GraalVM for JDK 24導入機器學習行為預測，強化原生映像檔執行效能

甲骨文（Oracle）隨JDK 24的發布，推出高效能執行環境GraalVM for JDK 24，本版本的最大亮點，是將機器學習應用於原生映像檔（Native Image）靜態分析流程，導入名為GraalNN的行為預測模型，協助原生映像檔在缺乏執行期分析（Profiling）資料的情況下，預測程式控制流程中分支的執行機率，進一步提升原生映像檔的高峰效能表現。

根據Oracle團隊測試，在Micronaut、Spring、Quarkus等微服務框架下，平均可獲得約7.9％的效能提升，且無需多階段建構流程，只需加入特定參數，即可套用此最佳化技術。GraalNN模型背後的技術基礎來自圖神經網路（Graph Neural Network），官方將其應用於靜態控制流程圖上的分支機率推理，用以取代過往需要實際執行紀錄的PGO（Profile-Guided Optimization）資料。

除了效能上的強化，本次版本也加入一項有助縮小原生映像檔容量的新技術SkipFlow，該技術讓GraalVM在建構映像檔時，能更精準地判斷哪些程式碼在實際執行時才會用到，並排除那些永遠不會被執行的類別與方法。根據Oracle提供的測試資料，這項最佳化平均可讓映像檔容量減少約6.35％，且不會延長建置時間。

針對近年逐漸普及的Java Vector API，新的GraalVM版本也在原生映像檔中強化對向量運算的支援，將多項向量運算轉換為底層硬體支援的SIMD指令執行，使執行效能與傳統JIT模式相當。GraalVM團隊並展示了一個名為Llama3.java的範例，該專案將大型語言模型推理邏輯實作於單一Java檔案中，並結合Vector API與FFM API進行最佳化。測試中，採用GraalVM原生映像檔建構的Llama3模型，可在純CPU環境下達到每秒52.25 Token的生成速度，顯示AOT編譯搭配向量最佳化可實際應用於語言模型領域。

在資安與法遵層面，GraalVM原生映像檔強化SBOM功能，提供CycloneDX格式支援，並透過靜態分析導出精準的組件相依樹，協助開發者辨識應用中引入的第三方元件來源與關聯性。搭配Maven Plugin，可建立更精準的基準SBOM，進一步減少偵測誤報。此外，也新增支援類別層級的SBOM中繼資料，列出原生映像中所包含的模組、類別、欄位、方法等結構，有助資安掃描工具進行更精細的風險評估。

Oracle引用社群測試結果指出，在負載情境下，相較JIT模式，原生映像檔產生的原生應用有更低的耗電量與記憶體使用率，特別是在微服務與函數即服務（FaaS）等短生命周期應用中更為明顯。