健壮的 Java 基准测试

阅读量：5026 次

发布时间：2019-06-12

本文共 17521 字，大约阅读时间需要 58 分钟。

健壮的 Java 基准测试

健壮的 Java 基准测试，第 1 部分: 问题

了解 Java 代码基准测试的问题

, 程序员, Elliptic Group, Inc.

简介：程序性能一直是受到关注的问题，即使在现在这样的高性能硬件时代，也是如此。本文是分两部分的文章系列的第一篇，讨论与 Java™ 代码基准测试相关的许多问题。讨论基准测试的统计并提供一个执行 Java 基准测试的框架。因为几乎所有新语言都是基于虚拟机的，所以本文讨论的基本原则适用于许多编程语言。

发布日期：2008 年 7 月 09 日

级别：高级
其他语言版本：

访问情况：3022 次浏览

评论：0 (|- 登录)

平均分 (4个评分)

当今的 CPU 速度已经达到数 GHz，出现了多核处理器和数 GB 的内存，即使在这样的时代，程序性能问题仍然受到持续的关注。随着硬件功能的每次提高，都会出现具有挑战性的新型应用程序（或者增加了程序员的 “惰性”）。基准测试代码（以及从基准测试结果得出正确的结论）总是存在问题和困难，而且几乎没有比 Java 更难进行基准测试的语言，尤其是在先进的现代虚拟机上。

这个分两部分的文章系列只讨论程序执行时间，不考虑执行程序时的其他重要性质，比如内存使用量。即使在如此狭义的性能定义之下，精确地进行代码基准测试仍然有很多困难。这些问题的数量和复杂性使大多数基准测试都不太精确，常常导致误解。本文的第一部分只讨论这些问题，并给出了在编写自己的基准测试框架时需要考虑的各个方面。

一个性能难题

我首先通过一个性能难题演示一些基准测试方面的问题。请考虑清单 1 中的代码（参见获得本文的完整示例代码链接）：

清单 1. 性能难题

protected static int global;public static void main(String[] args) {    long t1 = System.nanoTime();    int value = 0;    for (int i = 0; i < 100 * 1000 * 1000; i++) {        value = calculate(value);    }    long t2 = System.nanoTime();    System.out.println("Execution time: " + ((t2 - t1) * 1e-6) + " milliseconds");}protected static int calculate(int arg) {    //L1: assert (arg >= 0) : "should be positive";    //L2: if (arg < 0) throw new IllegalArgumentException("arg = " + arg + " < 0");    global = arg * 6;    global += 3;    global /= 2;    return arg + 2;}

以下哪个版本运行得最快呢？

保持此代码不变（calculate中没有arg测试）

只取消L1行的注释标志，但是禁用断言（使用-disableassertionsJVM 选项；这也是默认行为）

只取消L1行的注释标志，但是启用断言（使用-enableassertionsJVM 选项）

只取消L2行的注释标志

您至少应该猜出 A 版本（没有测试）一定是最快的，还可能猜到 B 应该与 A 差不多一样快，因为在关闭断言的情况下，L1行是死代码，良好的动态优化编译器应该会消除它。这种猜测对吗？不幸的是，可能错了。中的代码取自 Cliff Click 在 2002 JavaOne 上的发言稿（参见）。他的幻灯片报告了下面的执行时间：

5 秒

0.2 秒

（他没有报告这种情况下的数据）

5 秒

当然，最让人吃惊的是 B。它怎么会比 A 快 25 倍呢？

6 年后，我在下面的现代配置上运行了中的代码（除非另外说明，本文中的所有基准测试结果都采用这种配置）：

硬件：2.2 GHz Intel Core 2 Duo E4500，2 GB RAM

操作系统：Windows® XP SP2，包含到 2008 年 3 月 13 日为止的所有更新

JVM：1.6.0_05，所有测试都使用-server选项

我得到了以下结果：

38.601 ms

56.382 ms

38.502 ms

39.318 ms

B 现在明显比 A、C 和 D 慢。但是，结果仍然很奇怪：B 应该与 A 差不多，可是它比 C 还慢，这很让人吃惊。注意，我对每个版本做了 4 次度量，都获得了大体类似的结果（偏差在 1 ms 之内）。

