রানটাইম সিস্টেম: গারবেজ কালেকশন অ্যালগরিদমগুলিতে একটি গভীর অনুসন্ধান

কম্পিউটিংয়ের জটিল জগতে, রানটাইম সিস্টেমগুলি হল অদৃশ্য ইঞ্জিন যা আমাদের সফ্টওয়্যারকে সচল রাখে। এগুলি সম্পদ পরিচালনা করে, কোড নির্বাহ করে এবং অ্যাপ্লিকেশনগুলির মসৃণ পরিচালনা নিশ্চিত করে। অনেক আধুনিক রানটাইম সিস্টেমের কেন্দ্রে একটি গুরুত্বপূর্ণ উপাদান রয়েছে: গারবেজ কালেকশন (GC)। GC হল স্বয়ংক্রিয়ভাবে সেই মেমরি পুনরুদ্ধার করার প্রক্রিয়া যা অ্যাপ্লিকেশন দ্বারা আর ব্যবহার করা হয় না, মেমরি ফাঁস রোধ করে এবং সম্পদের দক্ষ ব্যবহার নিশ্চিত করে।

বিশ্বজুড়ে ডেভেলপারদের জন্য, GC বোঝা কেবল পরিচ্ছন্ন কোড লেখা নয়; এটি মজবুত, উচ্চ কার্যকারিতাসম্পন্ন এবং পরিমাপযোগ্য অ্যাপ্লিকেশন তৈরি করার বিষয়। এই বিস্তৃত অন্বেষণ গারবেজ কালেকশনের মূল ধারণা এবং বিভিন্ন অ্যালগরিদমগুলিতে গভীরভাবে প্রবেশ করবে, যা বিভিন্ন প্রযুক্তিগত পটভূমির পেশাদারদের জন্য মূল্যবান অন্তর্দৃষ্টি সরবরাহ করবে।

মেমরি ব্যবস্থাপনার অপরিহার্যতা

নির্দিষ্ট অ্যালগরিদমগুলিতে ডুব দেওয়ার আগে, মেমরি ব্যবস্থাপনা কেন এত গুরুত্বপূর্ণ তা বোঝা অপরিহার্য। ঐতিহ্যবাহী প্রোগ্রামিং প্যারাডাইমগুলিতে, ডেভেলপাররা ম্যানুয়ালি মেমরি বরাদ্দ এবং ডিলোকেট করে। এটি সুনির্দিষ্ট নিয়ন্ত্রণ সরবরাহ করলেও, এটি বাগগুলির একটি কুখ্যাত উৎস:

• মেমরি লিকস: যখন বরাদ্দকৃত মেমরি আর প্রয়োজন হয় না কিন্তু স্পষ্টভাবে ডিলোকেট করা হয় না, তখন তা দখলকৃত থাকে, যার ফলে উপলব্ধ মেমরির ধীরে ধীরে ক্ষয় হয়। সময়ের সাথে সাথে, এটি অ্যাপ্লিকেশন ধীরগতি বা সম্পূর্ণ ক্র্যাশের কারণ হতে পারে।
• ড্যাংলিং পয়েন্টার: যদি মেমরি ডিলোকেট করা হয়, কিন্তু একটি পয়েন্টার এখনও সেটিকে রেফারেন্স করে, তাহলে সেই মেমরি অ্যাক্সেস করার চেষ্টা করলে অনির্ধারিত আচরণ দেখা যায়, যা প্রায়শই নিরাপত্তা দুর্বলতা বা ক্র্যাশের দিকে নিয়ে যায়।
• ডাবল ফ্রি ত্রুটি: যে মেমরি ইতিমধ্যে ডিলোকেট করা হয়েছে সেটিকে পুনরায় ডিলোকেট করাও দুর্নীতি এবং অস্থিরতার দিকে নিয়ে যায়।

গারবেজ কালেকশনের মাধ্যমে স্বয়ংক্রিয় মেমরি ব্যবস্থাপনার লক্ষ্য এই বোঝাগুলি লাঘব করা। রানটাইম সিস্টেম অব্যবহৃত মেমরি চিহ্নিত এবং পুনরুদ্ধার করার দায়িত্ব গ্রহণ করে, যা ডেভেলপারদের নিম্ন-স্তরের মেমরি ম্যানিপুলেশনের পরিবর্তে অ্যাপ্লিকেশন লজিকের উপর মনোযোগ দিতে দেয়। এটি একটি বৈশ্বিক প্রেক্ষাপটে বিশেষভাবে গুরুত্বপূর্ণ যেখানে বিভিন্ন হার্ডওয়্যার ক্ষমতা এবং স্থাপনার পরিবেশ স্থিতিস্থাপক এবং দক্ষ সফ্টওয়্যারের প্রয়োজন হয়।

গারবেজ কালেকশনের মূল ধারণা

কয়েকটি মৌলিক ধারণা সমস্ত গারবেজ কালেকশন অ্যালগরিদমকে সমর্থন করে:

১. রিচেবিলিটি

অধিকাংশ জি সি অ্যালগরিদমের মূল নীতি হল রিচেবিলিটি। একটি অবজেক্টকে রিচেবল হিসাবে বিবেচনা করা হয় যদি পরিচিত, \"লাইভ\" রুটগুলির একটি সেট থেকে সেই অবজেক্টে একটি পথ থাকে। রুটগুলির মধ্যে সাধারণত অন্তর্ভুক্ত থাকে:

• গ্লোবাল ভেরিয়েবল
• এক্সিকিউশন স্ট্যাকের লোকাল ভেরিয়েবল
• সিপিইউ রেজিস্টার
• স্ট্যাটিক ভেরিয়েবল

এই রুটগুলি থেকে যে কোনো অবজেক্ট রিচেবল নয় সেটিকে গারবেজ হিসাবে বিবেচনা করা হয় এবং পুনরুদ্ধার করা যেতে পারে।

২. গারবেজ কালেকশন চক্র

একটি সাধারণ জি সি চক্রে বেশ কয়েকটি পর্যায় জড়িত থাকে:

• মার্কিং: জি সি রুটগুলি থেকে শুরু হয় এবং অবজেক্ট গ্রাফটি অতিক্রম করে, সমস্ত রিচেবল অবজেক্টকে মার্ক করে।
• সুইপিং (বা কমপ্যাক্টিং): মার্কিংয়ের পরে, জি সি মেমরি জুড়ে পুনরাবৃত্তি করে। আনমার্ক করা অবজেক্টগুলি (গারবেজ) পুনরুদ্ধার করা হয়। কিছু অ্যালগরিদমে, রিচেবল অবজেক্টগুলিকেও খণ্ডন (fragmentation) কমাতে সংলগ্ন মেমরি অবস্থানে (কমপ্যাকশন) সরানো হয়।

৩. পজ (বিরতি)

জি সি-তে একটি উল্লেখযোগ্য চ্যালেঞ্জ হল স্টপ-দ্য-ওয়ার্ল্ড (STW) পজ-এর সম্ভাবনা। এই পজগুলির সময়, অ্যাপ্লিকেশনটির কার্যনির্বাহ বন্ধ থাকে যাতে জি সি হস্তক্ষেপ ছাড়াই তার কাজগুলি সম্পাদন করতে পারে। দীর্ঘ STW পজ অ্যাপ্লিকেশন প্রতিক্রিয়াশীলতাকে উল্লেখযোগ্যভাবে প্রভাবিত করতে পারে, যা যে কোনো বিশ্ব বাজারে ব্যবহারকারী-মুখী অ্যাপ্লিকেশনগুলির জন্য একটি গুরুতর উদ্বেগ।

প্রধান গারবেজ কালেকশন অ্যালগরিদম

গত বছরগুলিতে, বিভিন্ন জি সি অ্যালগরিদম তৈরি করা হয়েছে, যার প্রতিটির নিজস্ব শক্তি এবং দুর্বলতা রয়েছে। আমরা কিছু প্রচলিত অ্যালগরিদম অন্বেষণ করব:

১. মার্ক-অ্যান্ড-সুইপ

মার্ক-অ্যান্ড-সুইপ অ্যালগরিদম সবচেয়ে পুরোনো এবং সবচেয়ে মৌলিক জি সি কৌশলগুলির মধ্যে একটি। এটি দুটি স্বতন্ত্র পর্যায়ে কাজ করে:

• মার্ক ফেজ: জি সি রুট সেট থেকে শুরু হয় এবং সম্পূর্ণ অবজেক্ট গ্রাফ অতিক্রম করে। প্রতিটি সম্মুখীন হওয়া অবজেক্টকে মার্ক করা হয়।
• সুইপ ফেজ: জি সি তারপর সম্পূর্ণ হিপ স্ক্যান করে। যে কোনো অবজেক্ট মার্ক করা হয়নি সেটিকে গারবেজ হিসাবে বিবেচনা করা হয় এবং পুনরুদ্ধার করা হয়। পুনরুদ্ধার করা মেমরি ভবিষ্যতের বরাদ্দের জন্য একটি ফ্রি লিস্টে যুক্ত করা হয়।

সুবিধা:

• ধারণাগতভাবে সহজ এবং ব্যাপকভাবে বোঝা যায়।
• চাক্রিক ডেটা কাঠামো কার্যকরভাবে পরিচালনা করে।

অসুবিধা:

• পারফরম্যান্স: ধীর হতে পারে কারণ এটিকে সম্পূর্ণ হিপ অতিক্রম করতে এবং সমস্ত মেমরি স্ক্যান করতে হয়।
• খণ্ডন (Fragmentation): অবজেক্টগুলি বিভিন্ন অবস্থানে বরাদ্দ এবং ডিলোকেট হওয়ায় মেমরি খণ্ডিত হয়ে যায়, যার ফলে যথেষ্ট মোট ফ্রি মেমরি থাকা সত্ত্বেও বরাদ্দ ব্যর্থতা হতে পারে।
• STW পজ: সাধারণত দীর্ঘ স্টপ-দ্য-ওয়ার্ল্ড পজ জড়িত থাকে, বিশেষ করে বড় হিপগুলিতে।

