Go语言GC调优秘籍：P9工程师凌晨三点仍在调试的4个关键pprof指标

第一章：Go语言GC调优秘籍：P9工程师凌晨三点仍在调试的4个关键pprof指标

当服务响应延迟突增、内存持续攀升却不见回收，或CPU在无明显业务增长时悄然飙高——这往往是GC在后台无声告急。Go运行时的垃圾收集器虽默认“开箱即用”，但在高吞吐、低延迟场景下，盲目依赖默认参数等同于将性能交给运气。真正有效的调优，始于对四个核心pprof指标的精准解读与联动分析。

关键指标：gc pause duration distribution

/debug/pprof/gc 本身不直接暴露分布，需通过 go tool pprof -http=:8080 http://localhost:6060/debug/pprof/gc 启动交互式分析器，再执行 top -cum -unit ms 查看各GC暂停耗时累积分布。重点关注 P99 pause > 5ms 的频次——若每分钟出现 3 次以上，说明 STW 时间已侵蚀实时性边界。

关键指标：heap_alloc vs heap_inuse rate

在 pprof Web UI 中切换至 Flame Graph 视图，选择 inuse_space 和 alloc_space 双维度对比。若 alloc_space 峰值远高于 inuse_space（例如 1.2GB alloc / 0.3GB inuse），表明对象生命周期极短，但分配速率过高，应优先检查高频切片/结构体创建点。可添加以下诊断代码：

// 在主循环中周期性打印关键内存统计
var m runtime.MemStats
runtime.ReadMemStats(&m)
log.Printf("HeapAlloc: %v MB, HeapInuse: %v MB, NumGC: %v", 
    m.HeapAlloc/1024/1024, m.HeapInuse/1024/1024, m.NumGC)

关键指标：gc cycle frequency and trigger ratio

执行 curl 'http://localhost:6060/debug/pprof/gc?debug=2' 获取原始GC日志，解析每行末尾的 trigger: 字段。理想触发比应稳定在 GOGC=100 对应的 1.0 左右；若频繁出现 trigger: 0.3，说明堆增长失控，需立即检查 goroutine 泄漏或缓存未限容。

关键指标：stack inuse vs goroutine count correlation

使用 go tool pprof http://localhost:6060/debug/pprof/goroutine?debug=1 获取 goroutine 快照，配合 top -cum -unit kb 查看栈内存总占用。若 goroutine 数量达 5k+ 且 runtime.gopark 占比超 70%，而 stack_inuse > 200MB，则大概率存在 channel 阻塞或未关闭的 HTTP 连接池。

指标异常模式	推荐干预动作
Pause P99 > 8ms + GOGC=100	尝试 GOGC=75 并观察 pause 分布
Alloc/inuse 比 > 3.0	插入 pprof.Lookup("heap").WriteTo(...) 定期采样分析逃逸对象
Trigger ratio	检查 sync.Pool 使用是否覆盖热点路径
Goroutine stack > 300MB	执行 curl "http://localhost:6060/debug/pprof/goroutine?debug=2" 定位阻塞源

第二章：深入理解Go GC核心机制与内存模型

2.1 GC触发条件与三色标记算法的实践验证

JVM中GC并非均匀触发，而是依赖多维阈值协同判断：

• 堆内存使用率超阈值（如G1的InitiatingOccupancyPercent）
• Young区Eden满溢时强制Minor GC
• 元空间/直接内存达到MaxMetaspaceSize或MaxDirectMemorySize

三色标记状态模拟（Java伪代码）

enum Color { WHITE, GRAY, BLACK }
Map<Object, Color> colorMap = new ConcurrentHashMap<>();

// 标记根可达对象为GRAY
roots.forEach(r -> colorMap.put(r, GRAY));

// 并发标记主循环（简化版）
while (hasGrayObjects()) {
    Object obj = popGray();
    for (Object ref : obj.references()) {
        if (colorMap.get(ref) == WHITE) {
            colorMap.put(ref, GRAY); // 可能被并发修改，需CAS保障
        }
    }
    colorMap.put(obj, BLACK);
}

逻辑说明：WHITE表示未访问、GRAY表示已入队待扫描、BLACK表示已完全扫描。popGray()需线程安全实现；references()返回所有强引用字段。该模型暴露了写屏障必要性——当用户线程修改引用时，必须通过写屏障将新引用对象“重标灰”，防止漏标。

