轉(zhuǎn)自：JVM優(yōu)化之逃逸分析（Escape Analysis）
什么是逃逸分析(Escape Analysis)?
在編程語言的編譯優(yōu)化原理中，分析指針動態(tài)范圍的方法稱之為逃逸分析。它跟靜態(tài)代碼分析技術(shù)中的指針分析和外形分析類似。
通俗一點講，當(dāng)一個對象的指針被多個方法或線程引用時，我們稱這個指針發(fā)生了逃逸。而用來分析這種逃逸現(xiàn)象的方法，就稱之為逃逸分析。
舉個例子：
在這個例子中，一共舉了3種常見的指針逃逸場景。分別是 全局變量賦值，方法返回值，實例引用傳遞。
逃逸分析優(yōu)化JVM原理
我們知道java對象是在堆里分配的，在調(diào)用棧中，只保存了對象的指針。
當(dāng)對象不再使用后，需要依靠GC來遍歷引用樹并回收內(nèi)存，如果對象數(shù)量較多，將給GC帶來較大壓力，也間接影響了應(yīng)用的性能。減少臨時對象在堆內(nèi)分配的數(shù)量，無疑是最有效的優(yōu)化方法。
怎么減少臨時對象在堆內(nèi)的分配數(shù)量呢？不可能不實例化對象吧！
場景介紹
其實，在java應(yīng)用里普遍存在一種場景。一般是在方法體內(nèi)，聲明了一個局部變量，且該變量在方法執(zhí)行生命周期內(nèi)未發(fā)生逃逸（在方法體內(nèi)，未將引用暴露給外面）。
按照JVM內(nèi)存分配機制，首先會在堆里創(chuàng)建變量類的實例，然后將返回的對象指針壓入調(diào)用棧，繼續(xù)執(zhí)行。
這是優(yōu)化前，JVM的處理方式。
逃逸分析優(yōu)化 - 棧上分配
優(yōu)化原理：分析找到未逃逸的變量，將變量類的實例化內(nèi)存直接在棧里分配(無需進(jìn)入堆)，分配完成后，繼續(xù)在調(diào)用棧內(nèi)執(zhí)行，最后線程結(jié)束，?？臻g被回收，局部變量對象也被回收。
這是優(yōu)化后的處理方式，對比可以看出，主要區(qū)別在棧空間直接作為臨時對象的存儲介質(zhì)。從而減少了臨時對象在堆內(nèi)的分配數(shù)量。
逃逸分析的原理很簡單，但JVM在應(yīng)用過程中，還是有諸多考慮。
比如，逃逸分析不能在靜態(tài)編譯時進(jìn)行，必須在JIT里完成。原因是，與java的動態(tài)性有沖突。因為你可以在運行時，通過動態(tài)代理改變一個類的行為，此時，逃逸分析是無法得知類已經(jīng)變化了。
逃逸分析另一個重要的優(yōu)化 - 同步消除
如果你定義的類的方法上有同步鎖，但在運行時，卻只有一個線程在訪問，此時逃逸分析后的機器碼，會去掉同步鎖運行。
來自 http://blog.uncommons.org/ 性能測試結(jié)果。
測試場景１：
生成幾百萬個隨機數(shù)，然后做一些少量運算。
VM 參數(shù): -server
95 秒
VM 參數(shù): -server -XX:+DoEscapeAnalysis
73 秒
性能提高: 23%
測試場景２：
非負(fù)矩陣分解算法。
VM 參數(shù): -server
22.6 秒
VM 參數(shù): -server -XX:+DoEscapeAnalysis
20.8 秒
性能提升: 8%
安裝jdk1.6.0_14，運行java時傳遞jvm參數(shù) -XX:+DoEscapeAnalysis
逃逸分析還能用于以下優(yōu)化場景，但在JVM中未知使用。
1，標(biāo)量替換（Scalar Replacement）
2，減小競爭檢測范圍
3，基于區(qū)域的內(nèi)存分配
…...
參考資料：
http://www.cag.csail.mit.edu/~rinard/pointer_and_escape_analysis/
http://developer.amd.com/documentation/Articles/pages/01302008_jvm.aspx
http://en.wikipedia.org/wiki/Escape_analysis
http://en.wikipedia.org/wiki/Java_performance#Escape_analysis_and_lock_coarsening
http://staff.ustc.edu.cn/~yuzhang/papers/cncc07.pdf (一種實現(xiàn)方法，過于學(xué)術(shù)，不過引言部分寫得很不錯)
http://java.dzone.com/articles/escape-analysis-java-6-update
http://en.wikipedia.org/wiki/Non-negative_matrix_factorization
