回收機制（Android 4.4及之前）
1.?核心設計：移動端適配
堆結構：
Zygote堆：預加載系統類（進程間共享）
Active堆：應用獨享，對象分配主區域
回收算法：標記-清除（Mark-Sweep）
位圖標記：獨立空間記錄對象狀態，減少對象頭開銷
三次STW：
每次暫停約5-10ms，導致界面卡頓
2.?致命缺陷
全堆掃描：每次GC需遍歷所有對象
內存碎片：清除后產生不連續空間，大對象分配失敗
高功耗：頻繁GC增加CPU負載
三、ART垃圾回收機制（Android 5.0+）
1.?革命性優化
2.?核心機制解析
并發標記清除（CMS）：
標記階段：
初始標記（STW暫停1次）：標記根對象（耗時≤1ms）
并發標記：與應用線程并行遍歷引用鏈
最終標記（非STW）：處理引用變更（ModUnionTable記錄臟數據）
清除階段：后臺線程異步回收
分代策略增強：
年輕代：復制算法（Minor GC <2ms）
老年代：標記-整理（避免碎片）
大對象直存老年代：避免年輕代頻繁回收
3.?GC觸發條件
| GC原因 | 觸發場景 | 線程影響 |
|---|---|---|
| kGcCauseForAlloc | 分配對象時內存不足 | STW暫停 |
| kGcCauseBackground | 后臺并發GC（堆使用達閾值） | 無STW |
| kGcCauseExplicit | 調用System.gc() | STW暫停 |
四、三大運行時GC機制對比
| 維度 | JVM | Dalvik | ART |
|---|---|---|---|
| 堆結構 | 新生代+老年代+元空間 | Zygote堆+Active堆 | Image/Zygote/Allocation/Large Object Space |
| 回收算法 | 分代收集（復制+標記整理） | 標記-清除（全堆掃描） | CMS（并發標記+增量清除） |
| STW暫停 | Full GC時顯著暫停 | 3次暫停/次GC | 僅1次初始標記暫停 |
| 碎片處理 | 標記整理壓縮 | 無優化（依賴Bionic） | 在線內存壓縮（ART 10+） |
| 移動端優化 | 無 | 寫時復制共享Zygote堆 | AOT+JIT混合編譯 |
| 典型GC耗時 | Full GC：100ms+ | 每次暫停5-10ms | Minor GC：<2ms；Full GC：5-10ms |
五、面試標準答案（背誦版）
Q：JVM、Dalvik與ART的GC核心區別？
A：?三者本質是不同場景的運行時環境，核心差異如下：
算法設計：
JVM：分代收集（新生代復制算法+老年代標記整理）
Dalvik：標記-清除（全堆掃描，三次STW卡頓嚴重）
ART：并發標記清除（CMS僅1次STW，增量清除減少卡頓）
堆結構：
JVM：新生代（Eden+Survivor）+老年代
Dalvik：Zygote堆（共享）+Active堆（進程獨享）
ART：四空間劃分（Image預加載類+Large Object專存大對象）
移動端優化：
Dalvik：寫時復制共享系統類（節省內存）
ART：AOT預編譯減少運行時開銷，并發GC降低STW至1次
性能指標：
卡頓：ART（5ms）< Dalvik（30ms）< JVM Full GC（100ms+）
內存利用率：ART > JVM > Dalvik（碎片問題）128
Q：ART如何實現高效GC？
A：?四大關鍵技術：
并發標記：通過ModUnionTable記錄引用變更，標記階段僅需1次STW
增量清除：回收過程與應用線程并行
堆分區：Large Object Space隔離大對象，減少年輕代壓力
AOT預編譯：安裝時生成機器碼，減少運行時解釋開銷
)
的SVM多分類預測)
)
