Android内存优化的常用工具与手段

描述

前言

内存问题是一个普遍问题,但是却普遍缺少关注度,具体有以下几个原因:

内存问题相对比较隐蔽,表现并不明显。

同时android使用Jvm语言开发,垃圾回收是自动的,所以一般没有特别关注。

内存问题难以定位,出现问题的地方往往只是表现的地方,真正的原因难以收集。

内存优化的内容其实非常多而复杂,我们可以尝试从以下思路去了解:

要了解内存问题,我们首先要了解为什么要做内存优化?

同时需要了解一些内存优化的背景知识,如垃圾回收机制。

我们需要了解一些内存优化的常用工具与手段。

图片是内存优化的重点,我们需要重点了解下图片优化的知识点。

内存问题的一个直接体现是OOM,我们还需要了解下OOM治理的一些手段。

所以我们可以轻松得出本文的主要内容:

为什么要做内存优化?

android内存优化的一些背景知识。

android内存优化的常用工具与手段。

怎么做图片内存优化?

怎么做OOM线上监控?

本文主要内容思维导图如下:

1、为什么要做内存优化?

要回答这个问题,我们首先应该明确需求,当我们去做内存优化时是为了什么。

做内存优化的目的是降低OOM率、减少卡顿、增加应用存活时间。

1.1 降低OOM率

做内存优化的一个常见原因是为了降低OOM率。

申请内存过多而没有及时释放,常常就会导致OOM。

引起OOM的原因有多种,在后面我们再细谈。

1.2 减少卡顿

Android中造成界面卡顿的原因有很多种,其中一种就是由内存问题引起的。

内存问题之所以会影响到界面流畅度,是因为垃圾回收。

在GC时,所有线程都要停止,包括主线程。当GC和绘制界面的操作同时触发时,绘制的执行就会被搁置,导致掉帧,也就是界面卡顿。

1.3 增加应用存活时间

Android会按照特定的机制清理进程,清理进程时优先会考虑清理后台进程,如果某个应用在后台运行并且占用的内存更多,就会被优先清理掉。

我们通常希望App能尽量存活的久一点,所以内存不再使用时应该尽快释放。

2、android内存优化的一些背景知识

2.1 Java垃圾回收机制

Java内存回收主要包括以下内容:

判断对象是否回收的可达性分析算法。

强软弱虚4种引用类型。

用于GC回收的垃圾回收算法。

这些都是很常见的知识点了,这里也就不缀述了,如果想要了解更多细节的同学可参考:Java 垃圾回收机制。

https://juejin.cn/post/6844903897958449166

2.2 什么是内存泄漏?

内存泄漏指的是一块内存没有被使用且无法被GC回收,从而造成了内存的浪费,比如Handler匿名内部类持有Activity的引用,Activity 需要销毁时,GC 就无法回收它。

内存泄漏的表现就是可用内存逐渐减少,无法被回收的内存逐渐累积,直到应用无更多可用内存可申请时,就会导致内存溢出。

内存泄漏的直接原因是长生命周期的对象引用了短生命周期的对象,导致短生命周期对象无法回收。

常见的引起内存泄漏的原因有:

非静态内部类持有了外部引用。

静态变量持有了context的引用。

资源没有及时释放。

我们一般使用LeakCanary或者Profile检测内存泄漏。

2.3 什么是内存抖动?

当我们在短时间内频繁创建大量临时对象时,就会引起内存抖动,比如在一个for循环中创建临时对象实例,下面这张图就是内存抖动时的一个内存图表现,它的形状是锯齿形的,而中间的垃圾桶代表着一次GC。

内存抖动意味着频繁的创建对象与回收,容易触发GC,而当GC时所有线程都会停止,因此可能导致卡顿。

为了避免内存抖动,我们应该避免以下操作:

尽量避免在循环体中创建对象。

尽量不要在自定义View的onDraw()方法中创建对象,因为这个方法会被频繁调用。

对于能够复用的对象,可以考虑使用对象池把它们缓存起来。

2.4 什么是内存溢出?