GC触发条件对照表

触发场景	检测机制	典型参数示例
Young GC	Eden区分配失败	-XX:NewRatio=2
Mixed GC (G1)	老年代占用达G1HeapWastePercent	-XX:G1HeapWastePercent=5
Full GC	Metaspace无法扩容	-XX:MaxMetaspaceSize=256m

graph TD
    A[GC触发检测] --> B{是否Eden满？}
    B -->|是| C[Young GC]
    B -->|否| D{老年代使用率 > 45%？}
    D -->|是| E[Mixed GC]
    D -->|否| F[无GC]

2.2 GMP调度器如何影响GC停顿时间（附trace火焰图分析）

GMP调度器通过 Goroutine 抢占与 P 的 GC 协作机制，直接影响 STW 阶段的时长。当 runtime.gcStopTheWorldWithSema 触发时，所有 P 必须安全挂起——若某 P 正在执行长时间运行的 Go 函数（如密集计算），且未插入抢占点，将延迟 STW 完成。

GC 停顿关键路径

• P 在 sysmon 监控下每 20ms 检查抢占信号
• Goroutine 执行超过 10ms 未返回调度器时，被标记为 preempted
• GC STW 等待所有 P 进入 _Pgcstop 状态

// src/runtime/proc.go: preemptM
func preemptM(mp *m) {
    mp.preempt = true
    mp.signalNotify(nil) // 向 M 发送 SIGURG，强制其进入 syscalls 或检查抢占
}

该函数通过异步信号中断 M 的用户态执行流，促使其在下一个安全点（如函数调用、循环边界）让出 P，避免 GC 等待超时。

调度行为	平均 STW 延迟	触发条件
正常抢占		P 主动进入调度循环
长循环无调用点	可达 10ms+	缺少 runtime.Gosched()
系统调用中	~0μs（自动暂停）	P 状态切换为 _Psyscall

graph TD
    A[GC Start] --> B{All Ps in _Pgcstop?}
    B -- No --> C[Send preempt signal to M]
    C --> D[Wait for safe point]
    D --> B
    B -- Yes --> E[STW Complete]

2.3 堆内存分代假设的失效场景与实测反例

分代假设（“绝大多数对象朝生暮死”）在现代微服务与响应式应用中频繁失准。

长生命周期缓存对象泛滥

Spring Boot 应用中启用 @Cacheable 的高频查询接口，导致大量 DTO 实例滞留老年代：

@Cacheable(value = "userCache", key = "#id")
public UserDTO loadUser(Long id) {
    return userMapper.selectById(id); // 返回新构造对象，非复用引用
}

逻辑分析：每次缓存未命中即创建新对象；若缓存 TTL 长（如 30min）、QPS 高（500+），Eden 区无法及时回收，对象快速晋升至 Old Gen。-XX:+PrintGCDetails 日志显示 Promotion Failed 频发。

持久化层对象逃逸

MyBatis 的 ResultHandler 流式处理时，若业务代码将结果持续添加至静态 ConcurrentHashMap，触发跨代引用：

场景	年轻代存活率	老年代晋升速率	GC 触发频率
默认分代策略	~92%	12MB/s	每 8s 一次
启用 -XX:+UseG1GC -XX:MaxGCPauseMillis=50	~76%	3.1MB/s	每 42s 一次

响应式流背压失效链

graph TD
    A[Flux.fromIterable] --> B[map: 创建新对象]
    B --> C[onBackpressureBuffer]
    C --> D[静态队列堆积]
    D --> E[对象长期驻留堆]

2.4 GC pause、STW、mark assist的量化关系建模

GC pause 时长并非孤立事件，而是 STW（Stop-The-World）阶段与并发标记辅助（mark assist）强度动态耦合的结果。

核心约束方程

在 G1 / ZGC 等现代收集器中，可建模为：

PauseTime ≈ STW_base + k × (MarkAssistWork / ConcurrentMarkProgress)

STW_base：根扫描与转移同步开销（μs级，硬件相关）；k：调度放大系数（实测值通常 0.8–1.3）；MarkAssistWork 是 mutator 主动参与的标记量（以 card 或 oop 计数）；ConcurrentMarkProgress 表征后台标记完成率（0.0–1.0 浮点）。