Click 的幻灯片讨论了为什么会得到奇怪的结果（他把这种现象归因于复杂的 JVM 行为；还牵涉到一个 bug）。Click 是 HotSpot JVM 的架构师，所以他的解释应该是合理的。但是，普通的程序员有办法进行正确的基准测试吗？

答案是肯定的。在本文的中，我将提供一个 Java 基准测试框架，您可以放心地下载和使用它，因为它处理了许多基准测试问题。这个框架很容易满足大多数基准测试需求：只要把目标代码打包成特定类型的任务对象（Callable或Runnable），然后调用Benchmark类。其他所有工作（性能度量、统计数据计算和结果报告）都会自动完成。

为了演示这个框架的使用方法，我把main替换为清单 2 中的代码，从而重新对中的代码进行基准测试：

清单 2. 使用Benchmark解决性能难题

public static void main(String[] args) throws Exception {    Runnable task = new Runnable() { public void run() {        int value = 0;        for (int i = 0; i < 100 * 1000 * 1000; i++) {            value = calculate(value);        }    } };    System.out.println("Cliff Click microbenchmark: " + new Benchmark(task));}

在我的配置上运行此代码产生了以下结果：

mean = 20.241 ms ...

mean = 20.246 ms ...

mean = 26.928 ms ...

mean = 26.863 ms ...

结果终于符合预期了：A 和 B 的执行时间基本相同。C 和 D（它执行相同的参数检查）的执行时间也差不多，但是长一点儿。

在这种情况下，使用Benchmark获得了预期的结果，这可能是因为它在内部执行task许多次，丢弃出现稳定的执行状态之前的 “预热（warmup）” 数据，然后执行一系列精确的度量。与之相反，中的代码马上开始度量执行时间，这意味着它的结果与实际代码的执行时间关系不大，但与密切相关。尽管在上面的结果中省略了（由 ... 表示），但是Benchmark还执行一些有意义的统计计算，这些计算表明了结果的可靠性。

但是，请不要直接使用这个框架。您应该在一定程度上熟悉本文，尤其是熟悉与有关的一些复杂问题，以及中讨论的一些解释问题。不要盲目地相信任何数字。要了解这些数字是如何获得的。

执行时间度量

从原理上看，度量代码的执行时间很简单：

记录开始时间。

执行代码。

记录停止时间。

计算时间差。

大多数 Java 程序员可能会编写出与清单 3 相似的代码：

清单 3. 典型的 Java 基准测试代码

long t1 = System.currentTimeMillis();task.run();    // task is a Runnable which encapsulates the unit of worklong t2 = System.currentTimeMillis();System.out.println("My task took " + (t2 - t1) + " milliseconds to execute.");

清单 3 的方法对于长时间运行的任务常常很合适。例如，如果task所需的执行时间达到一分钟，那么下面讨论的分辨率问题可能不明显。但是，随着task执行时间的降低，这段代码会越来越不精确。基准测试框架应该能够自动处理任何task，所以清单 3 并不合适。

一个问题是分辨率：System.currentTimeMillis表示返回的结果具有名义上的毫秒级分辨率（参见）。如果假设结果包含随机的 ±1 ms 误差，并希望执行时间的度量误差不超过 1%，那么对于执行时间等于或小于 200 ms 的任务，System.currentTimeMillis就不能满足分辨率需求（因为两次度量涉及两个误差，误差的和可能达到 2 ms）。

在真实环境中，System.currentTimeMillis的分辨率可能会糟糕 ~10-100 倍。它的 Javadoc 指出：

注意，尽管返回值的时间单位是毫秒，但是值的粒度取决于底层操作系统，甚至可能比操作系统的时间单位更大。例如，许多操作系统以几十毫秒作为时间度量的单位。

已经报告的分辨率数据见表 1：

表 1. 分辨率

分辨率	平台	来源（参见）
55 ms	Windows 95/98	Java Glossary
10 ms	Windows NT, 2000, XP 单处理器	Java Glossary
15.625 ms	Windows XP 多处理器	Java Glossary
~15 ms	Windows（可能是指 XP）	Simon Brown
10 ms	Linux 2.4 内核	Markus Kobler
1 ms	Linux 2.6 内核	Markus Kobler

