中心在语言虚拟机内存管理方面取得两项成果

    中心大数据系统团队在语言虚拟机内存管理方面取得研究进展，涉及垃圾回收（Garbage Collection，GC）算法的跨语言性能评估和面向大数据系统的新型垃圾回收器设计。

    成果1：提出GC算法的跨语言性能评估方法GEAR。研究团队提出了方法GEAR，通过自动构建适用于不同语言运行环境的一致性GC工作负载，实现跨语言GC性能评估。GEAR的核心在于设计了一组与运行环境无关的内存操作原语（MOP），用于描述影响GC行为的关键内存使用信息（如对象分配、应用更新等）。GEAR可以将这些MOP程序自动转换为目标语言（如Java、Go）的代码，从而生成一致的GC测试负载。为保证测试负载的真实性，研究团队对Java虚拟机（JVM）进行了插桩，记录实际Java应用程序执行期间的内存操作，并将其转换为MOP程序，进而适配到其他语言运行环境。相关成果论文Evaluating Garbage Collection Performance Across Managed Language Runtimes被ICSE 2025会议录用，第一作者为博士生汪钇丞，通讯作者为窦文生研究员和王伟研究员。该研究获得国家自然科学基金、中国科学院青年创新促进会的支持。

    成果2：设计面向大数据系统的新型垃圾回收器BridgeGC。研究团队面向大数据系统，设计并提出了新型跨层次垃圾回收器BridgeGC，通过框架层与GC层的协同设计实现内存管理优化。具体来说，BridgeGC在框架源码层面采用极简注解方式标记关键数据的创建和释放点，帮助GC层识别数据对象及其生命周期；在GC层设计了分离式内存布局，将普通对象和大数据对象分区管理，提高内存访问效率；同时，BridgeGC通过自适应GC回收策略，根据对象生命周期动态调整数据处理时期，避免冗余标记等不必要操作。成果论文BridgeGC: An Efficient Cross-Level Garbage Collector for Big Data Frameworks被ACM TACO期刊录用。第一作者为博士生汪钇丞，通讯作者为许利杰副研究员。该工作获得国家自然科学基金等支持。