G1停顿预测模型核心是衰减平均，公式为davg=(1−α)×当前值+α×旧davg（α默认0.7），并取MAX(davg+0.5×dsd, davg×confidence_factor)作为保守预测值，兼顾近期趋势与波动缓冲。
G1收集器的动态停顿预测模型核心是衰减平均（Decaying Average），它不是简单算术平均，而是让新数据对预测结果影响更大，从而更贴合当前运行状态。
衰减均值的递推公式
每次记录一个Region回收耗时（或记忆集扫描时间等指标）后，G1用如下公式更新衰减均值 _davg：
- _davg = (1 − α) × 当前值 + α × 上一次_davg
- 其中 α 是历史权重系数，默认为 0.7
- 所以 (1 − α) = 0.3，即最新一次观测值占 30% 权重，历史均值占 70%
这个设计意味着：越近的数据贡献越大；一次异常长的回收时间不会立刻拉高预测值，但会缓慢抬升；连续多次变慢则预测值快速上移。
带置信度的预测值计算
仅靠衰减均值还不够稳健。G1实际使用的预测值（用于决定选哪些Region进回收集）是：
立即学习“Java免费学习笔记（深入）”；
- 预测值 = MAX( davg + σ × dsd , davg × confidence_factor )
- davg：衰减均值
- dsd：衰减标准偏差（反映波动性）
- σ：可信度系数，默认为 0.5（对应 G1ConfidencePercent=50）
- confidence_factor：样本不足时的补偿系数。少于 5 次观测时大于 1，样本越多越趋近于 1
这相当于在“均值+风险缓冲”和“均值×可信放大”之间取较大者，兼顾稳定性与保守性。
为什么用衰减而非普通平均？
Java应用负载常随时间变化：流量高峰、缓存预热、对象生命周期迁移都会改变GC行为。普通平均会把一周前的低负载回收时间和平滑掉今天的高压力表现，导致预测偏乐观、超时风险上升。而衰减平均天然具备“遗忘旧状态”的能力，让模型始终锚定近期真实开销。
例如：某Region上周回收只花 5ms，本周因对象图变复杂涨到 18ms，连续三次后衰减均值会明显上移，促使G1降低对该Region的回收优先级或跳过它——这正是“价值收益最大化”的底层依据。
数据来源与截断机制
G1不保存全部历史，而是用 TruncatedSeq 结构只保留最近 N 个观测值（如回收耗时、脏卡数量）。每新增一项就丢弃最老一项，保证统计量始终反映近期趋势，也节省内存开销。这也是衰减模型能轻量、实时运行的关键支撑。