所以，对于执行时间小于 10 秒的任务，中的代码很容易出现过大的误差。

System.currentTimeMillis的最后一个问题是，假设它反映 “墙上时钟” 的时间，这个问题甚至会影响长时间运行的任务。这意味着，由于标准时间到夏时制的转换或 Network Time Protocol（NTP）同步等事件，它的值偶尔会有突变（向前或向后）。这些调整虽然很少出现，但是可能导致错误的基准测试结果。

JDK 1.5 引入了一个分辨率更高的 API：System.nanoTime（参见）。它名义上返回纳秒数，但是有不确定的偏移量。它的关键特性包括：

它只适用于度量时间差。

它的精确性和精度（参见）应该不会比System.currentTimeMillis差，但是在一些平台上与System.currentTimeMillis相同。

在现代硬件和操作系统上，它可以提供微秒级的精确性和精度。

结论：基准测试应该坚持使用System.nanoTime，因为它通常具有更好的分辨率。但是，它可能并不比System.currentTimeMillis好，基准测试代码必须处理这种可能性。

JDK 1.5 还引入了ThreadMXBean接口（参见）。它有几个功能，但是它的getCurrentThreadCpuTime方法与基准测试的关系尤其密切（参见）。这个方法不度量流逝（“墙上时钟”）时间，而是度量当前线程使用的实际 CPU 时间（这个时间小于或等于流逝时间）。

不幸的是，getCurrentThreadCpuTime也有一些问题：

您的平台可能不支持它。

在支持它的不同平台上，它的语义有差异（例如，对于使用 I/O 的线程，它的 CPU 时间可能包括执行 I/O 的时间，但是 I/O 时间也可能算在操作系统线程上）。

ThreadMXBeanJavadoc 提出了以下警告：“在某些 Java 虚拟机实现中，启用线程 CPU 时间度量可能导致很大的开销”。（这是一个与操作系统相关的问题。在某些操作系统上，度量线程 CPU 时间所需的 microaccounting 总是打开的，所以getCurrentThreadCpuTime没有额外的性能影响。其他操作系统在默认情况下关闭这个特性；如果启用它，它会降低进程中的所有线程或所有进程的性能）。

它的分辨率不明确。因为它返回的结果具有名义上的纳秒级分辨率，自然会认为它的精确性和精度限制与System.nanoTime相同。但是，我没有找到证明这一点的任何文档，而且有一个报告指出它的精度更低（参见）。我对getCurrentThreadCpuTime和nanoTime做了对比试验，发现前者产生的平均执行时间比较小。在我的桌面电脑配置上，执行时间大约降低了 0.5%-1%。不幸的是，度量漂移量很大；例如，标准差很容易增加到三倍。在一台 N2 Solaris 10 机器上，执行时间降低了 5%-10%，度量漂移量没有增加（有时候出现大幅度降低）。

最糟糕的是：当前线程使用的 CPU 时间可能是不相关的。例如，一个任务有一个进行调用的线程（将度量这个线程的 CPU 时间），它仅仅建立一个线程池，然后把一些子任务发送给这个池，然后就一直空闲着，直到池完成任务。进行调用的线程所用的 CPU 时间会非常少，而完成这个任务所需的时间可以无限长。因此，报告这个时间会导致严重的误解。

