g1停顿预测模型核心是用ewma动态估算region回收耗时，结合垃圾密度计算“性价比”排序选cset；ewma因权重向近期倾斜、衰减历史影响、计算轻量，更适配java内存行为突变；各操作维度独立维护ewma，合成预期总耗时；预测失准主因并发标记未完成、survivor过小、大对象分配及α值不当。

G1 停顿预测模型的核心，是用指数加权平均值（EWMA）动态估算每个 Region 的回收耗时，从而在目标停顿时间内选出“性价比最高”的回收集（CSet）。它不是靠固定公式拍板，而是持续学习最近的 GC 行为，让预测更贴合当前运行状态。

为什么选 EWMA 而不是简单平均？

Java 应用的内存行为常有突变——比如突发流量导致对象晋升激增、大对象批量分配、或 Survivor 区快速溢出。简单平均会把几天前平稳期的数据和刚发生的抖动等同看待，预测滞后严重。EWMA 则天然适配这种动态场景：

• 给最近几次的 Region 回收耗时赋予更高权重，响应更快
• 历史数据影响随时间指数衰减，避免被旧模式长期绑架
• 计算轻量，仅需上一次 EWMA 值和本次实测值，适合高频更新

EWMA 在 G1 中的具体实现逻辑

G1 对每类操作（如扫描一个 Region、复制一个对象、更新引用）都维护独立的 EWMA 估计值。以“扫描一个 Old Region 的平均耗时”为例，其更新公式与金融中常用形式一致：

scan_time_ewma_t = (1 − α) × actual_scan_time_t + α × scan_time_ewma_t−1

其中 α 是衰减因子，默认值通常在 0.7–0.95 区间（JDK 实现中常取 0.9），意味着约 70% 的权重来自最新观测，其余由历史趋势平滑承接。

实际中，G1 不只算“扫描”，还会分别跟踪：

• 每个 Region 的存活对象数量（用于预估复制开销）
• 对象跨 Region 引用更新成本（尤其是 Remembered Set 处理时间）
• Humongous 对象清理的额外延迟

这些维度各自用 EWMA 累积，最终合成单个 Region 的“预期总耗时”。

预测如何转化为回收决策？

有了各 Region 的 EWMA 耗时预估，G1 还要结合“能回收多少空间”来排序。它真正优化的目标是：单位时间换最大可用内存。所以流程是：

• 并发标记阶段结束后，G1 得到一批 Old Region 的垃圾密度（即可回收空间占比）
• 对每个候选 Region，用 EWMA 耗时 ÷ 垃圾密度 → 得出“性价比分”
• 按性价比从高到低排序，依次加入 CSet，直到预计总耗时逼近 MaxGCPauseMillis

注意：这个“预计总耗时”本身也是多个 EWMA 分项的加权和，不是直接相加，而是模拟执行路径后估算的综合停顿。

调参与现实偏差的关键点

EWMA 再灵敏，也受限于输入质量。以下情况会让预测明显失准：

• 并发标记未完成时触发 Mixed GC：Old Region 垃圾量未知，只能靠粗略估算，易高估收益、低估复制量
• Survivor 区过小：大量对象提前晋升，Old Region 存活率升高，但 EWMA 仍按历史低存活率建模，导致复制远超预期
• 突发大对象分配：Humongous Region 清理不走常规路径，其耗时不在主 EWMA 模型中，容易造成停顿“黑箱”
• α 设得过大（如 0.99）：模型太“恋旧”，无法及时响应新负载；设得太小（如 0.3）：又过于敏感，把噪声当趋势

因此，JDK 默认 α 值是经验平衡结果，一般不建议手动调整，而应优先优化对象生命周期分布和堆结构。