关键影响因子对比

因子	对 Pause 的敏感度	可控性
Heap occupancy > 75%	高（+40%~120%）	中
Mutator allocation rate	中（线性增长）	低
Mark assist threshold	高（阈值下调 20% → pause ↓35%）	高

协同调度示意

graph TD
    A[Mutator 分配触发 GC 预警] --> B{是否达到 mark assist 阈值？}
    B -- 是 --> C[插入 barrier 标记辅助]
    B -- 否 --> D[纯并发标记]
    C --> E[STW 前压缩标记负载]
    E --> F[缩短 final-mark STW]

2.5 Go 1.22+增量式GC对pprof指标的新影响

Go 1.22 引入的增量式 GC（GOGC=off 下仍受调度器协同影响）显著改变了 GC 周期在 runtime/pprof 中的可观测性。

GC 暂停与标记分布变化

以往 gc pause 集中体现为 runtime.MemStats.PauseNs 短时尖峰；现转为多轮微暂停，pprof trace 中 GC/STW/stop the world 事件频次上升但单次时长下降。

pprof CPU profile 中的新信号

// go tool pprof -http=:8080 http://localhost:6060/debug/pprof/profile?seconds=30
// 观察 runtime.gcDrainN、runtime.markroot、runtime.sweepone 等函数调用占比上升

该采样反映 GC 工作被拆解到多个 Goroutine 时间片中，runtime.gcBgMarkWorker 占比提升，与用户代码混叠更紧密。

关键指标偏移对照表

指标	Go 1.21 及之前	Go 1.22+ 增量式 GC
memstats.NumGC	≈ GC 次数	仍准确，但每次 GC 跨度拉长
pprof trace 中 GC/STW 事件平均持续	~100μs–1ms	↓ 10–50μs，↑ 3–5× 频次
runtime.ReadMemStats 中 PauseTotalNs	集中分布	分散为数十个子项，总和不变

graph TD
    A[pprof CPU Profile] --> B{GC 函数调用模式}
    B --> C[runtime.gcBgMarkWorker]
    B --> D[runtime.markroot]
    B --> E[runtime.sweepone]
    C --> F[与用户 Goroutine 交错执行]
    F --> G[CPU 火焰图中 GC 栈深度变浅、分支增多]

第三章：pprof四大黄金指标的底层原理与采集陷阱

3.1 heap_inuse_bytes：为何它不等于RSS？内存映射真相揭秘

heap_inuse_bytes 是 Go 运行时 runtime.MemStats 中的关键指标，表示已分配且正在使用的堆内存字节数（即 mheap_.central 和 mheap_.spanalloc 等中已归还给 Go 堆、但尚未被 GC 回收的内存）。而 RSS（Resident Set Size）是操作系统视角下进程实际驻留于物理内存的页总数 × 页面大小，包含堆、栈、代码段、共享库、内存映射文件（如 mmap 的匿名或文件映射）等。

内存布局差异根源

• Go 堆仅占 RSS 的一部分；
• mmap 分配的大对象（≥32KB）绕过 mcache/mcentral，直接由 sysAlloc 调用 mmap(MAP_ANON)，计入 RSS 但不计入 heap_inuse_bytes（除非显式 runtime.KeepAlive 或仍在使用中）；
• 释放的堆内存可能未立即 MADV_FREE/munmap，仍被 OS 计为 RSS。

关键对比表

指标	统计主体	是否含 mmap 匿名内存	是否含脏页/未回收页
heap_inuse_bytes	Go runtime	❌（仅 mspan.allocCount × page size）	✅（GC 后暂未归还 OS）
RSS (/proc/pid/statm)	Linux kernel	✅（所有 mmap 区域）	✅（含 inactive file cache 映射）

// 示例：触发 mmap 分配（>32KB），该内存不计入 heap_inuse_bytes
buf := make([]byte, 40<<10) // 40 KiB → sysAlloc via mmap
runtime.GC()                 // 即使 GC，若未满足归还阈值，RSS 不降

上述 make 触发 mheap.allocSpan 走 mmap 分支，其 span 的 mspan.inHeap = false，故不纳入 heap_inuse_bytes 累加逻辑；但 pagemap 已建立物理页映射，RSS 实时反映。

graph TD
    A[Go 程序申请 45KB] --> B{size > 32KB?}
    B -->|Yes| C[sysAlloc → mmap MAP_ANON]
    B -->|No| D[从 mheap_.central 分配]
    C --> E[RSS += 45KB<br>heap_inuse_bytes += 0]
    D --> F[RSS += ~45KB<br>heap_inuse_bytes += 45KB]

