最近，我所在的团队面临着部署微服务(Java+SpringMVC in Docker on AWS)的问题。主要问题是，很多非常轻巧的应用程序消耗了太多的内存。因此，我们经过多方尝试找到了在Docker中关于Java内存消耗的问题，并通过重构和迁移到Spring Boot实现了减少消耗的方法。本文，我将和大家分享这整个过程，希望能够对大家有所帮助。
在部署之前，我们要估计应用程序消耗多少内存。为此，我们制定了一个清晰简单的方程来找到RSS：
RSS = Heap size + MetaSpace + OffHeap size
这里OffHeap由线程堆栈，缓冲区，库(* .jars)和JVM代码组成。
Resident Set Size是当前分配给进程使用的RAM的数量。它包括代码、数据和共享库。
让我们根据本地Java VisualVM值找到它：
RSS = 253(Heap) + 100(Metaspace) + 170(OffHeap) + 52*1(Threads) = 600Mb (max avarage)
所以，我们得出结果：大概600Mb就够了。我们选择了一个t2.micro AWS实例(具有1Gb RAM)进行部署，并开始部署应用程序。首先，通过JVM选项提供有关内存配置的一些信息：
此外，作为应用程序的基础图像，我们选择了 ，因为我们发现它是 Jetty Java *.wars中最轻量级的图像之一。
正如前文所提到的600Mb就足够了，所以启动了一个容器，其容量如下：
docker run -m 600m
那么你觉得这样会发生什么?我们的集装箱会由于内存不足被DD(Docker daemon)杀死。这个容器是在本地启动的，具有完全相同的参数，通过逐步增加容器的内存限制，我们达到了700…我开玩笑的，我们有850mb。
经过观察和阅读有用的文章，我们决定进行测量。结果是非常奇怪和有争议的。
Heap Size与我们本地相同：
但Docker显示了一些疯狂的统计数据：
发生了什么事?情况变得非常混乱...
我们花了很多时间去搞清楚这些数据为什么会有争议，在搜索过程中发现我们并不是个例。在查找了很多资料，分析了 应用之后，我们几乎找到了答案。大部分额外的内存都是被用于存储编译的类及其元数据。
那么有关JavaVM / Docker统计数据的争议数字呢?事实证明，Java VisualVM不了解OffHeap的内容，因此，使用此工具调查Java应用程序的内存消耗会非常棘手。此外，了解您使用的JVM选项也是至关重要。在我看来，指定-Xmx=512m告诉JVN分配512mb Heap，但是它并不告诉JVM整个内存使用要限制在512mb，所以就会出现代码缓存和其它非Heap数据占用内存直至超过。所以，要指定总内存需要使用XX：MaxRAM参数。请注意，使用MaxRam = 512m，你的Heap约为250mb，这时就要注意应用程序JVM选项。
星期一早上，寻找灵丹妙药...
NMT和Java VisualVM Memory Sampler 可以帮助我们发现内部核心框架在内存中多次重写的依赖，并且重复的数量等于微服务中子模块的数量。如果想要更好的掌握这一点，首先要说明一下我们的“微服务”结构：
这是NMT(在本地机器上)的一个模块快照(具有73MB加载的类元数据，42MB线程和37MB的代码，包括lib)：
据我所知，构建这样的应用程序是一个很大的错误。首先，每个* .war已经作为一个单独的应用程序部署在Jetty servlet容器中，这是非常奇怪的。因为根据定义，微服务应该是一个部署应用程序(部署单元)。其次，Jetty在内存中分别保存每个* .war的所有必需库，即使所有这些库具有相同的版本。因此，DB连接、核心框架的各种基本功能等都会在内存中重复。
一般的解决方案就是重构，让应用成为真正的微服务器。此外，我们可能还需要一整套的Jetty，但是一般人听到它的报价就能望而却步。圈内有句著名的评论“不要在Jetty中部署应用程序，而是要在应用程序中部署Jetty。
我们决定尝试使用嵌入式Jetty的Spring Boot，因为它是独立应用程序中最常用的工具，尤其是在我们的案例中。配置很少，没有XML，每个Spring框架都有优势，还有很多插件，自动配置。除此之外，网上还有大量的实用教程和文章，这些都让Spring Boot看起来是个不错的选择。
由于我们不再需要单独的Jetty应用程序服务器，所以我们将基础Docker的图像更改为轻量级的openjdk。
openjdk:8-jre-alpine
根据新的要求重构了应用程序之后，我们得到了类似下图的东西：
现在一切都准备好了，我们来测试一下。
先从Java VirtualVM进行测试：
从数据中可以看出，虽然新版本有了一些改进，但是与之前的应用程序相比变化并没有那么大：
然后，我们再来看看Docker的统计数据：
结果很明显，我们已经减少了内存消耗。
结论
对我们团队来说，这是一个很有意思的挑战。找到导致错误或者某件事情的根本原因，会让你在特定领域中看得更深更广。网上的资源非常丰富，如果你下定决心去查找答案，那么就一定会找得到。另外，从这次事件中也认识到，不要完全信任Java VisualVM的内存消耗预计。
对于技术的学习和性能的提高，我有三个更多和大家分享，阅读更多，改进更多，调查更多。另外，避免常规，尽可能自动化，这样你可以更有效的进行工作。
本文转自d1net（转载）
