G1停顿预测模型基于衰减平均与衰减标准差进行保守估算，公式为MAX2(davg + σ×dsd, davg×confidence_factor)，通过加权历史数据、动态置信补偿和波动缓冲，精准预测各Region回收耗时以构建CSet。

G1 的停顿预测不是靠猜，而是用一套带“记忆权重”的数学方法实时估算每个 Region 回收要花多久。核心就是指数加权平均（也叫衰减平均），它让最近的 GC 数据说话更响，老数据慢慢淡出，贴合真实运行节奏。

为什么不用简单平均？

简单平均会把 5 分钟前一次平稳的 Young GC 和 2 秒前一次因大对象暴增导致的长停顿同等对待，结果预测值迟钝、滞后。而交易系统里，对象分配速率可能毫秒级突变——G1 必须对最新压力快速响应。指数加权平均通过一个固定衰减因子（默认 α = 0.7）实现这一点：每次新耗时进来，旧均值只保留 70%，新值占 30%。这样，连续几次异常 GC 就能明显拉高预测值，模型“反应快”了。

公式背后的关键逻辑

实际代码中，预测值不是直接取衰减均值，而是：

预测耗时 = MAX2( davg + σ × dsd , davg × confidence_factor )

其中：

• davg 是衰减均值，代表“最近几次的典型耗时”
• dsd 是衰减标准差，衡量耗时波动程度；σ 默认为 0.5，意味着模型主动预留半倍标准差的缓冲
• confidence_factor 是置信度系数：样本少于 5 次时，它大于 1（比如刚启动时是 2.5），防止模型过早自信；样本够了就归 1

这个设计本质是“保守估计”：宁可多留点时间，也不能低估。尤其在 Mixed GC 中扫描 Remembered Set 或复制存活对象时，波动大，靠标准差项兜底。

它怎么用在选 Region 上？

G1 不是算“总共要多少毫秒”，而是算“回收第 N 个 Region 预计多花多久”。每个 Region 的子阶段（扫描、转移、RSet 更新）都维护独立的 TruncatedSeq 序列，各自跑衰减平均。构建 CSet 时，G1 按「收益 / 预估耗时」排序 Region，然后从高到低累加预估值——一旦接近 -XX:MaxGCPauseMillis 设定值，立刻停止。所以预测不准，不是模型坏了，而是输入变了：比如某次 Survivor 区对象年龄集体跳升，复制开销骤增，但模型还没积累够新样本，davg 还卡在旧水平，结果实际超时。

怎么看它是不是在正常工作？

开 -Xlog:gc+ergo=debug，关注每条 Evacuation Pause 日志末尾：

[debug][gc,ergo] GC(42) predicted pause time: 142.3ms, target: 150.0ms, actual: 138.7ms

重点比对 predicted 和 actual 的差值趋势：

• 连续几次 predicted → 模型低估，常见于 Humongous 分配激增或跨代引用突增
• 连续几次 predicted > actual 且差值 >30ms → 模型太保守，可能是上次发生 Concurrent Mode Failure 后调高了安全系数
• predicted 在 80–180ms 来回跳 → 老年代 Region 存活率不稳定，缓存没设上限或批量任务集中晋升