rset不是卡表翻版，而是每个region的反向引用哈希表（point-in），其膨胀源于跨region引用密度高、region大小不当及写屏障频繁触发；需通过jstat观察rs列、mixed gc日志中的rset扫描耗时定位瓶颈。
直接看 GC 日志里 RSet 相关字段，就能判断跨 Region 引用是否成了瓶颈；不是卡表太大拖慢 GC，而是 RSet 条目过多、更新太密、Region 太小或太大导致写屏障和扫描开销失控。
为什么 RSet 不是“卡表”的简单翻版
G1 已完全弃用传统全局 CardTable 结构。你看到的 RSet: 24576K, 128000 entries 日志，本质是某个 Region 的反向引用哈希表——它存的是“谁引用了我”，不是“我在哪张卡里被标记”。CMS 是 point-out（记录我指向谁），G1 是 point-in（记录谁指向我），所以膨胀只跟反向引用密度有关，跟本 Region 对象数量无关。
常见错误现象：
- 误把
RSet当成可调优的缓存，试图通过增大堆外内存解决 —— 实际上 RSet 内存本身就在堆外，扩内存不解决哈希冲突和写屏障延迟 - 在 Young GC 日志里紧盯
RSet大小 —— 真正压力在 Mixed GC 阶段的 RSet 扫描耗时，Young GC 只读不写 RSet
RSet 膨胀的真实诱因：写屏障 + 引用模式
每次老年代对象修改对年轻代/其他老年代对象的引用（如 oldObj.field = youngObj），都会触发一次 post-write barrier，进而更新目标 Region 的 RSet。这个过程不是免费的：
- 写屏障本身有 CPU 开销，尤其在高吞吐写场景下（如缓存批量更新、图遍历赋值）
- RSet 底层是哈希表，
entries超过一定阈值后，插入/查询从 O(1) 退化为 O(n) - 若业务存在强网状引用（比如一个
CacheNode被数百个IndexRegion同时引用），单个 Region 的 RSet 可能突破 10 万条目
实操建议：用 jstat -gc <pid></pid> 观察 RS 列（Remembered Set memory usage），若长期 >15% 堆大小，说明 RSet 元数据已吃掉大量堆外内存，不是 GC 策略问题，而是引用模型需要收敛。
-XX:G1HeapRegionSize 怎么选才不影响 RSet 效率
Region 大小直接决定 RSet 的粒度与哈希表负载：
- Region 太小（如 512KB）→ Region 数量爆炸 → RSet 实例数暴涨 → 堆外内存碎片化严重，
jcmd <pid> VM.native_memory summary</pid>中Internal类别会异常升高 - Region 太大（如 32MB）→ 单个 RSet 哈希桶易堆积数万条目 → 插入延迟上升；且容易触发 Humongous 分配，绕过 RSet，导致跨代引用漏检
- 推荐起点：堆 ≥32GB 时，显式设为
-XX:G1HeapRegionSize=8M；若应用引用关系密集（如实时风控图谱），可试4M换取更细粒度隔离
注意：-XX:G1RSetUpdatingPauseTimePercent=10 可限制 RSet 更新线程在 GC 暂停中占用的比例，但治标不治本 —— 它只是把写屏障延迟摊薄，不能减少总条目数。
怎么定位高开销的 RSet Region
不能靠猜，必须交叉验证：
- 启用
-XX:+PrintGCDetails -XX:+PrintAdaptiveSizePolicy，重点抓 Mixed GC 日志中[RSet scanning: 12.4ms]这类耗时项，而非[RSet: xxxK] - 配合
jstat -gc <pid> 1000 5</pid>看RS和EC（Eden Capacity）变化趋势：若 RS 持续上涨而 EC 波动不大，说明老年代到老年代的跨 Region 引用在积累 - 用
jmap -histo:live <pid></pid>查看高频被引用的对象类型，再结合代码确认是否真有必要维持如此密集的反向引用
真正难处理的从来不是 RSet 本身，而是业务层把“谁引用我”当成了默认设计习惯 —— 比如用 Map