由于有这些问题，在通用的基准测试框架上默认使用getCurrentThreadCpuTime太危险了。中提供的Benchmark类要求通过一个特殊配置来启用它。

所有时间度量 API 需要注意的问题：它们都有执行开销，如果过于频繁地执行这些 API，就会严重歪曲度量值。这个问题的影响高度依赖于平台。例如，在 Windows 的现代版本中，System.nanoTime涉及一个执行时间为微秒级的操作系统调用，所以调用它的频率不应该高于每 100 微秒一次，否则对度量的影响就会超过 1%。（相反，System.currentTimeMillis只需要读取一个全局变量，所以执行得非常快，是纳秒级的。如果仅仅考虑对度量的影响，可以更频繁地调用它；但是，这个全局变量的更新没这么频繁，根据来看，大约是每 10 到 15 毫秒一次，所以频繁地调用它是没有必要的）。另一方面，在大多数 Solaris（和某些 Linux®）机器上，System.nanoTime常常比System.currentTimeMillis执行得快。

代码预热

在一节中，我指出Benchmark产生更可靠的结果的原因是，它只度量稳定状态下task的执行时间，而不理会最初的性能。大多数 Java 实现具有复杂的性能生命周期。一般来说，最初的性能往往相当低，然后性能显著提高（常常出现几次性能跃升），直到到达稳定状态。假设希望度量稳定状态下的性能，就需要了解影响这个过程的所有因素。

类装载

JVM 通常只在类的第一次使用类时装载它们。所以，task的第一次执行时间包含装载它使用的所有类的时间（如果这些类还没有装载的话）。因为类装载往往涉及磁盘 I/O、解析和检验，这会显著增加task的第一次执行时间。常常可以通过多次执行task来消除这种影响。（我说常常—— 而不是总是，这是因为task可能具有复杂的分支行为，这可能导致它在任何给定的执行过程中并不使用所有可能用到的类。幸运的是，如果执行任务足够多次，就可能经历所有分支，因此很快就会装载所有相关类）。

如果使用定制的类装载器，就有另一个问题：JVM 可能认为一些类已经成了垃圾，因此决定卸载它。这不太可能严重影响性能，但是仍然会使基准测试结果产生偏差。

可以在基准测试之前和之后调用ClassLoadingMXBean的getTotalLoadedClassCount和getUnloadedClassCount方法，以此判断在基准测试过程中是否发生了类装载/卸载（参见）。如果两次的结果不同，就是还未达到稳定状态。

混合模式

在执行即时（Just-in-time，JIT）编译之前，现代的 JVM 通常会运行代码一段时间（常常是纯解释式运行），从而收集剖析信息（参见）。这对基准测试的影响在于，任务可能需要执行许多次，才能达到稳定状态。例如，Sun 的客户机/服务器 HotSpot JVM 当前的默认行为是，必须对一个代码块进行 1,500（客户机）或 10,000（服务器）次调用，之后才对包含这个代码块的方法进行 JIT 编译。

注意，我在这里使用了一个一般性短语 “代码块（code block）”，这不仅仅可以指完整的方法，还可以指一个方法中的块。例如，许多先进的编译器可以识别出构成 “热” 代码的循环代码块，即使它只包含对包含方法的一个调用。我将在本文的一节中详细解释这一点。

因此，对稳定状态下的性能进行基准测试需要以下步骤：

执行task一次，以便装载所有类。

执行task足够多次，以确保出现稳定状态的执行数据。

再多执行task几次，以获得执行时间的估计值。

使用步骤 3 计算n，这是执行task的次数，这些次执行的累计时间必须足够大。

度量对task的n次调用的总执行时间t。

估算执行时间，t/n。

度量task的n次执行的目的在于，让累计的执行时间足够大，从而减少前面讨论的所有时间度量误差的影响。

步骤 2 比较棘手：怎么能够知道 JVM 什么时候完成了对这个任务的优化？

一种看似聪明的方法是不断度量执行时间，直到结果值收敛。这种方式似乎很好，但是如果 JVM 正在收集剖析信息，然后在您开始步骤 5 之后突然应用剖析信息执行 JIT 编译，这种方法就无效了；这在更可能引起问题。

另外，如何量化 “收敛” 的概念呢？

连续编译？

目前，Sun 的 HotSpot JVM 只执行一个剖析阶段，然后可能执行编译。如果忽略，当前并不执行连续编译，这是因为把剖析代码放在热点方法中开销太大了（参见）。

