摘要：最近工作遇到了內(nèi)存泄漏問題，運(yùn)維同學(xué)緊急呼叫解決，于是在解決問題之余也系統(tǒng)記錄了下內(nèi)存泄漏問題的常見解決思路。
最近工作遇到了內(nèi)存泄漏問題，運(yùn)維同學(xué)緊急呼叫解決，于是在解決問題之余也系統(tǒng)記錄了下內(nèi)存泄漏問題的常見解決思路。
首先搞清楚了本次問題的現(xiàn)象：
服務(wù)在13號(hào)上線過一次，而從23號(hào)開始，出現(xiàn)內(nèi)存不斷攀升問題，達(dá)到預(yù)警值重啟實(shí)例后，攀升速度反而更快。
服務(wù)分別部署在了A、B 2種芯片上，但除模型推理外，幾乎所有的預(yù)處理、后處理共享一套代碼。而B芯片出現(xiàn)內(nèi)存泄漏警告，A芯片未出現(xiàn)任何異常。
思路一：研究新舊源碼及二方庫依賴差異
根據(jù)以上兩個(gè)條件，首先想到的是13號(hào)的更新引入的問題，而更新可能來自兩個(gè)方面：
自研代碼
二方依賴代碼
從上述兩個(gè)角度出發(fā)：
- 一方面，分別用Git歷史信息和BeyondCompare工具對(duì)比了兩個(gè)版本的源碼，并重點(diǎn)走讀了下A、B兩款芯片代碼單獨(dú)處理的部分，均未發(fā)現(xiàn)任何異常。
- 另一方面，通過pip list命令對(duì)比兩個(gè)鏡像包中的二方包，發(fā)現(xiàn)僅有pytz時(shí)區(qū)工具依賴的版本有變化。
經(jīng)過研究分析，認(rèn)為此包導(dǎo)致的內(nèi)存泄漏的可能性不大，因此暫且放下。
至此，通過研究新舊版本源碼變化找出內(nèi)存泄漏問題這條路，似乎有點(diǎn)走不下去了。
思路二：監(jiān)測(cè)新舊版本內(nèi)存變化差異
目前python常用的內(nèi)存檢測(cè)工具有pympler、objgraph、tracemalloc 等。
首先，通過objgraph工具，對(duì)新舊服務(wù)中的TOP50變量類型進(jìn)行了觀察統(tǒng)計(jì)
objraph常用命令如下：
\# 全局類型數(shù)量
objgraph.show\_most\_common\_types(limit=50)
\# 增量變化
objgraph.show\_growth(limit=30)
這里為了更好的觀測(cè)變化曲線，我簡(jiǎn)單做了個(gè)封裝，使數(shù)據(jù)直接輸出到了csv文件以便觀察。
stats = objgraph.most\_common\_types(limit=50)
stats\_path = "./types\_stats.csv"
tmp\_dict = dict(stats)
req\_time = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime())
tmp\_dict\['req\_time'\] = req\_time
df = pd.DataFrame.from\_dict(tmp\_dict, orient='index').T
if os.path.exists(stats\_path):
df.to\_csv(stats\_path, mode='a', header=True, index=False)
else:
df.to\_csv(stats\_path, index=False)
如下圖所示，用一批圖片在新舊兩個(gè)版本上跑了1個(gè)小時(shí)，一切穩(wěn)如老狗，各類型的數(shù)量沒有一絲波瀾。
此時(shí)，想到自己一般在轉(zhuǎn)測(cè)或上線前都會(huì)將一批異常格式的圖片拿來做個(gè)邊界驗(yàn)證。
雖然這些異常，測(cè)試同學(xué)上線前肯定都已經(jīng)驗(yàn)證過了，但死馬當(dāng)成活馬醫(yī)就順手拿來測(cè)了一下。
平靜數(shù)據(jù)就此被打破了，如下圖紅框所示：dict、function、method、tuple、traceback等重要類型的數(shù)量開始不斷攀升。
而此時(shí)鏡像內(nèi)存亦不斷增加且毫無收斂跡象。
由此，雖無法確認(rèn)是否為線上問題，但至少定位出了一個(gè)bug。而此時(shí)回頭檢查日志，發(fā)現(xiàn)了一個(gè)奇怪的現(xiàn)象：
正常情況下特殊圖片導(dǎo)致的異常，日志應(yīng)該輸出如下信息，即check_image_type方法在異常棧中只會(huì)打印一次。
但現(xiàn)狀是check_image_type方法循環(huán)重復(fù)打印了多次，且重復(fù)次數(shù)隨著測(cè)試次數(shù)在一起變多。
重新研究了這塊兒的異常處理代碼。
異常聲明如下：
拋異常代碼如下：
問題所在
思考后大概想清楚了問題根源：
這里每個(gè)異常實(shí)例相當(dāng)于被定義成了一個(gè)全局變量，而在拋異常的時(shí)候，拋出的也正是這個(gè)全局變量。當(dāng)此全局變量被壓入異常棧處理完成之后，也并不會(huì)被回收。
因此隨著錯(cuò)誤格式圖片調(diào)用的不斷增多，異常棧中的信息也會(huì)不斷增多。而且由于異常中還包含著請(qǐng)求圖片信息，因此內(nèi)存會(huì)呈MB級(jí)別的增加。
但這部分代碼上線已久，線上如果真的也是這里導(dǎo)致的問題，為何之前沒有任何問題，而且為何在A芯片上也沒有出現(xiàn)任何問題？
帶著以上兩個(gè)疑問，我們做了兩個(gè)驗(yàn)證：