3.2 gc_pauses_seconds_total：从直方图桶分布反推GC压力峰值

gc_pauses_seconds_total 是 JVM Exporter 暴露的 Prometheus 直方图指标，其 _bucket 子指标记录各延迟区间的累计计数。

直方图桶的关键语义

• 每个 gc_pauses_seconds_total_bucket{le="0.05"} 表示 GC 暂停 ≤50ms 的总次数
• le="+Inf" 给出总 GC 次数，le="0" 恒为 0（无零时长暂停）

典型压力信号识别

以下 PromQL 可定位瞬时 GC 峰值：

# 过去5分钟内，>200ms暂停占比突增（阈值 >5%）
rate(gc_pauses_seconds_total_bucket{le="0.2"}[5m]) 
/ 
rate(gc_pauses_seconds_total_bucket{le="+Inf"}[5m]) 
< 
0.95

该查询利用桶的累积性，通过相邻桶比值变化率暴露压力跃迁——当 le="0.2" 增速显著低于总量增速，说明更多暂停落入更高桶（如 le="1.0"），暗示 STW 时间恶化。

桶边界（秒）	典型用途
0.01	健康响应级（ZGC/C4）
0.2	G1 合理上限
1.0	需告警的严重暂停

压力溯源流程

graph TD
    A[原始_bucket序列] --> B[计算各桶增量速率]
    B --> C[识别le=0.2桶增速拐点]
    C --> D[关联JVM线程堆栈采样]

3.3 goroutines_count：协程泄漏与GC相互作用的隐蔽链路

当 runtime.Goroutines() 持续增长却无对应 go 语句显式创建时，往往暗示协程泄漏。更隐蔽的是：泄漏的 goroutine 若持有所在栈上的大对象（如 []byte、map[string]*struct{}），会阻止 GC 回收其关联的堆内存。

GC 标记阶段的间接阻塞

• 泄漏 goroutine 的栈被 GC 扫描为活跃根（root）
• 其栈上引用的对象被标记为“不可回收”
• 即使这些对象逻辑上已废弃，仍延长生命周期至 goroutine 结束

典型泄漏模式

func leakyWorker(ch <-chan int) {
    for val := range ch { // ch 关闭前永不退出
        process(val)
    }
}
// 若 ch 永不关闭，goroutine 持久存活 → 栈+引用对象常驻

该函数中，ch 未关闭导致 goroutine 永不终止；其栈帧持续持有 val 及 process 内部分配的临时对象，GC 无法释放——形成“协程锁住内存”的隐式强引用链。

现象	GC 影响	排查线索
GODEBUG=gctrace=1 显示 GC 周期变长	标记时间上升（mark assist 增多）	pprof/goroutine?debug=2 查看活跃 goroutine 数量及堆栈

graph TD
    A[goroutine 启动] --> B[栈分配临时对象]
    B --> C[对象被栈变量引用]
    C --> D[GC 扫描栈→视为 root]
    D --> E[对象被标记为 live]
    E --> F[即使逻辑已弃用，仍驻留堆]

第四章：基于pprof指标的实战调优闭环方法论

4.1 用go tool pprof -http定位高alloc_rate的热点函数栈

Go 程序内存分配过载常表现为 alloc_rate（每秒分配字节数）异常升高，直接拖慢 GC 频率并引发 STW 延长。go tool pprof 提供实时火焰图与调用栈分析能力。

启动交互式 Web 分析器

go tool pprof -http=":8080" ./myapp http://localhost:6060/debug/pprof/heap

• -http=":8080"：启动内置 HTTP 服务，可视化界面监听 8080 端口
• http://localhost:6060/debug/pprof/heap：采集堆快照（含分配速率元数据）

关键视图解读

视图类型	用途
Top	按 alloc_space 排序，定位高分配函数
Flame Graph	展示调用栈深度与分配量热区
Call graph	可导出带权重的调用关系图

分配热点识别逻辑

graph TD
    A[pprof heap profile] --> B[按 alloc_objects/alloc_space 聚合]
    B --> C[归因至 leaf function + caller chain]
    C --> D[过滤 alloc_rate > 1MB/s 的栈帧]

