当前位置: 首页 > news >正文

Java容器化应用配置

-JAVA_OPTS=-XX:+UseContainerSupport -XX:InitialRAMPercentage=70-XX:MaxRAMPercentage=70-XX:MetaspaceSize=256m -XX:MaxMetaspaceSize=256m -XX:+ExitOnOutOfMemoryError -XX:+HeapDumpOnOutOfMemoryError - xxl.job.executor.ip=xxx.xxx.xxx.xxx
JVM参数部分JAVA_OPTS
-XX:+UseContainerSupport启用容器支持,让 JVM 识别容器环境的内存和 CPU 限制
-XX:InitialRAMPercentage=70 和 -XX:MaxRAMPercentage=70设置堆内存为容器总内存的 70%,在容器环境中推荐使用百分比而非固定值
-XX:MetaspaceSize=256m 和 -XX:MaxMetaspaceSize=256m元空间初始大小和最大大小都设为 256MB
-XX:+ExitOnOutOfMemoryError当发生内存溢出时立即退出 JVM,避免应用处于不可用状态
-XX:+HeapDumpOnOutOfMemoryError内存溢出时生成堆转储文件,便于后续分析

使用方式:

# 设置环境变量exportJAVA_OPTS="-XX:+UseContainerSupport -XX:InitialRAMPercentage=70 -XX:MaxRAMPercentage=70 -XX:MetaspaceSize=256m -XX:MaxMetaspaceSize=256m -XX:+ExitOnOutOfMemoryError -XX:+HeapDumpOnOutOfMemoryError"exportXXL_JOB_EXECUTOR_IP="你的IP地址"# 启动Java应用java$JAVA_OPTS-jar your-app.jar --xxl.job.executor.ip=$XXL_JOB_EXECUTOR_IP
http://www.gsyq.cn/news/104729.html

相关文章:

  • 程序员的数学(十一)算法优化中的数学思维:从暴力到高效的蜕变
  • 企业为什么更适合“小Agent + 明确边界”,而不是通用Agent?
  • 基于Qwen3-8B构建智能对话系统:从ollama下载到部署
  • 模块化公链的2025:动态分片、AI审计与量子安全的成本革命
  • 清华源anaconda镜像配置加快Qwen3-32B环境搭建
  • 4、主窗口开发:SDI 与 MDI 应用详解
  • 清华源镜像站加速Qwen3-32B模型下载速度实测
  • 5、Qt模型视图框架:从基础到高级应用
  • 基于Java springboot高校班主任量化打分系统(源码+运行视频+讲解视频)
  • 解决 Habitat 模拟器启动失败:EGL 与 CUDA 设备不匹配问题(unable to find CUDA device 0 among 3 EGL devices in total)
  • 放弃主灯后,我的家反而更亮眼了
  • python -m venv(Python 内置虚拟环境工具)和 conda create(Anaconda/Miniconda 环境管理工具)
  • K8S-组件介绍
  • Qwen3-14B与ollama下载配置兼容性问题解决方案
  • SAP CDS---拼接字段和类型转换和join关联
  • web服务器常见配置搭建详解(超详细)
  • 基于Windows Server 2025快速搭建开发测试环境
  • GEO优化数据统计分析系统:DeepAnaX如何以智能数据引擎重塑AI时代的营销竞争力
  • 基于SpringBoot2+Vue2的行业知识答题考试系统
  • AI如何帮你轻松搞定正则表达式?
  • 盘点游戏生化危机中人类战力梯队排名
  • 5分钟搭建ORA-01033诊断工具原型
  • 2025年电饭煲如何选?十大易清洗型号推荐,从此告别清洁烦恼 - 品牌推荐排行榜
  • LobeChat能否支持GraphQL Mutations?数据写入操作
  • 传统vsAI:ORA-01033处理效率对比实验
  • SQL Server 2008 R2中NVARCHAR(MAX)与NTEXT区别
  • 云网融合助力运营商数字化转型
  • 传统开发成本过高?低代码平台如何降低企业数字化转型预算
  • 使用HuggingFace镜像网站快速部署Qwen3-VL-30B大模型教程
  • Adaptive RAG实战:让大模型回答问题更准确的智能检索增强生成