对于剖析开销问题，存在一些解决方案。例如，JVM 可以保留方法的两个版本：一个不包含剖析代码的快速版本和执行剖析的慢速版本（参见）。JVM 在大多数时候使用快速版本，只是偶尔使用慢速版本来维护剖析信息，这样就不会对性能产生显著影响。JVM 还可以在另一个处理器核空闲时并发执行慢速版本。这样的技术在未来可能使连续编译成为常规做法。

另一种方法是在一个预先确定的长度合理的时间段内连续执行任务（Benchmark类就使用这种方法）。10 秒的预热阶段应该足够了（参见 Click 发言稿的第 33 页）。这种方法可能并不比度量执行时间直至收敛的方法更可靠，但是更容易实现。它还更容易参数化：用户应该很容易理解这种方法的概念，而且知道预热时间越长，结果就越可靠（但以长时间的基准测试为代价）。

如果可以判断什么时候 JIT 编译，就可以更有把握地确定稳定状态性能。尤其是，如果您认为已经到了稳定状态并开始基准测试，但是随后发现在基准测试期间发生了编译，那么可以中止并重试。

根据我的知识，还没有探测 JIT 编译是否发生的完美方法。最好的技术是在基准测试之前和之后调用CompilationMXBean.getTotalCompilationTime。不幸的是，CompilationMXBean的实现非常拙劣，所以这种方法有许多问题。另一种技术是，在使用-XX:+PrintCompilationJVM 选项的情况下，解析（或人工观察）stdout（参见）。

动态优化

除了预热问题之外，JVM 的动态编译涉及另外几个影响基准测试的问题。这些问题很微妙。而且更糟糕的是，只能靠基准测试程序员来解决这些问题，基准测试框架对此没有帮助。（本文的和两节也讨论一些由基准测试程序员负责解决的问题，但是这些问题基本上靠常识就能够解决）。

去优化

另一个问题是去优化（参见）：编译器可以停止使用已编译的方法，并对它进行一段时间的解释，然后重新编译它。当执行优化的动态编译器做出的假设已经过时时，就会发生这种情况。一个例子是使单态调用转换失效的类装载。另一个例子是不常用的分支：在最初编译一个代码块时，只编译最常用的代码路径，而不常用的分支（比如异常路径）仍然采用解释方式。但是，如果不常用的分支变成了经常执行的，它们就成了热点，这会触发重新编译。

因此，即使按照前一节中的建议实现了稳定状态，也要注意性能仍然可能突然下降。这是需要探测在基准测试期间是否发生 JIT 编译的另一个原因。

堆栈上替换

另一个问题是堆栈上替换（OSR），这种高级 JVM 特性有助于优化某些代码结构（参见）。请考虑清单 4 中的代码：

清单 4. OSR 问题的示例代码

private static final int[] array = new int[10 * 1000];static {    for (int i = 0; i < array.length; i++) {        array[i] = i;    }}public static void main(String[] args) {    long t1 = System.nanoTime();    int result = 0;    for (int i = 0; i < 1000 * 1000; i++) {    // outer loop        for (int j = 0; j < array.length; j++) {    // inner loop 1            result += array[j];        }        for (int j = 0; j < array.length; j++) {    // inner loop 2            result ^= array[j];        }    }    long t2 = System.nanoTime();    System.out.println("Execution time: " + ((t2 - t1) * 1e-9) +        " seconds to compute result = " + result);}

如果 JVM 只考虑方法调用，那么根本不会使用main的编译版本，因为它只被调用一次。为了解决这个问题，JVM 可以考虑方法内代码块的执行。尤其是，对于清单 4 中的代码，JVM 可以跟踪执行每个循环的次数。（循环的最后一个括号构成一个 “向后分支”）。在默认情况下，任何循环在达到一定的迭代次数（比如 10,000 次）之后，就应该触发整个方法的编译。因为main不会被再次调用，所以简单的 JVM 不会使用它的编译版本。但是，使用 OSR 的 JVM 非常机智，可以把方法调用中的当前代码替换为新的编译代码。