উদাহরণ: জাভার গারবেজ কালেক্টরের প্রাথমিক সংস্করণগুলি একটি মৌলিক মার্ক-অ্যান্ড-সুইপ পদ্ধতি ব্যবহার করত।

২. মার্ক-অ্যান্ড-কমপ্যাক্ট

মার্ক-অ্যান্ড-সুইপের খণ্ডন সমস্যা সমাধানের জন্য, মার্ক-অ্যান্ড-কমপ্যাক্ট অ্যালগরিদম একটি তৃতীয় পর্যায় যুক্ত করে:

• মার্ক ফেজ: মার্ক-অ্যান্ড-সুইপের অনুরূপ, এটি সমস্ত রিচেবল অবজেক্টকে মার্ক করে।
• কমপ্যাক্ট ফেজ: মার্কিংয়ের পরে, জি সি সমস্ত মার্ক করা (রিচেবল) অবজেক্টকে মেমরির সংলগ্ন ব্লকগুলিতে সরিয়ে নেয়। এটি খণ্ডন দূর করে।
• সুইপ ফেজ: জি সি তারপর মেমরি জুড়ে সুইপ করে। যেহেতু অবজেক্টগুলি কমপ্যাক্ট করা হয়েছে, তাই ফ্রি মেমরি এখন হিপের শেষে একটি একক সংলগ্ন ব্লক, যা ভবিষ্যতের বরাদ্দগুলিকে খুব দ্রুত করে তোলে।

সুবিধা:

• মেমরি খণ্ডন দূর করে।
• পরবর্তী বরাদ্দগুলি দ্রুততর হয়।
• এখনও চাক্রিক ডেটা কাঠামো পরিচালনা করে।

অসুবিধা:

• পারফরম্যান্স: কমপ্যাকশন ফেজ গণনাগতভাবে ব্যয়বহুল হতে পারে, কারণ এতে মেমরিতে সম্ভাব্য অনেক অবজেক্ট সরানো জড়িত।
• STW পজ: অবজেক্ট সরানোর প্রয়োজনের কারণে এখনও উল্লেখযোগ্য STW পজ ঘটে।

উদাহরণ: এই পদ্ধতিটি আরও অনেক উন্নত কালেক্টরের ভিত্তি।

৩. কপিয়িং গারবেজ কালেকশন

কপিয়িং জি সি হিপকে দুটি স্থানে বিভক্ত করে: ফ্রম-স্পেস এবং টু-স্পেস। সাধারণত, নতুন অবজেক্টগুলি ফ্রম-স্পেসে বরাদ্দ করা হয়।

• কপিয়িং ফেজ: যখন জি সি ট্রিগার হয়, তখন জি সি রুটগুলি থেকে শুরু করে ফ্রম-স্পেস অতিক্রম করে। রিচেবল অবজেক্টগুলি ফ্রম-স্পেস থেকে টু-স্পেসে কপি করা হয়।
• স্থান বিনিময়: একবার সমস্ত রিচেবল অবজেক্ট কপি করা হয়ে গেলে, ফ্রম-স্পেসে কেবল গারবেজ থাকে এবং টু-স্পেসে সমস্ত লাইভ অবজেক্ট থাকে। তারপর স্থানগুলির ভূমিকা বিনিময় করা হয়। পুরোনো ফ্রম-স্পেস নতুন টু-স্পেস হয়ে যায়, যা পরবর্তী চক্রের জন্য প্রস্তুত।

সুবিধা:

• কোনো খণ্ডন নেই: অবজেক্টগুলি সর্বদা সংলগ্নভাবে কপি করা হয়, তাই টু-স্পেসের মধ্যে কোনো খণ্ডন নেই।
• দ্রুত বরাদ্দ: বরাদ্দগুলি দ্রুত হয় কারণ সেগুলিতে বর্তমান বরাদ্দ স্থানে কেবল একটি পয়েন্টার বাড়ানো জড়িত।

অসুবিধা:

• স্থান ওভারহেড: একটি একক হিপের দ্বিগুণ মেমরি প্রয়োজন, কারণ দুটি স্থান সক্রিয় থাকে।
• পারফরম্যান্স: যদি অনেক অবজেক্ট লাইভ থাকে তবে ব্যয়বহুল হতে পারে, কারণ সমস্ত লাইভ অবজেক্ট কপি করতে হয়।
• STW পজ: এখনও STW পজ প্রয়োজন।

উদাহরণ: জেনারেশনাল গারবেজ কালেক্টরে 'ইয়ং' জেনারেশন সংগ্রহের জন্য প্রায়শই ব্যবহৃত হয়।

৪. জেনারেশনাল গারবেজ কালেকশন

এই পদ্ধতিটি জেনারেশনাল হাইপোথিসিস-এর উপর ভিত্তি করে তৈরি, যা বলে যে অধিকাংশ অবজেক্টের আয়ুষ্কাল খুব কম হয়। জেনারেশনাল জি সি হিপকে একাধিক জেনারেশনে বিভক্ত করে:

• ইয়ং জেনারেশন: যেখানে নতুন অবজেক্ট বরাদ্দ করা হয়। এখানে জি সি সংগ্রহ ঘন ঘন এবং দ্রুত হয় (মাইনর জি সি)।
• ওল্ড জেনারেশন: যে অবজেক্টগুলি বেশ কয়েকটি মাইনর জি সি থেকে বেঁচে থাকে সেগুলিকে ওল্ড জেনারেশনে উন্নীত করা হয়। এখানে জি সি সংগ্রহ কম ঘন ঘন এবং আরও পুঙ্খানুপুঙ্খ হয় (মেজর জি সি)।

এটি যেভাবে কাজ করে:

1. নতুন অবজেক্টগুলি ইয়ং জেনারেশনে বরাদ্দ করা হয়।
2. মাইনর জি সি (প্রায়শই একটি কপিয়িং কালেক্টর ব্যবহার করে) ইয়ং জেনারেশনে ঘন ঘন সম্পাদিত হয়। যে অবজেক্টগুলি বেঁচে থাকে সেগুলিকে ওল্ড জেনারেশনে উন্নীত করা হয়।
3. মেজর জি সি ওল্ড জেনারেশনে কম ঘন ঘন সম্পাদিত হয়, প্রায়শই মার্ক-অ্যান্ড-সুইপ বা মার্ক-অ্যান্ড-কমপ্যাক্ট ব্যবহার করে।

সুবিধা:

• উন্নত পারফরম্যান্স: সম্পূর্ণ হিপ সংগ্রহের ফ্রিকোয়েন্সি উল্লেখযোগ্যভাবে হ্রাস করে। অধিকাংশ গারবেজ ইয়ং জেনারেশনে পাওয়া যায়, যা দ্রুত সংগ্রহ করা হয়।
• হ্রাসকৃত পজ সময়: মাইনর জি সি সম্পূর্ণ হিপ জি সি-এর চেয়ে অনেক কম হয়।

অসুবিধা:

• জটিলতা: বাস্তবায়ন করা আরও জটিল।
• প্রমোশন ওভারহেড: মাইনর জি সি থেকে বেঁচে থাকা অবজেক্টগুলিতে একটি প্রমোশন খরচ হয়।
• রিমেম্বারড সেট: ওল্ড জেনারেশন থেকে ইয়ং জেনারেশনে অবজেক্ট রেফারেন্স পরিচালনা করার জন্য, \"রিমেম্বারড সেট\"-এর প্রয়োজন হয়, যা ওভারহেড যুক্ত করতে পারে।

উদাহরণ: জাভা ভার্চুয়াল মেশিন (জেভিএম) ব্যাপকভাবে জেনারেশনাল জি সি ব্যবহার করে (যেমন, থ্রুপুট কালেক্টর, সিএমএস, জি১, জেডজিসি-এর মতো কালেক্টরগুলির সাথে)।

৫. রেফারেন্স কাউন্টিং

রিচেবিলিটি ট্রেসিংয়ের পরিবর্তে, রেফারেন্স কাউন্টিং প্রতিটি অবজেক্টের সাথে একটি গণনা যুক্ত করে, যা নির্দেশ করে কতগুলি রেফারেন্স এটিকে নির্দেশ করে। যখন একটি অবজেক্টের রেফারেন্স গণনা শূন্যে নেমে আসে তখন এটিকে গারবেজ হিসাবে বিবেচনা করা হয়।

• ইনক্রিমেন্ট: যখন একটি অবজেক্টে একটি নতুন রেফারেন্স তৈরি করা হয়, তখন তার রেফারেন্স গণনা বৃদ্ধি করা হয়।
• ডিক্রিমেন্ট: যখন একটি অবজেক্টে একটি রেফারেন্স সরানো হয়, তখন তার গণনা হ্রাস করা হয়। যদি গণনা শূন্য হয়ে যায়, তাহলে অবজেক্টটি অবিলম্বে ডিলোকেট করা হয়।

সুবিধা:

• কোনো পজ নেই: রেফারেন্সগুলি বাদ পড়ার সাথে সাথে ডিলোকেশন ক্রমান্বয়ে ঘটে, দীর্ঘ STW পজ এড়ানো যায়।
• সরলতা: ধারণাগতভাবে সরল।

অসুবিধা:

• চাক্রিক রেফারেন্স: প্রধান অসুবিধা হল চাক্রিক ডেটা কাঠামো সংগ্রহ করার অক্ষমতা। যদি অবজেক্ট A, B কে নির্দেশ করে, এবং B, A কে নির্দেশ করে, এমনকি যদি কোনো বাহ্যিক রেফারেন্স না থাকে, তবুও তাদের রেফারেন্স গণনা কখনও শূন্যে পৌঁছাবে না, যার ফলে মেমরি ফাঁস হবে।
• ওভারহেড: গণনা বৃদ্ধি এবং হ্রাস প্রতিটি রেফারেন্স অপারেশনে ওভারহেড যোগ করে।
• অপ্রত্যাশিত আচরণ: রেফারেন্স হ্রাসের ক্রম অপ্রত্যাশিত হতে পারে, যা মেমরি কখন পুনরুদ্ধার করা হয় তা প্রভাবিত করে।