内存溢出即申请的内存超出可用的内存,即OOM,这会导致我们的程序异常退出,这也是我们重点关注的指标。

引起OOM的原因可能有多种,主要可以分为以下几类:

Android

关于OOM治理及线上监控等,后面会详细介绍。

3、android内存优化的常用工具与手段

3.1 Memory Profiler

Memory Profiler是Profiler 中的其中一个版块,Profiler 是 Android Studio 为我们提供的性能分析工具,使用 Profiler 能分析应用的 CPU、内存、网络以及电量的使用情况。

使用Memory可以检测以下功能:

查看内存曲线及内存占用情况。

可以定位是否存在内存抖动问题。

堆转储(Dump Java Heap)可检测出内存泄漏的对象。

关于Memory Profiler的具体使用就不在此缀述了,想要了解的可参考:什么是 Memory Profiler?

https://juejin.cn/post/6844903897958449166

3.2 Memory Analyzer Tool

MAT工具可以帮助开发者定位导致内存泄漏的对象,以及发现大的内存对象,然后解决内存泄漏并通过优化内存对象,以达到减少内存消耗的目的。

比起Memory Profiler,MAT使用起来更加麻烦,同时现在Memory Profiler功能也越来越强大了,所以我现在已经很少使用MAT了。

如果想要更多地了解MAT,也可以参考:什么是Memory Analyzer Tool。

https://juejin.cn/post/6844903897958449166#heading-52

3.3 LeakCanary检测内存泄漏

相比Memory Profiler与MAT,LeakCanary在使用上更加简便。

只需要在项目中添加依赖,即可自动地检测内存泄漏并报警,使用起来非常方便。

LeakCanary有以下几个特点:

不需要手动初始化。

可自动检测内存泄漏并通过通知报警。

不能用于线上。

LeakCanary检测流程如下

关于LeakCanary的原理,我之前曾经总结过一篇文章,有兴趣的同学也可以参考:【带着问题学】关于LeakCanary2.0你应该知道的知识点。

https://juejin.cn/post/6968084138125590541

3.4 内存优化的一些常规手段

内存优化的一些细节问题可以在开发时避免,下面介绍一些常规的内存优化手段。

1)、使用LargeHeap属性增加最大可用内存。

2)、在系统触发资源紧张回调时,主动删除缓存。

3)、使用优化过后的集合:如SparseArray类等。

4)、谨慎使用 SharedPreference,SP会在应用初始化时将所有内容加载到内存中,所以不应该存放比较大的内容。

5)、谨慎使用外部库,引入时需要明确不会对应用性能造成大的影响。

6)、业务架构设计要合理,抽象可以优化代码的灵活性和可维护性,但是抽象也会带来其他成本,应权衡使用。

这些细节问题其实都很普通,如果平时注意到了,相信对应用的内存一定有所帮助。

4、怎么做图片内存优化?

内存优化应该优先去做见效快的地方,图片内存优化是内存优化的重点,可能一张图片没有回收就会造成几M内存的浪费。

4.1 常规的图片内存优化方法

我们都知道,图片所占内存=宽高一像素占用内存。

所以优化图片内存主要有以下几个思路:

缩放减小宽高。

减少每个像素所占用的内存。

内存复用,避免重复分配内存。

对于大图,可以采取局部加载的策略。

4.1.1 减少图片宽高

有时图片宽高为200*200, 而View宽高为100*100, 这种时候如果展示200*200的图片没有意义,应该对图片进行缩放。

这种情况一般通过inSampleSize实现。

BitampFactory.Options options = new BitmapFactory.Options();

// 设置为4就是宽和高都变为原来1/4大小的图片

options.inSampleSize = 4;

BitmapFactory.decodeSream(is, null, options);

4.1.2 减少每个像素所占用的内存

在API29中,将Bitmap分为ALPHA_8, RGB_565, ARGB_4444, ARGB_8888, RGBA_F16, HARDWARE六个等级。

ALPHA_8:不存储颜色信息,每个像素占1个字节;

RGB_565:仅存储RGB通道,每个像素占2个字节,对Bitmap色彩没有高要求,可以使用该模式;

