async-profiler v4.0 发布:热力图与本地内存分析功能全面升级
async-profiler 是一款高性能的 Java 应用性能分析工具,它能够以极低的开销收集 Java 应用的 CPU 使用、内存分配、锁竞争等关键性能数据。该工具通过创新的采样技术,避免了传统性能分析工具带来的显著性能下降问题,使其成为生产环境性能监控的理想选择。
核心功能增强
本次 v4.0 版本带来了多项重大功能升级,其中最引人注目的是交互式热力图和本地内存泄漏分析器。
交互式热力图功能
新引入的热力图功能(#944)为性能分析提供了全新的可视化维度。热力图能够直观展示方法在不同时间点的调用频率和资源消耗情况,帮助开发者快速识别性能波动模式。与传统的火焰图相比,热力图特别适合分析时间序列数据,能够清晰展现性能问题的演变过程。
本地内存泄漏分析
本地内存泄漏分析器(#1064)是另一个重要突破。该功能能够追踪本地代码(C/C++)中的内存分配和释放情况,帮助开发者发现 JNI 代码或本地库中的内存泄漏问题。这对于混合语言开发的应用尤为重要,填补了 Java 生态中本地内存分析的空白。
性能分析与转换工具改进
JFR 转换工具增强
jfrconv 二进制工具(#895, #905)经过全面升级,现在支持更多转换选项和更高效的 JFR 文件处理。新增的 --grain 选项(#1018)允许用户控制火焰图的粒度,便于在不同抽象层次上分析性能问题。
分析模式优化
CPU 分析模式(#1007)现在使用 ExecutionSample 事件,而墙钟分析则使用 WallClockSample 事件,这种区分使得分析结果更加精确。新增的 --nostop 选项(#1046)允许分析在指定的时间窗口之外继续运行,为长期监控提供了便利。
平台兼容性与稳定性提升
多平台支持
v4.0 版本显著提升了跨平台兼容性:
- 完整支持 JDK 23+(#923)
- 解决了 musl 和 glibc 的兼容性问题(#952)
- 静态链接 libstdc++ 提高了部署便利性
- 新增
--libpath选项(#955)简化了容器环境中的部署
稳定性改进
多项稳定性修复确保了工具在各种环境下的可靠运行:
- 修复了 macOS 上使用线程过滤器时的崩溃问题(#1143)
- 解决了并发加载库时的解析问题(#1125)
- 改进了 ARM64 架构的堆栈遍历可靠性
- 修复了与 jemalloc/tcmalloc 分析器可能导致的死锁(#1147, #1151)
开发者体验优化
可视化工具增强
火焰图查看器增加了多项实用功能:
- Alt+点击可移除特定调用栈(#896)
- N/Shift+N 快捷键快速导航搜索结果(#1097)
--inverted选项(#1178)支持垂直翻转火焰图- 保留线程分组信息当反转火焰图时(#1182)
分析与调试支持
- 新增显示指令地址的选项(#1002)
- 支持同时收集分配和存活对象追踪数据(#1009)
- 可选择在内存中累积 JFR 事件而非立即写入文件(#925)
- 从 debuginfod 缓存加载符号(#929)
- 更精确的采样计数器,减少遗漏样本的影响(#1068)
项目基础设施升级
v4.0 版本在项目维护和质量保证方面也有显著提升:
- 文档结构全面重组和更新
- 引入测试框架并增加大量集成测试
- 为 C++ 代码添加单元测试框架
- 在 CI 中覆盖所有支持平台
- 增加静态分析检查并修复发现的问题
- 提供 Dockerfile 简化构建过程
- 自动发布每日构建版本
总结
async-profiler v4.0 通过引入热力图和本地内存分析等创新功能,进一步巩固了其作为 Java 性能分析领域领先工具的地位。平台兼容性的提升和稳定性的改进使其更适合生产环境部署,而开发者体验的优化则让性能分析工作更加高效。这些改进使得开发者能够以更低的开销获取更全面的性能数据,从而更快速地定位和解决性能瓶颈问题。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00