উদাহরণ: সুইফট (ARC - স্বয়ংক্রিয় রেফারেন্স কাউন্টিং), পাইথন এবং অবজেক্টিভ-সি-তে ব্যবহৃত হয়।

৬. ইনক্রিমেন্টাল গারবেজ কালেকশন

STW পজ সময় আরও কমানোর জন্য, ইনক্রিমেন্টাল জি সি অ্যালগরিদমগুলি ছোট ছোট অংশে জি সি কাজ সম্পাদন করে, জি সি অপারেশনগুলিকে অ্যাপ্লিকেশন নির্বাহের সাথে মিশ্রিত করে। এটি পজ সময় কম রাখতে সাহায্য করে।

• পর্যায়ক্রমিক অপারেশন: মার্ক এবং সুইপ/কমপ্যাক্ট পর্যায়গুলিকে ছোট ছোট ধাপে বিভক্ত করা হয়।
• পর্যায়ক্রমিক কার্যনির্বাহ: অ্যাপ্লিকেশন থ্রেড জি সি কাজের চক্রগুলির মধ্যে নির্বাহ করতে পারে।

সুবিধা:

• ছোট পজ: STW পজের সময়কাল উল্লেখযোগ্যভাবে হ্রাস করে।
• উন্নত প্রতিক্রিয়াশীলতা: ইন্টারেক্টিভ অ্যাপ্লিকেশনগুলির জন্য ভালো।

অসুবিধা:

• জটিলতা: ঐতিহ্যবাহী অ্যালগরিদমগুলির চেয়ে বাস্তবায়ন করা আরও জটিল।
• পারফরম্যান্স ওভারহেড: জি সি এবং অ্যাপ্লিকেশন থ্রেডগুলির মধ্যে সমন্বয়ের প্রয়োজনের কারণে কিছু ওভারহেড চালু করতে পারে।

উদাহরণ: পুরোনো জেভিএম সংস্করণগুলিতে কনকারেন্ট মার্ক সুইপ (CMS) কালেক্টর ইনক্রিমেন্টাল সংগ্রহের একটি প্রাথমিক প্রচেষ্টা ছিল।

৭. কনকারেন্ট গারবেজ কালেকশন

কনকারেন্ট জি সি অ্যালগরিদমগুলি তাদের অধিকাংশ কাজ অ্যাপ্লিকেশন থ্রেডগুলির সাথে একযোগে সম্পাদন করে। এর অর্থ হল জি সি মেমরি চিহ্নিত এবং পুনরুদ্ধার করার সময় অ্যাপ্লিকেশনটি চলতে থাকে।

• সমন্বিত কাজ: জি সি থ্রেড এবং অ্যাপ্লিকেশন থ্রেডগুলি সমান্তরালভাবে কাজ করে।
• সমন্বয় প্রক্রিয়া: সামঞ্জস্য নিশ্চিত করার জন্য অত্যাধুনিক প্রক্রিয়াগুলির প্রয়োজন হয়, যেমন ত্রি-রঙা মার্কিং অ্যালগরিদম এবং রাইট ব্যারিয়ার (যা অ্যাপ্লিকেশন দ্বারা অবজেক্ট রেফারেন্সে করা পরিবর্তনগুলি ট্র্যাক করে)।

সুবিধা:

• সর্বনিম্ন STW পজ: খুব সংক্ষিপ্ত বা এমনকি \"পজ-মুক্ত\" অপারেশনের লক্ষ্য রাখে।
• উচ্চ থ্রুপুট এবং প্রতিক্রিয়াশীলতা: কঠোর ল্যাটেন্সি প্রয়োজনীয়তা সহ অ্যাপ্লিকেশনগুলির জন্য চমৎকার।

অসুবিধা:

• জটিলতা: সঠিকভাবে ডিজাইন এবং বাস্তবায়ন করা অত্যন্ত জটিল।
• থ্রুপুট হ্রাস: একযোগে অপারেশন এবং সমন্বয়ের ওভারহেডের কারণে কখনও কখনও সামগ্রিক অ্যাপ্লিকেশন থ্রুপুট হ্রাস করতে পারে।
• মেমরি ওভারহেড: পরিবর্তনগুলি ট্র্যাক করার জন্য অতিরিক্ত মেমরির প্রয়োজন হতে পারে।

উদাহরণ: জাভাতে জি১, জেডজিসি এবং শেনানডোয়ার মতো আধুনিক কালেক্টরগুলি এবং গো ও .নেট কোরের জি সি অত্যন্ত কনকারেন্ট।

৮. জি১ (গারবেজ-ফার্স্ট) কালেক্টর

জি১ কালেক্টর, যা জাভা ৭-এ চালু হয়েছিল এবং জাভা ৯-এ ডিফল্ট হয়েছিল, সেটি একটি সার্ভার-শৈলীর, অঞ্চল-ভিত্তিক, জেনারেশনাল এবং কনকারেন্ট কালেক্টর যা থ্রুপুট এবং ল্যাটেন্সির মধ্যে ভারসাম্য বজায় রাখার জন্য ডিজাইন করা হয়েছে।