初看上去，OSR 似乎很不错。好像 JVM 可以处理任何代码结构，同时提供最佳性能。不幸的是，OSR 有一个不太为人所知的缺陷：在使用 OSR 时，代码质量可能是次优的。例如，OSR 有时候无法提升循环、消除数组边界检查或解开循环（参见）。如果使用 OSR，可能无法得到最佳性能。

假设希望获得最佳性能，那么解决 OSR 问题的惟一方法是了解什么时候会出现 OSR，并调整代码结构来避免它。这通常需要把关键的内部循环放在单独的方法中。例如，中的代码可以改写为清单 5：

清单 5. 改写后的代码不再受 OSR 的影响

public static void main(String[] args) {    long t1 = System.nanoTime();    int result = 0;    for (int i = 0; i < 1000 * 1000; i++) {    // sole loop        result = add(result);        result = xor(result);    }    long t2 = System.nanoTime();    System.out.println("Execution time: " + ((t2 - t1) * 1e-9) +        " seconds to compute result = " + result);}private static int add(int result) {    // method extraction of inner loop 1    for (int j = 0; j < array.length; j++) {        result += array[j];    }    return result;}private static int xor(int result) {    // method extraction of inner loop 2    for (int j = 0; j < array.length; j++) {        result ^= array[j];    }    return result;}

在清单 5 中，add和xor方法会分别被调用 1,000,000 次，所以它们应该会完整地 JIT 编译为优化形式。在我的配置上，这段代码前三次运行的执行时间是 10.81、10.79 和 10.80 秒。而（所有循环放在main中，因此触发 OSR）的执行时间高了一倍。（前三次的执行时间是 21.61、21.61 和 21.6 秒）。

关于 OSR 的最后一点提示：通常，只有程序员很懒惰，把所有东西都放在一个方法（比如main）中时，它才会给基准测试带来性能问题。在真实的应用程序中，程序员通常会（而且应该）编写许多细粒度的方法。另外，影响性能的代码通常会长时间运行，并涉及多次调用关键方法。所以，真实的代码通常不会受到 OSR 性能问题的影响。在您的应用程序中，不需要过分担心这个问题，不必为此破坏优雅的代码（除非可以证明它确实造成了损害）。注意，Benchmark在默认情况下会多次执行任务来收集统计数据，多次执行的副作用是消除 OSR 对性能的影响。

消除死代码

另一个微妙的问题是消除死代码（DCE），参见。在某些情况下，编译器可以判断出某些代码根本不影响输出，所以编译器会消除这些代码。清单 6 给出一个静态执行（即在编译时由javac执行）死代码消除的典型示例：

清单 6. 受 DCE 影响的示例代码

private static final boolean debug = false;private void someMethod() {    if (debug) {        // do something...    }}

javac知道清单 6 中if (debug)块中的代码根本不会执行，所以会消除它。动态编译器（尤其是在进行方法内联之后）通过许多方法来判断死代码。DCE 在基准测试期间造成的问题是，执行的代码可能只是全部代码的一个小子集 — 完整的编译可能不会发生 — 这会导致错误地报告很短的执行时间。

我还没有找到出色地描述编译器用来判断死代码的所有条件的文档（参见）。不可达代码显然是死代码，但是JVM 采用的 DCE 策略常常更激进。

例如，请重新考虑中的代码：注意，main不只计算result，而且在输出中使用result。假设进行一个简单修改，从println中删除result。在这种情况下，激进的编译器可能认为它根本不需要计算result。

这不是一个单纯的理论问题。请考虑清单 7 中的代码：

清单 7. 通过在输出中使用result停止 DCE

public static void main(String[] args) {    long t1 = System.nanoTime();    int result = 0;    for (int i = 0; i < 1000 * 1000; i++) {    // sole loop        result += sum();    }    long t2 = System.nanoTime();    System.out.println("Execution time: " + ((t2 - t1) * 1e-9) +        " seconds to compute result = " + result);}private static int sum() {    int sum = 0;    for (int j = 0; j < 10 * 1000; j++) {        sum += j;    }    return sum;}

