PerfMark:Java 低开销手动追踪库

项目介绍
PerfMark 是一款专为 Java 设计的低开销、手动追踪库。通过在代码中添加追踪函数调用,用户可以轻松查看每个部分执行所需的时间。PerfMark 的设计理念是尽可能减少对性能敏感代码的干扰,同时提供强大的追踪功能。
项目技术分析
PerfMark 的核心技术优势在于其低开销和动态启用的特性。当启用时,追踪一个函数调用仅需约 70ns,这得益于其采用的无锁、无等待、线程本地缓冲区的设计。此外,PerfMark 可以在运行时动态启用或禁用,禁用时完全无开销,充分利用 JIT 编译器来移除追踪代码。
PerfMark 还支持跨线程通信,解决了现有分析工具难以表达线程间唤醒和执行工作的问题。通过显式表达这种关系,PerfMark 为用户提供了清晰的代码流程图。
项目及技术应用场景
PerfMark 适用于需要精确追踪代码执行时间的场景,特别是在性能敏感的应用中。例如:
- 微服务架构:在微服务架构中,跨服务的调用链路追踪至关重要。PerfMark 可以帮助开发者追踪每个服务的执行时间,优化性能瓶颈。
- 高并发系统:在高并发系统中,线程间的协作和调度是关键。PerfMark 的跨线程追踪功能可以帮助开发者理解线程间的交互,优化线程调度策略。
- 性能调优:在性能调优过程中,PerfMark 可以提供详细的执行时间数据,帮助开发者快速定位性能瓶颈。
项目特点
- 极低开销:启用时仅需约 70ns,禁用时无开销。
- 动态启用:支持在运行时动态启用或禁用,灵活性高。
- 跨线程通信:显式表达线程间的唤醒和执行关系,提供清晰的代码流程图。
- 小巧轻便:API 仅 7 KB,依赖少,易于集成。
- Chrome Trace Viewer 集成:支持导出为 Chrome Trace Event 格式,方便在浏览器中查看。
使用指南
添加依赖
在 build.gradle 中添加以下依赖:
dependencies {
implementation 'io.perfmark:perfmark-api:0.27.0'
// 仅在应用程序中需要,库中不需要
implementation 'io.perfmark:perfmark-traceviewer:0.27.0'
}
或在 pom.xml 中添加:
<dependency>
<groupId>io.perfmark</groupId>
<artifactId>perfmark-api</artifactId>
<version>0.27.0</version>
</dependency>
代码示例
在代码中添加 PerfMark 追踪调用:
Map<String, Header> parseHeaders(List<String> rawHeaders) {
try (TaskCloseable task = PerfMark.traceTask("Parse HTTP headers")) {
Map<String, String> headers = new HashMap<>();
for (String rawHeader : rawHeaders) {
Header header = parseHeader(rawHeader);
headers.put(header.name(), header);
}
return headers;
}
}
PerfMark 还支持记录异步工作:
Future<Response> buildResponse() {
try (TaskCloseable task = PerfMark.traceTask("Build Response")) {
Link link = PerfMark.linkOut();
return executor.submit(() -> {
try (TaskCloseable task2 = PerfMark.traceTask("Async Response")) {
PerfMark.linkIn(link);
return new Response(/* ... */);
}
});
}
}
查看追踪结果
在浏览器中查看追踪结果,生成 HTML:
PerfMark.setEnabled(true);
PerfMark.event("My Task");
TraceEventViewer.writeTraceHtml();
输出效果如下:

配置
PerfMark 提供了一些系统属性,允许控制其初始化方式。这些属性可以通过 JVM 参数设置(例如 -Dio.perfmark.PerfMark.startEnabled=true)。
io.perfmark.PerfMark.startEnabled:控制 PerfMark 是否在启动时启用。io.perfmark.PerfMark.debug:控制 PerfMark 是否记录初始化步骤。
版本控制与 API 稳定性
PerfMark 遵循语义化版本控制,不会在次版本更新中破坏现有 API。PerfMark 可能会禁用某些功能,因此可能需要使某些追踪调用变为无操作。在这种情况下,调用这些函数仍然是安全的。
用户
PerfMark 最初为 gRPC 设计,也被 Zuul 使用。
PerfMark 是一款功能强大且易于使用的 Java 追踪库,特别适合需要精确追踪代码执行时间的场景。无论是在微服务架构、高并发系统还是性能调优中,PerfMark 都能为您提供有力的支持。立即尝试 PerfMark,优化您的代码性能!
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00