• অঞ্চল-ভিত্তিক: হিপকে অসংখ্য ছোট অঞ্চলে বিভক্ত করে। অঞ্চলগুলি ইডেন, সারভাইভার বা ওল্ড হতে পারে।
• জেনারেশনাল: জেনারেশনাল বৈশিষ্ট্য বজায় রাখে।
• কনকারেন্ট এবং প্যারালাল: অ্যাপ্লিকেশন থ্রেডগুলির সাথে বেশিরভাগ কাজ একযোগে সম্পাদন করে এবং ইভাকুয়েশনের জন্য একাধিক থ্রেড ব্যবহার করে (লাইভ অবজেক্ট কপি করা)।
• লক্ষ্য-ভিত্তিক: ব্যবহারকারীকে একটি কাঙ্ক্ষিত পজ সময় লক্ষ্য নির্ধারণ করতে দেয়। জি১ প্রথমে সবচেয়ে বেশি গারবেজযুক্ত অঞ্চলগুলি সংগ্রহ করে এই লক্ষ্য অর্জনের চেষ্টা করে (এই কারণে \"গারবেজ-ফার্স্ট\")।

সুবিধা:

• ভারসাম্যপূর্ণ পারফরম্যান্স: বিস্তৃত অ্যাপ্লিকেশনগুলির জন্য ভালো।
• পূর্বাভাসযোগ্য পজ সময়: পুরোনো কালেক্টরগুলির তুলনায় পজ সময়ের পূর্বাভাসযোগ্যতা উল্লেখযোগ্যভাবে উন্নত হয়েছে।
• বড় হিপগুলি ভালোভাবে পরিচালনা করে: বড় হিপ আকারের সাথে কার্যকরভাবে স্কেল করে।

অসুবিধা:

• জটিলতা: সহজাতভাবে জটিল।
• দীর্ঘ পজের সম্ভাবনা: যদি লক্ষ্য পজ সময় আগ্রাসী হয় এবং হিপ লাইভ অবজেক্ট দ্বারা অত্যন্ত খণ্ডিত হয়, তাহলে একটি একক জি সি চক্র লক্ষ্য অতিক্রম করতে পারে।

উদাহরণ: অনেক আধুনিক জাভা অ্যাপ্লিকেশনগুলির জন্য ডিফল্ট জি সি।

৯. জেডজিসি এবং শেনানডোয়া

এগুলি আরও সাম্প্রতিক, উন্নত গারবেজ কালেক্টর যা অত্যন্ত কম পজ সময়ের জন্য ডিজাইন করা হয়েছে, প্রায়শই সাব-মিলিসেকেন্ড পজকে লক্ষ্য করে, এমনকি খুব বড় হিপেও (টেরাবাইট)।

• লোড-টাইম কমপ্যাকশন: এগুলি অ্যাপ্লিকেশনটির সাথে একযোগে কমপ্যাকশন সম্পাদন করে।
• অত্যন্ত কনকারেন্ট: প্রায় সমস্ত জি সি কাজ একযোগে ঘটে।
• অঞ্চল-ভিত্তিক: জি১-এর অনুরূপ একটি অঞ্চল-ভিত্তিক পদ্ধতি ব্যবহার করে।

সুবিধা:

• আল্ট্রা-লো ল্যাটেন্সি: খুব সংক্ষিপ্ত, ধারাবাহিক পজ সময়ের লক্ষ্য রাখে।
• মাপযোগ্যতা: বিশাল হিপ সহ অ্যাপ্লিকেশনগুলির জন্য চমৎকার।

অসুবিধা:

• থ্রুপুট প্রভাব: থ্রুপুট-ভিত্তিক কালেক্টরগুলির চেয়ে কিছুটা বেশি সিপিইউ ওভারহেড থাকতে পারে।
• পরিপক্কতা: তুলনামূলকভাবে নতুন, যদিও দ্রুত পরিপক্ক হচ্ছে।

উদাহরণ: জেডজিসি এবং শেনানডোয়া ওপেনজেডিকে-এর সাম্প্রতিক সংস্করণগুলিতে উপলব্ধ এবং অর্থ লেনদেন প্ল্যাটফর্ম বা বিশ্বব্যাপী দর্শকদের সেবা প্রদানকারী বড় আকারের ওয়েব পরিষেবাগুলির মতো ল্যাটেন্সি-সংবেদনশীল অ্যাপ্লিকেশনগুলির জন্য উপযুক্ত।

বিভিন্ন রানটাইম পরিবেশে গারবেজ কালেকশন

নীতিগুলি সর্বজনীন হলেও, বিভিন্ন রানটাইম পরিবেশে জি সি-এর বাস্তবায়ন এবং সূক্ষ্মতা ভিন্ন হয়:

• জাভা ভার্চুয়াল মেশিন (জেভিএম): ঐতিহাসিকভাবে, জেভিএম জি সি উদ্ভাবনে অগ্রগণ্য ছিল। এটি একটি প্লাগেবল জি সি আর্কিটেকচার সরবরাহ করে, যা ডেভেলপারদের তাদের অ্যাপ্লিকেশনের প্রয়োজন অনুযায়ী বিভিন্ন কালেক্টর (সিরিয়াল, প্যারালাল, সিএমএস, জি১, জেডজিসি, শেনানডোয়া) থেকে বেছে নিতে দেয়। এই নমনীয়তা বিভিন্ন বৈশ্বিক স্থাপনার পরিস্থিতিতে পারফরম্যান্স অপ্টিমাইজ করার জন্য অত্যন্ত গুরুত্বপূর্ণ।
• .নেট কমন ল্যাঙ্গুয়েজ রানটাইম (সিএলআর): .নেট সিএলআর-এও একটি অত্যাধুনিক জি সি রয়েছে। এটি জেনারেশনাল এবং কমপ্যাক্টিং উভয় গারবেজ কালেকশন সরবরাহ করে। সিএলআর জি সি ওয়ার্কস্টেশন মোডে (ক্লায়েন্ট অ্যাপ্লিকেশনগুলির জন্য অপ্টিমাইজ করা) বা সার্ভার মোডে (মাল্টি-প্রসেসর সার্ভার অ্যাপ্লিকেশনগুলির জন্য অপ্টিমাইজ করা) কাজ করতে পারে। এটি পজগুলি কমাতে কনকারেন্ট এবং ব্যাকগ্রাউন্ড গারবেজ কালেকশনকেও সমর্থন করে।
• গো রানটাইম: গো প্রোগ্রামিং ভাষা একটি কনকারেন্ট, ত্রি-রঙা মার্ক-অ্যান্ড-সুইপ গারবেজ কালেক্টর ব্যবহার করে। এটি নিম্ন ল্যাটেন্সি এবং উচ্চ কনকারেন্সির জন্য ডিজাইন করা হয়েছে, যা দক্ষ কনকারেন্ট সিস্টেম তৈরির গো-এর দর্শনের সাথে সঙ্গতিপূর্ণ। গো জি সি পজগুলিকে খুব সংক্ষিপ্ত রাখতে চায়, সাধারণত মাইক্রোসেকেন্ডের ক্রমে।
• জাভাস্ক্রিপ্ট ইঞ্জিন (V8, স্পাইডারমাঙ্কি): ব্রাউজার এবং নোড.জেএস-এর আধুনিক জাভাস্ক্রিপ্ট ইঞ্জিনগুলি জেনারেশনাল গারবেজ কালেক্টর ব্যবহার করে। তারা মার্ক-অ্যান্ড-সুইপের মতো কৌশল ব্যবহার করে এবং ইউআই ইন্টারঅ্যাকশনগুলিকে প্রতিক্রিয়াশীল রাখতে প্রায়শই ইনক্রিমেন্টাল কালেকশন অন্তর্ভুক্ত করে।

সঠিক জি সি অ্যালগরিদম নির্বাচন করা

উপযুক্ত জি সি অ্যালগরিদম নির্বাচন করা একটি গুরুত্বপূর্ণ সিদ্ধান্ত যা অ্যাপ্লিকেশন পারফরম্যান্স, মাপযোগ্যতা এবং ব্যবহারকারীর অভিজ্ঞতাকে প্রভাবিত করে। কোনো এক-আকার-ফিট-সব সমাধান নেই। এই কারণগুলি বিবেচনা করুন:

• অ্যাপ্লিকেশনের প্রয়োজনীয়তা: আপনার অ্যাপ্লিকেশন কি ল্যাটেন্সি-সংবেদনশীল (যেমন, রিয়েল-টাইম ট্রেডিং, ইন্টারেক্টিভ ওয়েব পরিষেবা) নাকি থ্রুপুট-ভিত্তিক (যেমন, ব্যাচ প্রক্রিয়াকরণ, বৈজ্ঞানিক কম্পিউটিং)?
• হিপ সাইজ: খুব বড় হিপের জন্য (দশ বা শত শত গিগাবাইট), মাপযোগ্যতা এবং নিম্ন ল্যাটেন্সির জন্য ডিজাইন করা কালেক্টরগুলি (যেমন জি১, জেডজিসি, শেনানডোয়া) প্রায়শই পছন্দ করা হয়।
• কনকারেন্সি প্রয়োজন: আপনার অ্যাপ্লিকেশনের কি উচ্চ স্তরের কনকারেন্সির প্রয়োজন? কনকারেন্ট জি সি উপকারী হতে পারে।
• উন্নয়ন প্রচেষ্টা: সরল অ্যালগরিদমগুলি যুক্তি করা সহজ হতে পারে, তবে প্রায়শই পারফরম্যান্সের সাথে ট্রেড-অফ আসে। উন্নত কালেক্টরগুলি আরও ভালো পারফরম্যান্স সরবরাহ করে তবে আরও জটিল।
• লক্ষ্য পরিবেশ: স্থাপনার পরিবেশের ক্ষমতা এবং সীমাবদ্ধতা (যেমন, ক্লাউড, এমবেডেড সিস্টেম) আপনার পছন্দকে প্রভাবিত করতে পারে।