清单 7 中的代码在我的配置上的执行时间是总是 4.91 秒。如果删除println语句中对result的引用（代码变成System.out.println("Execution time: " + ((t2 - t1) * 1e-9) + " seconds to compute result");），执行时间就是 0.08 秒。显然，DCE 消除了整个计算过程。（另一个 DCE 示例参见）。

要想保证 DCE 不会消除您希望进行基准测试的计算，惟一的方法是让计算生成结果，然后以某种方式使用结果（例如，像清单 7 中的println那样在输出中使用）。Benchmark类支持这种做法。如果任务是Callable，就要确保call()方法返回计算所获得的结果。如果任务是Runnable，就要确保任务的toString方法（这个方法必须覆盖Object对象的方法）使用的某个内部状态是用这个计算获得的。如果遵守这些规则，Benchmark应该会完全防止 DCE。

与 OSR 一样，对于真实的应用程序 DCE 常常不是问题（除非您希望在特定时间内执行代码）。但是与 OSR 不同，DCE 对于编写得很糟糕的基准测试会造成严重问题：OSR 只会使结果不太精确，而DCE 可能导致完全错误的结果。

资源回收

典型的 JVM 会自动执行两种资源回收：垃圾收集和对象终结（GC/OF）。从程序员的角度来看，GC/OF 几乎是不确定的：它在根本上不受您的控制，可以在 JVM 认为需要的任何时候发生。

在基准测试中，结果应该包含由于任务本身造成的 GC/OF 时间。例如，如果仅仅因为任务的最初执行时间很短，就认为这个任务很快，可能是不可靠的，因为它最终可能产生很大的 GC 时间。（但是注意，一些任务不需要创建对象。相反，它们只需访问已经创建的对象。假设一次基准测试希望度量出访问某个数组元素所用的时间：这个任务应该不用创建数组。相反，应该在其他地方创建数组，这个任务可以使用数组的引用）。

但是，还需要把任务的 GC/OF 与同一 JVM 会话中其他代码造成的 GC/OF 分开。惟一的方法是在执行基准测试之前尝试清理 JVM，还要尝试确保任务本身的 GC/OF 在度量结束前完全完成。

System类提供了gc和runFinalization方法，可以用这些方法清理 JVM。但是注意，这些方法的 Javadoc 仅仅声明 “当控制从方法调用返回时，Java 虚拟机会尽可能执行 GC/OF”。

中提供的Benchmark类按照以下步骤处理 GC/OF：

在执行任何度量之前，它调用cleanJvm方法，这个方法根据需要多次调用System.gc和System.runFinalization，直到内存使用量稳定下来，并且所有对象已经终结。

在默认情况下，它执行 60 次执行度量，每次至少持续 1 秒（如果必要的话，对于每次度量多次调用任务，以此确保时间达到 1 秒）。所以总的执行时间应该至少 1 分钟，这么长的时间应该可以确保把足够的 GC/OF 生命周期包含在 60 次度量中，从而精确地度量任务的完整情况。

完成所有度量之后，最后一次调用cleanJvm，但是这一次度量这个调用所花的时间。如果这个最终清理步骤花费的时间超过任务总执行时间的 1%，基准测试报告就会警告说，度量可能没有充分考虑 GC/OF 成本。

因为 GC/OF 对于每次度量来说就像是噪音源，所以使用统计数据来提取可靠的结果。

一个注意事项：在我最初编写Benchmark时，尝试用清单 8 中的代码在每次度量中考虑 GC/OF 成本：

清单 8. 考虑 GC/OF 成本的错误方法

protected long measure(long n) {    cleanJvm();    // call here to cleanup before measurement starts    long t1 = System.nanoTime();    for (long i = 0; i < n; i++) {        task.run();    }    cleanJvm();    // call here to ensure that task's GC/OF is fully included    long t2 = System.nanoTime();    return t2 - t1;    }