4.2 通过runtime.ReadMemStats交叉验证heap_objects与gc_cycle

Go 运行时中 heap_objects（堆对象数）与 gc_cycle（GC 周期计数）存在隐式时序耦合：每次 GC 完成后，heap_objects 被重采样，而 gc_cycle 递增。

数据同步机制

runtime.ReadMemStats 返回的 MemStats 结构体中：

• HeapObjects uint64：当前存活对象数（非瞬时快照，含 GC 暂存延迟）
• NumGC uint32：已完成的 GC 周期总数

var m runtime.MemStats
runtime.ReadMemStats(&m)
fmt.Printf("heap_objects: %d, gc_cycle: %d\n", m.HeapObjects, m.NumGC)

逻辑分析：ReadMemStats 触发一次 STW-safe 的内存统计快照；HeapObjects 统计的是标记后仍可达的对象，因此其值在 GC 结束后才稳定更新；NumGC 是原子递增计数器，严格单调。二者需在同一 GC 周期窗口内比对才具验证意义。

验证要点

• ✅ 同一 GC 周期内多次调用 ReadMemStats，NumGC 不变，HeapObjects 可能微调（因清扫未完成）
• ❌ HeapObjects 突降但 NumGC 未变 → 暗示统计竞争或 runtime bug

场景	HeapObjects 变化	NumGC 变化	合理性
GC 完成瞬间	↓ 显著	↑ 1	✅
GC 中间阶段（marking）	波动 ±5%	—	✅

graph TD
    A[触发GC] --> B[Mark Phase]
    B --> C[Sweep Phase]
    C --> D[Update HeapObjects]
    D --> E[Increment NumGC]

4.3 动态调整GOGC/GOMEMLIMIT的AB测试框架设计

为精准评估GC参数对服务延迟与内存驻留的影响，需在生产流量中并行运行多组GC策略。

核心架构

• 每个AB分组绑定独立 runtime/debug.SetGCPercent() 和 os.Setenv("GOMEMLIMIT", ...)
• 流量按请求哈希路由至指定分组，保障同一会话始终命中同一配置
• 实时采集指标：/debug/pprof/heap、runtime.ReadMemStats()、P95 GC pause time

配置热更新机制

func updateGCConfig(group string, gcPercent int, memLimitBytes uint64) {
    runtime/debug.SetGCPercent(gcPercent) // 立即生效，影响下一次GC触发阈值
    os.Setenv("GOMEMLIMIT", strconv.FormatUint(memLimitBytes, 10)) // 需重启goroutine生效，故配合fork进程管理
}

SetGCPercent 是即时生效的运行时调用；而 GOMEMLIMIT 作为启动环境变量，需通过子进程隔离实现“逻辑热更”——本框架采用 per-group fork + exec 方式加载新限制。

AB分流效果对比（1分钟采样）

分组	GOGC	GOMEMLIMIT	平均RSS(MB)	P95 GC Pause(ms)
A	100	1.2GB	842	12.7
B	50	800MB	619	8.3

graph TD
    A[HTTP Request] --> B{Hash Router}
    B -->|group=A| C[Runtime A: GOGC=100, GOMEMLIMIT=1.2GB]
    B -->|group=B| D[Runtime B: GOGC=50, GOMEMLIMIT=800MB]
    C & D --> E[统一Metrics Collector]

4.4 生产环境低开销持续采样：pprof + Prometheus + Grafana联动方案

在高吞吐服务中，全量 pprof 采样会显著增加 CPU 与内存开销。本方案采用按需触发 + 低频轮询 + 元数据导出三重降载策略。

核心架构流程

graph TD
    A[Go 应用] -->|/debug/pprof/profile?seconds=30| B(pprof 采样器)
    B -->|采样后生成 profile| C[Prometheus Exporter]
    C -->|暴露 /metrics| D[Prometheus 抓取]
    D --> E[Grafana 展示火焰图+CPU/heap趋势]

关键配置示例（Exporter）

// 启用轻量级 pprof 指标导出，禁用阻塞/互斥锁等高开销分析
pprof.Handler().ServeHTTP(w, r) // 仅响应显式请求，不自动采集

该 handler 不主动轮询，避免 runtime 内部锁竞争；所有采样均由 Prometheus 的 scrape_interval: 5m 控制，兼顾可观测性与开销平衡。

