Async-profiler中如何跟踪JVM内部函数调用
2025-05-28 20:12:46作者:鲍丁臣Ursa
在性能分析领域,Async-profiler是一款功能强大的低开销采样分析工具。它不仅支持Java方法的分析,还能深入到JVM内部进行原生代码的性能剖析。本文将详细介绍如何使用Async-profiler来跟踪JVM内部特定的函数调用。
背景知识
JVM在运行时会执行大量内部函数,这些函数通常以C++实现并经过名称修饰(name mangling)。当我们需要分析特定JVM内部函数时,需要了解其完整的修饰名称才能进行准确跟踪。
问题场景
假设我们需要跟踪JVM中的check_class_file_load_hook函数,这个函数负责处理类文件加载时的hook检查。直接使用简单函数名尝试跟踪时,Async-profiler会报错提示"Unsupported event type"。
解决方案
获取完整符号名称
首先需要通过工具获取函数的完整修饰名称。使用nm命令查看JVM动态库中的符号:
nm /path/to/libjvm.so | grep check_class_file_load_hook
输出结果显示了经过名称修饰的完整符号:
_ZL26check_class_file_load_hookP15ClassFileStreamP6SymbolP15ClassLoaderData6HandlePP24JvmtiCachedClassFileDataP10JavaThread
使用Async-profiler跟踪
获得完整符号名称后,可以通过以下两种方式使用Async-profiler进行跟踪:
- 使用完整符号名称:
./asprof -e '_ZL26check_class_file_load_hookP15ClassFileStream...' -d 60 <pid>
- 使用通配符简化(推荐):
./asprof -e '_ZL26check_class_file_load_hook*' -d 60 <pid>
技术原理
Async-profiler在进行原生代码分析时,需要精确匹配函数符号。JVM内部函数通常具有复杂的名称修饰规则,包含:
- 参数类型信息
- 命名空间信息
- 函数名长度前缀
Async-profiler不会自动处理复杂的C++名称修饰,因此需要用户提供准确的符号名称或使用通配符模式匹配。
实际应用
这种技术可以应用于:
- JVM内部特定功能的性能分析
- 类加载过程的瓶颈定位
- JVM TI相关功能的调试
- 安全审计中的类加载监控
注意事项
- 不同JVM版本的符号名称可能有所变化
- 调试版本和发布版本的符号可见性可能不同
- 通配符使用要谨慎,避免匹配到不相关函数
- 需要确保有足够的权限访问目标进程
通过掌握这些技巧,开发者可以更深入地分析JVM内部行为,为性能优化和问题诊断提供有力工具支持。
登录后查看全文
热门项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust075- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00
项目优选
收起
暂无描述
Dockerfile
690
4.46 K
Ascend Extension for PyTorch
Python
546
670
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
955
929
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
425
75
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
407
326
昇腾LLM分布式训练框架
Python
146
172
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
650
232
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.08 K
564
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.59 K
925
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
642
292