问题在于，在度量循环内调用System.gc和System.runFinalization会歪曲 GC/OF 成本。尤其是，System.gc会用一个stop-the-world收集器对所有代进行一次全面的垃圾收集（参见）。（这是默认行为，但是也可以通过-XX:+ExplicitGCInvokesConcurrent和-XX:+DisableExplicitGC等 JVM 选项来控制）。而实际上，应用程序通常所用的垃圾收集器的操作方式可能很不一样。例如，它可能被配置成并发地工作，可能执行成本很小的许多次部分收集（特别针对年轻的代）。同样，终结通常是后台任务，所以它们常常在系统的空闲时间执行。

缓存

硬件/操作系统缓存有时候会使基准测试复杂化。一个简单例子是文件系统缓存，这种缓存可以在硬件或操作系统中发生。如果想对从文件读取字节所花费的时间进行基准测试，但是基准测试代码多次读取同一个文件（或者多次执行相同的基准测试），那么在第一次读取之后 I/O 时间会显著下降。如果希望对随机文件读取进行基准测试，很可能需要确保读取不同的文件，以避免缓存。

主内存的 CPU 缓存极其重要，需要特别关注（参见）。近 20 年来，CPU 的速度呈指数式快速增长，而主内存的增长慢得多，大致是直线式的。为了调和这种差异，现代的 CPU 大量使用了缓存技术（目前现代 CPU 上的大多数晶体管都用于缓存）。适当利用 CPU 缓存的程序可以大大提高性能（大多数实际工作负载只使用了 CPU 理论吞吐量的一小部分）。

有许多因素影响程序是否适当地利用 CPU 缓存。例如，现代 JVM 在优化内存访问方面做了大量工作：它们可能重新布置堆空间、把值从堆转移到 CPU 寄存器、执行堆栈分配或执行对象分解（参见）。但是，一个重要因素是数据集的大小。假设用n表示任务数据集的大小（例如，假设它使用一个数组的长度n）。那么，只涉及单一n值的任何基准测试结果都很不可靠；必须针对各种n值执行一系列基准测试。J. P. Lewis 和 Ulrich Neumann 所写的文章提供了一个出色的示例（参见）。他们制作了 Java FFT 性能与 C 的对比图，并采用n（在这里是数组大小）的函数形式，由此发现 Java 的性能在比 C 快两倍到慢两倍之间振荡，具体性能取决于选择的n。

准备

开发出基准测试框架并不能一劳永逸地解决基准测试问题。在系统上运行任何基准测试程序之前，还应该解决一些系统问题。

电源

一个低级硬件问题是，要确保电源管理系统（例如，Advanced Power Management [APM] 或 Advanced Configuration and Power Interface [ACPI]）在基准测试期间不进行状态转换，这在笔记本电脑上尤其重要。重大的电源状态变化（比如计算机转入休眠状态）可能不是由于基准测试本身的 CPU 活动导致的，或者很容易探测。但是，其他电源状态变化比较棘手。假设一个基准测试最初出现 CPU 瓶颈，在基准测试期间操作系统决定关闭硬盘驱动器的电源，然后任务在运行的末期希望使用这个硬盘驱动器：在这种情况下，基准测试会完成，但是 I/O 活动可能花费更长时间。另一个例子是，使用 Intel SpeedStep 或相似技术的系统会对 CPU 电源进行节流。在执行基准测试之前，应该通过配置操作系统避免这些问题。

其他程序

因为基准测试是一个任务，显然不应该同时运行其他程序（除非测试目的是检查您的任务在有负载机器上的表现如何）。应该关闭所有不重要的后台进程，并避免调度的进程（比如屏幕保护和病毒扫描程序）在基准测试期间启动。

Windows 提供了ProcessIdleTaskAPI，可以通过它在执行基准测试之前执行所有未完成的空闲进程。可以从命令行执行Rundll32.exe advapi32.dll,ProcessIdleTasks来访问这个 API。注意，它可能要花费几分钟，尤其是在一段时间内没有调用它的情况下。（后续执行常常只需几秒就可以完成）。

JVM 选项

有许多 JVM 选项会影响基准测试。比较重要的选项包括：