堆内存分析和优化
计算机程序都可能有内存泄漏的风险。内存泄漏一般是由于程序在堆(heap)上分配了内存而没有释放,随着程序的运行占用的内存越来越大,一方面会影响程序的稳定性,可能让运行速度越来越慢,或者造成oom,甚至会影响运行程序的机器的稳定性,造成宕机。
目前有很多内存泄漏分析工具,比较经典的有valgrind, gperftools。
因为Fluid是用Python驱动C++ core来运行,valgrind直接分析非常困难,需要自己编译debug版本的、带valgrind支持的专用Python版本,而且输出的信息中大部分是Python自己的符号和调用信息,分析起来很困难,另外使用valgrind会让程序运行速度变得非常慢,所以不建议使用。
本教程主要介绍gperftools的使用。
gperftool主要支持以下四个功能:
- thread-caching malloc
- heap-checking using tcmalloc
- heap-profiling using tcmalloc
- CPU profiler
Paddle也提供了基于gperftool的CPU性能分析教程。
对于堆内存的分析,主要用到thread-caching malloc和heap-profiling using tcmalloc。
环境
本教程基于paddle提供的Docker开发环境paddlepaddle/paddle:latest-dev,基于Ubuntu 16.04.4 LTS环境。
使用流程
- 安装google-perftools
- apt-get install libunwind-dev
- apt-get install google-perftools
- 安装pprof
- go get -u github.com/google/pprof
- 设置运行环境
- export PPROF_PATH=/root/gopath/bin/pprof
- export PPROF_BINARY_PATH=/root/gopath/bin/pprof
- export LD_PRELOAD=/usr/lib/libtcmalloc.so.4
- 使用heap profile来运行python程序。本质上是周期性的对堆的分配情况做一次快照。
- # HEAPPROFILE 设置生成的堆分析文件的目录和文件前缀
- # HEAP_PROFILE_ALLOCATION_INTERVAL 设置每分配多少存储dump一次dump,默认1GB
- env HEAPPROFILE="./perf_log/test.log" HEAP_PROFILE_ALLOCATION_INTERVAL=209715200 python trainer.py
随着程序的运行,会在perf_log这个文件夹下生成很多文件,如下:
- -rw-r--r-- 1 root root 1.0M Jun 1 15:00 test.log.0001.heap
- -rw-r--r-- 1 root root 1.0M Jun 1 15:00 test.log.0002.heap
- -rw-r--r-- 1 root root 1.0M Jun 1 15:00 test.log.0003.heap
- -rw-r--r-- 1 root root 1.0M Jun 1 15:00 test.log.0004.heap
- -rw-r--r-- 1 root root 1.0M Jun 1 15:00 test.log.0005.heap
- -rw-r--r-- 1 root root 1.0M Jun 1 15:00 test.log.0006.heap
使用pprof对heap文件进行分析。分析有两种模式:
- 完整模式。会对当前heap做一个分析,显示目前分配内存一些调用路径。
- pprof --pdf python test.log.0012.heap
上述命令会生成一个profile00x.pdf的文件,可以直接打开,例如:memory_cpu_allocator。从下图可以看出,在CPU版本fluid的运行过程中,分配存储最多的模块式CPUAllocator. 而别的模块相对而言分配内存较少,所以被忽略了,这对于分配内存泄漏是很不方便的,因为泄漏是一个缓慢的过程,在这种图中是无法看到的。
- Diff模式。可以对两个时刻的heap做diff,把一些内存分配没有发生变化的模块去掉,而把增量部分显示出来。
- pprof --pdf --base test.log.0010.heap python test.log.1045.heap
生成的结果为:memory_leak_protobuf
从图中可以看出:ProgramDesc这个结构,在两个版本之间增长了200MB+,所以这里有很大的内存泄漏的可能性,最终结果也确实证明是这里造成了泄漏。