জি সি অপ্টিমাইজেশনের জন্য ব্যবহারিক টিপস

সঠিক অ্যালগরিদম নির্বাচন করার পাশাপাশি, আপনি জি সি পারফরম্যান্স অপ্টিমাইজ করতে পারেন:

• জি সি প্যারামিটার টিউন করুন: বেশিরভাগ রানটাইম জি সি প্যারামিটার টিউন করার অনুমতি দেয় (যেমন, হিপ সাইজ, জেনারেশন সাইজ, নির্দিষ্ট কালেক্টর বিকল্প)। এর জন্য প্রায়শই প্রোফাইলিং এবং পরীক্ষা-নিরীক্ষার প্রয়োজন হয়।
• অবজেক্ট পুলিং: পুলিংয়ের মাধ্যমে অবজেক্টগুলি পুনরায় ব্যবহার করা বরাদ্দ এবং ডিলোকেশনের সংখ্যা কমাতে পারে, যার ফলে জি সি চাপ কমে যায়।
• অপ্রয়োজনীয় অবজেক্ট তৈরি এড়িয়ে চলুন: প্রচুর সংখ্যক স্বল্পকালীন অবজেক্ট তৈরি সম্পর্কে সতর্ক থাকুন, কারণ এটি জি সি-এর জন্য কাজ বাড়াতে পারে।
• দুর্বল/নরম রেফারেন্স বিজ্ঞতার সাথে ব্যবহার করুন: এই রেফারেন্সগুলি মেমরি কম হলে অবজেক্টগুলি সংগ্রহ করার অনুমতি দেয়, যা ক্যাশের জন্য দরকারী হতে পারে।
• আপনার অ্যাপ্লিকেশন প্রোফাইল করুন: জি সি আচরণ বুঝতে, দীর্ঘ পজ চিহ্নিত করতে এবং জি সি ওভারহেড বেশি এমন ক্ষেত্রগুলি চিহ্নিত করতে প্রোফাইলিং টুল ব্যবহার করুন। ভিজ্যুয়ালভিএম, জেকনসোল (জাভার জন্য), পারফভিউ (.নেটের জন্য), এবং `pprof` (গো-এর জন্য) এর মতো টুলগুলি অমূল্য।

গারবেজ কালেকশনের ভবিষ্যৎ

আরও কম ল্যাটেন্সি এবং উচ্চতর দক্ষতার অন্বেষণ অব্যাহত রয়েছে। ভবিষ্যতের জি সি গবেষণা এবং উন্নয়ন সম্ভবত নিম্নলিখিত বিষয়গুলির উপর মনোযোগ দেবে:

• পজগুলির আরও হ্রাস: সত্যিকার অর্থেই \"পজ-লেস\" বা \"প্রায়-পজ-লেস\" সংগ্রহের লক্ষ্য রাখা।
• হার্ডওয়্যার সহায়তা: হার্ডওয়্যার কীভাবে জি সি অপারেশনগুলিকে সহায়তা করতে পারে তা অন্বেষণ করা।
• এআই/এমএল-চালিত জি সি: অ্যাপ্লিকেশন আচরণ এবং সিস্টেম লোডে জি সি কৌশলগুলি গতিশীলভাবে মানিয়ে নিতে মেশিন লার্নিং ব্যবহার করার সম্ভাবনা।
• আন্তঃকার্যকারিতা: বিভিন্ন জি সি বাস্তবায়ন এবং ভাষাগুলির মধ্যে আরও ভালো ইন্টিগ্রেশন এবং আন্তঃকার্যকারিতা।

উপসংহার

গারবেজ কালেকশন আধুনিক রানটাইম সিস্টেমগুলির একটি ভিত্তি, যা নীরবে মেমরি পরিচালনা করে অ্যাপ্লিকেশনগুলি মসৃণভাবে এবং দক্ষতার সাথে চলে তা নিশ্চিত করে। মৌলিক মার্ক-অ্যান্ড-সুইপ থেকে অতি-নিম্ন-ল্যাটেন্সি জেডজিসি পর্যন্ত, প্রতিটি অ্যালগরিদম মেমরি ব্যবস্থাপনার অপ্টিমাইজেশনে একটি বিবর্তনীয় পদক্ষেপের প্রতিনিধিত্ব করে। বিশ্বজুড়ে ডেভেলপারদের জন্য, এই কৌশলগুলি সম্পর্কে একটি দৃঢ় ধারণা তাদের আরও উচ্চ কার্যকারিতাসম্পন্ন, মাপযোগ্য এবং নির্ভরযোগ্য সফ্টওয়্যার তৈরি করতে সক্ষম করে যা বিভিন্ন বৈশ্বিক পরিবেশে উন্নতি করতে পারে। ট্রেড-অফগুলি বুঝে এবং সর্বোত্তম অনুশীলনগুলি প্রয়োগ করে, আমরা ব্যতিক্রমী অ্যাপ্লিকেশনগুলির পরবর্তী প্রজন্ম তৈরি করতে জি সি-এর শক্তিকে কাজে লাগাতে পারি।