欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

python內(nèi)存泄漏排查技巧總結(jié)

 更新時間：2022年01月24日 17:11:24   作者：lutianfei  
這篇文章主要給大家分享了python內(nèi)存泄漏排查技巧總結(jié)，工作過程中服務難免遇到內(nèi)存泄漏問題，下面文章就給大家總結(jié)一些排查下技巧，具有一定的參考價值,需要的朋友可以參考一下

首先搞清楚了本次問題的現(xiàn)象：

  • 1. 服務在13號上線過一次，而從23號開始，出現(xiàn)內(nèi)存不斷攀升問題，達到預警值重啟實例后，攀升速度反而更快。
  • 2. 服務分別部署在了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)以上兩個條件，首先想到的是13號的更新引入的問題，而更新可能來自兩個方面：

  • 自研代碼
  • 二方依賴代碼

從上述兩個角度出發(fā)：

  • 一方面，分別用Git歷史信息和BeyondCompare工具對比了兩個版本的源碼，并重點走讀了下A、B兩款芯片代碼單獨處理的部分，均未發(fā)現(xiàn)任何異常。
  • 另一方面，通過pip list命令對比兩個鏡像包中的二方包，發(fā)現(xiàn)僅有pytz時區(qū)工具依賴的版本有變化。

經(jīng)過研究分析，認為此包導致的內(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，似乎有點走不下去了。

思路二：監(jiān)測新舊版本內(nèi)存變化差異

目前python常用的內(nèi)存檢測工具有pympler、objgraph、tracemalloc 等。

首先，通過objgraph工具，對新舊服務中的TOP50變量類型進行了觀察統(tǒng)計

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變化曲線，我簡單做了個封裝，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版本上跑了1個小時，一切穩(wěn)如老狗，各類型的數(shù)量沒有一絲波瀾。

此時，想到自己一般在轉(zhuǎn)測或上線前都會將一批異常格式的圖片拿來做個邊界驗證。

雖然這些異常，測試同學上線前肯定都已經(jīng)驗證過了，但死馬當成活馬醫(yī)就順手拿來測了一下。

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。

而此時鏡像內(nèi)存亦不斷增加且毫無收斂跡象。

由此，雖無法確認是否為線上問題，但至少定位出了一個bug。而此時回頭檢查日志，發(fā)現(xiàn)了一個奇怪的現(xiàn)象：
正常情況下特殊圖片導致的異常，日志應該輸出如下信息，即check_image_type方法在異常棧中只會打印一次。

但現(xiàn)狀是check_image_type方法循環(huán)重復打印了多次，且重復次數(shù)隨著測試次數(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：

這里每個異常實例相當于被定義成了一個全局變量，而在拋異常的時候，拋出的也正是這個全局變量。當此全局變量被壓入異常棧處理完成之后，也并不會被回收。

因此隨著錯誤格式圖片調(diào)用的不斷增多，異常棧中的信息也會不斷增多。而且由于異常中還包含著請求圖片信息，因此內(nèi)存會呈MB級別的增加。

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？

帶著以上兩個疑問，我們做了兩個驗證：

首先，確認了之前的版本以及A芯片上同樣會出現(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（該局點大部分為B芯片）服務的現(xiàn)象。我們找了些線上實例，從日志中也觀測到了同樣的現(xiàn)象。

由此，以上疑問基本得到了解釋，修復此bug后，內(nèi)存溢出問題不再出現(xiàn)。

進階思路

講道理，問題解決到這個地步似乎可以收工了。但我問了自己一個問題，如果當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出現(xiàn)內(nèi)存泄漏，因此重點來看下此時有哪些異樣情況：

通過如下命令，我們可以看到每次異常出現(xiàn)時，內(nèi)存中都增加了哪些變量以及增加的內(nèi)存情況。

1.使用objgraph工具

objgraph.show_growth(limit=20)

2.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知識，使我們很自然的就關(guān)注到了traceback和其對應的IMAGE_FORMAT_EXCEPTION異常。
但通過思考為何上面這些本應在服務調(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；同時再做一些小實驗，相信很快就能定位到問題根源。

另，關(guān)于 python3中 緩存Exception導致的內(nèi)存泄漏問題，我們可以看看這篇文章：http://www.dbjr.com.cn/article/231759.htm

至此，我們可以得出結(jié)論如下：

由于拋出的異常無法回收，導致對應的異常棧、請求體等變量都無法被回收，而請求體中由于包含圖片信息因此每次這類請求都會導致MB級別的內(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()

 到此這篇關(guān)于python內(nèi)存泄漏排查技巧總結(jié)的文章就介紹到這了,更多相關(guān)python內(nèi)存泄漏排查技巧內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

參考文章：

https://testerhome.com/articles/19870?order_by=created_at&
https://blog.51cto.com/u_3423936/3019476
https://segmentfault.com/a/1190000038277797
https://www.cnblogs.com/zzbj/p/13532156.html
https://drmingdrmer.github.io/tech/programming/2017/05/06/python-mem.html
https://zhuanlan.zhihu.com/p/38600861

 

相關(guān)文章

最新評論