采样策略对比

策略	CPU 开销	数据粒度	适用场景
全量实时 pprof	高	高	故障诊断期
低频定时采样	极低	中	日常性能基线监控
Prometheus 导出指标	忽略不计	低	资源趋势分析

第五章：写在凌晨三点之后：一位P9工程师的GC调优手记

凌晨3:17，监控告警再次刺破静默——订单履约服务 Full GC 频次突破 8 次/小时，P90 响应延迟飙至 2400ms，下游三个核心系统开始报“超时熔断”。我合上咖啡杯盖，打开 jstat -gcutil 12847 5000 10 的滚动输出，光标停在 OU（Old Used）列：98.3 → 98.7 → 99.1 → 99.6。

现场快照与根因定位

执行 jstack -l 12847 > thread_dump.log 与 jmap -histo:live 12847 > histo_live.log 后发现：

• 单个 OrderProcessingContext 实例平均持有 127 个 PaymentDetail 引用；
• ConcurrentHashMap$Node[] 数组在老年代中累计占 3.2GB，且 92% 的 entry key 为已过期的 OrderId（TTL=2h，但缓存未主动清理）；
• GC 日志显示 -XX:+PrintGCDetails 中频繁出现 Ergonomics::set_gc_policy() 自动降级为 Parallel GC，因 CMS 因并发模式失败被 JVM 强制停用。

关键参数调整对比

参数组合	Young GC 平均耗时	Full GC 频次（/h）	老年代晋升率	P90 延迟
-XX:+UseParNewGC -XX:+UseConcMarkSweepGC	42ms	8.3	37%	2410ms
-XX:+UseG1GC -XX:MaxGCPauseMillis=150 -XX:G1HeapRegionSize=1M	68ms	0.2	11%	412ms
最终上线版： -XX:+UseG1GC -XX:MaxGCPauseMillis=100 -XX:G1NewSizePercent=30 -XX:G1MaxNewSizePercent=60 -XX:G1HeapWastePercent=5 -XX:G1MixedGCCountTarget=8	31ms	0	4%	287ms

内存泄漏点修复代码片段

// 修复前：弱引用未配合 ReferenceQueue 清理，且未限制最大容量
private static final Map<String, WeakReference<Order>> CACHE = new ConcurrentHashMap<>();

// 修复后：启用 G1 的 Region 回收感知 + 定时驱逐 + 显式清理
private static final ConcurrentMap<String, Order> CACHE = 
    new ConcurrentLinkedHashMap.Builder<String, Order>()
        .maximumWeightedCapacity(50_000)
        .weigher((k, v) -> v.getPayloadSize() / 1024) // KB 级权重
        .build();
// 并在 OrderProcessor#onOrderComplete() 中显式 remove(key)

GC行为可视化验证

flowchart LR
    A[应用启动] --> B[G1 初始化 2048 Regions]
    B --> C{Young GC 触发？}
    C -->|是| D[复制存活对象至 Survivor/Eden]
    C -->|否| E[等待 Mixed GC 条件]
    D --> F[晋升阈值达15？]
    F -->|是| G[对象进入 Old Region]
    G --> H[Old Region 使用率 > G1HeapWastePercent？]
    H -->|是| I[触发 Mixed GC，回收8个最空Old Region]
    I --> J[检查是否满足 MaxGCPauseMillis]

监控闭环策略

• 在 Prometheus 中新增 jvm_gc_collection_seconds_count{gc="G1 Young Generation"} 与 jvm_memory_pool_used_bytes{pool="G1 Old Gen"} 双维度告警；
• 编写 Python 脚本自动解析 gc.log，当 MixedGC 中 Other 阶段耗时 > 20ms 时，触发 jcmd 12847 VM.native_memory summary scale=MB 快照；
• 将 G1EvacuationInfo 统计嵌入 Arthas dashboard 插件，实时显示 Regions Copied 与 Bytes Copied。

凌晨4:03，OU 稳定在 41.2%，线程池活跃线程回落至 17/200，Kibana 中履约成功率曲线重新贴回 99.99% 基线。我关掉 terminal，把 gc.log.2024052212 归档进 /data/gc-tuning-archive/p9-order-2024Q2/，路径里还躺着 17 个同名目录，每个都对应一次跨夜战斗。