首先，確認(rèn)了之前的版本以及A芯片上同樣會(huì)出現(xiàn)此問題。
其次，我們查看了線上的調(diào)用記錄，發(fā)現(xiàn)最近剛好新接入了一個(gè)客戶，而且出現(xiàn)了大量使用類似問題的圖片調(diào)用某局點(diǎn)（該局點(diǎn)大部分為B芯片）服務(wù)的現(xiàn)象。我們找了些線上實(shí)例，從日志中也觀測(cè)到了同樣的現(xiàn)象。
由此，以上疑問基本得到了解釋，修復(fù)此bug后，內(nèi)存溢出問題不再出現(xiàn)。
進(jìn)階思路
講道理，問題解決到這個(gè)地步似乎可以收工了。但我問了自己一個(gè)問題，如果當(dāng)初沒有打印這一行日志，或者開發(fā)人員偷懶沒有把異常棧全部打出來，那應(yīng)該如何去定位？
帶著這樣的問題我繼續(xù)研究了下objgraph、pympler 工具。
前文已經(jīng)定位到了在異常圖片情況下會(huì)出現(xiàn)內(nèi)存泄漏，因此重點(diǎn)來看下此時(shí)有哪些異樣情況：
通過如下命令，我們可以看到每次異常出現(xiàn)時(shí)，內(nèi)存中都增加了哪些變量以及增加的內(nèi)存情況。
- 使用objgraph工具objgraph.show_growth(limit=20)
使用pympler工具
from pympler import tracker
tr = tracker.SummaryTracker()
tr.print\_diff()
通過如下代碼，可以打印出這些新增變量來自哪些引用，以便進(jìn)一步分析。
gth = objgraph.growth(limit=20)
for gt in gth:
logger.info("growth type:%s, count:%s, growth:%s" % (gt\[0\], gt\[1\], gt\[2\]))
if gt\[2\] > 100 or gt\[1\] > 300:
continue
objgraph.show\_backrefs(objgraph.by\_type(gt\[0\])\[0\], max\_depth=10, too\_many=5,
filename="./dots/%s\_backrefs.dot" % gt\[0\])
objgraph.show\_refs(objgraph.by\_type(gt\[0\])\[0\], max\_depth=10, too\_many=5,
filename="./dots/%s\_refs.dot" % gt\[0\])
objgraph.show\_chain(
objgraph.find\_backref\_chain(objgraph.by\_type(gt\[0\])\[0\], objgraph.is\_proper\_module),
filename="./dots/%s\_chain.dot" % gt\[0\]
)
通過graphviz的dot工具,對(duì)上面生產(chǎn)的graph格式數(shù)據(jù)轉(zhuǎn)換成如下圖片：
dot -Tpng xxx.dot -o xxx.png
這里，由于dict、list、frame、tuple、method等基本類型數(shù)量太多，觀測(cè)較難，因此這里先做了過濾。
內(nèi)存新增的ImageReqWrapper的調(diào)用鏈
內(nèi)存新增的traceback的調(diào)用鏈：
雖然帶著前面的先驗(yàn)知識(shí)，使我們很自然的就關(guān)注到了traceback和其對(duì)應(yīng)的IMAGE_FORMAT_EXCEPTION異常。
但通過思考為何上面這些本應(yīng)在服務(wù)調(diào)用結(jié)束后就被回收的變量卻沒有被回收，尤其是所有的traceback變量在被IMAGE_FORMAT_EXCEPTION異常調(diào)用后就無法回收等這些現(xiàn)象；同時(shí)再做一些小實(shí)驗(yàn)，相信很快就能定位到問題根源。
至此，我們可以得出結(jié)論如下：
由于拋出的異常無法回收，導(dǎo)致對(duì)應(yīng)的異常棧、請(qǐng)求體等變量都無法被回收，而請(qǐng)求體中由于包含圖片信息因此每次這類請(qǐng)求都會(huì)導(dǎo)致MB級(jí)別的內(nèi)存泄漏。
另外，研究過程中還發(fā)現(xiàn)python3自帶了一個(gè)內(nèi)存分析工具tracemalloc，通過如下代碼就可以觀察代碼行與內(nèi)存之間的關(guān)系，雖然可能未必精確，但也能大概提供一些線索。
import tracemalloc
tracemalloc.start(25)
snapshot = tracemalloc.take\_snapshot()
global snapshot
gc.collect()
snapshot1 = tracemalloc.take\_snapshot()
top\_stats = snapshot1.compare\_to(snapshot, 'lineno')
logger.warning("\[ Top 20 differences \]")
for stat in top\_stats\[:20\]:
if stat.size\_diff < 0:
continue
logger.warning(stat)
snapshot = tracemalloc.take\_snapshot()
如果文章對(duì)你有幫助的話，點(diǎn)個(gè)贊再走吧
