1. 课程导论：SLI 口径采集面临的稳定性挑战与内存调优的核心价值
1.1 什么是 SLI 口径采集？为什么它如此脆弱？
在可观测性体系中，SLI（Service Level Indicator，服务等级指标）是衡量服务质量最直接的量化数据。Collector 组件负责从各类数据源（应用日志、Metrics 端点、Tracing Agent、数据库等）采集原始数据，并按照预定义的业务口径进行清洗、聚合、转换，最终输出可被 Prometheus、Grafana 等下游消费的标准化指标。
然而，生产环境中 Collector 的稳定性远没有想象中可靠。当数据量突增、口径规则复杂或内存配置不当时，Collector 进程极易出现 OOM（Out Of Memory）、GC 抖动、数据丢失 等问题，直接导致 SLI 口径采集中断或失真。
核心矛盾： 业务对 SLI 口径的实时性要求越来越高（秒级/分钟级），而 Collector 的内存资源是有限的。内存参数调优，就是在有限资源下保障采集链路稳定性的关键手段。
1.2 稳定性挑战全景：Collector 在内存维度面临的四大风险
根据大量生产事故复盘，Collector 内存相关的稳定性问题可归纳为以下四类：
| 风险类别 | 典型表现 | 根因分析 | 对 SLI 口径的影响 |
|---|---|---|---|
| OOM 崩溃 | 进程被系统 Kill，采集完全中断 | 堆内存上限不足，或堆外内存泄漏 | SLI 数据完全丢失，口径无法计算 |
| Full GC 频繁 | 采集延迟飙升，吞吐量骤降 | 年轻代/老年代比例失衡，对象过早晋升 | SLI 口径延迟超出 SLO 阈值 |
| 内存碎片化 | GC 耗时增加，但内存无法有效回收 | 大对象分配频繁，或 GC 算法选择不当 | 采集抖动，口径数据出现毛刺 |
| 堆外内存溢出 | 进程 RSS 持续增长，最终被 OOMKiller 杀死 | Direct Buffer、JNI 或 gRPC 元数据泄漏 | 采集进程无预警退出，口径中断 |
注意： 很多团队只关注堆内存（-Xmx），却忽略了堆外内存（Direct Memory、Metaspace、Code Cache）的配置。在生产环境中，堆外内存泄漏往往是导致 Collector 长期运行后 OOM 的隐形杀手。
1.3 内存调优的核心价值：从“被动救火”到“主动保障”
内存参数调优不是简单的“调大 -Xmx”，而是一套系统性的工程方法。其核心价值体现在三个层面：
- 保障采集连续性： 通过合理的内存分配与 GC 策略，避免 OOM 和 Full GC 导致的采集中断，确保 SLI 口径数据 7×24 小时稳定产出。
- 提升数据质量： 减少 GC 停顿对数据采样、聚合、上报的影响，降低口径计算中的毛刺和异常值，使 SLI 曲线更平滑、更可信。
- 降低运维成本： 减少因内存问题导致的告警、应急响应和版本回滚次数，让 SRE 团队从“救火队员”转变为“架构优化者”。
1.4 内存调优与 SLI 稳定性的关系模型
下图展示了 Collector 内存参数调优如何直接影响 SLI 口径采集的稳定性链路：
1.5 课程核心内容预览
本课程将围绕以下主线展开，帮助 SRE 和性能调优工程师系统掌握 Collector 内存调优方法：
- 内存模型与监控： 深入理解 Collector 的堆/堆外内存布局，以及如何通过 JMX、Prometheus 等工具实时观测内存状态。
- GC 策略选型与调优： 对比 G1、Parallel、ZGC 在 Collector 场景下的表现，选择最优 GC 算法并调整关键参数。
- 堆外内存治理： 识别并解决 Direct Buffer、gRPC 元数据、JNI 引用等堆外内存泄漏问题。
- 实战案例复盘： 基于真实生产事故，还原 OOM 排查、GC 调优、参数压测的全过程。
- 自动化调优工具： 介绍基于 JVM 参数模板 + 压测数据的自动化推荐方案。
学习建议： 建议在开始本课程前，先确保你具备基础的 JVM 内存模型知识（堆、栈、Metaspace、Direct Memory），并能在测试环境复现 Collector 的采集压力。本课程所有调优参数均可在 OpenJDK 11+ / 17+ 上验证。