ARGB_4444:已弃用,用ARGB_8888代替;

ARGB_8888:每个像素占用4个字节,保持高质量的色彩保真度,默认使用该模式;

RGBA_F16:每个像素占用8个字节,适合宽色域和HDR;

HARDWARE:一种特殊的配置,减少了内存占用同时也加快了Bitmap的绘制。

每个等级每个像素所占用的字节也都不一样,所存储的色彩信息也不同。同一张100像素的图片,ARGB_8888就占了400字节,RGB_565才占200字节。

所以在某些场景中,修改图片格式可以达到减少一半内存的效果。

4.1.3 内存复用,避免重复分配内存

Bitmap所占内存比较大,如果我们频繁创建与回收Bitmap,那么很容易造成内存抖动,所以我们应该尽量复用Bitmap内存。

在 Android 3.0(API 级别 11)开始,系统引入了BitmapFactory.Options.inBitmap字段。如果设置了此选项,那么采用 Options 对象的解码方法会在生成目标 Bitmap 时尝试复用 inBitmap,这意味着 inBitmap 的内存得到了重复使用,从而提高了性能,同时移除了内存分配和取消分配。

不过 inBitmap 的使用方式存在某些限制,在 Android 4.4(API 级别 19)之前系统仅支持复用大小相同的位图,4.4 之后只要 inBitmap 的大小比目标 Bitmap 大即可。

4.1.4 大图局部加载策略

对于图片加载还有种情况,就是单个图片非常巨大,并且还不允许压缩。比如显示:世界地图、清明上河图、微博长图等。

首先不压缩,按照原图尺寸加载,那么屏幕肯定是不够大的,并且考虑到内存的情况,不可能一次性整图加载到内存中。

所以这种情况的优化思路一般是局部加载,通过BitmapRegionDecoder来实现。

//设置显示图片的中心区域

BitmapRegionDecoder bitmapRegionDecoder = BitmapRegionDecoder.newInstance(inputStream, false);

BitmapFactory.Options options = new BitmapFactory.Options();

options.inPreferredConfig = Bitmap.Config.RGB_565;

Bitmap bitmap = bitmapRegionDecoder.decodeRegion(new Rect(width / 2 - 100, height / 2 - 100, width / 2 + 100, height / 2 + 100), options);

mImageView.setImageBitmap(bitmap);

4.1.5 小结

上面所说的这些关于Bitmap的内存优化策略其实都比较简单,而且我们在开发中可能很少用到

因为我们常用的图片框架比如Glide已经将这些都封装在里面了,所以一般情况下我们加载图片时不需要做这些特殊操作。

关于Glide对于加载图片都做了哪些优化,有兴趣的同学可以参考:【带着问题学】Glide做了哪些优化?

https://juejin.cn/post/6970683481127043085

4.2 图片兜底策略

针对因activity、fragment泄漏导致的图片泄漏,我们可以在onDetachedFromWindow时机进行了监控和兜底,具体流程如下:

通过这种方式可以方便地解决因Activity导致的图片泄漏问题。

4.3 线上大图监控方案

当运营在线上配置了不合理大小的图片时,如果我们及时发现,也会带来内存问题。

如果图片本身大小就不合理,我们在这个基础上谈图片优化也没有什么意义,因此大图监控这也是个比较常见的需求。

下面介绍几种大图监控的方案:

4.3.1 ArtHook 方案

该方案采用weishu大佬写的epic库实现,通过对ART虚拟机的hook,hook ImageView的 setImageBitmap 等方法。

解析对比方法参数中的 bitmap 宽高和 ImageView 实例的宽高,也可以获得bitmap的实际大小。

如果图片宽高比ImageView宽高大,或者图片大小超出了阈值,就可以把相关信息上报。

这种方案的优点在于:

侵入性极低,一次初始化配置即可hook全局的目标View控件。

可以获取代码调用堆栈,方便开发者快速定位。

而缺点则在于:

兼容性存在问题,使用了hook系统API ,不能用于线上。

4.3.2 BaseActivity 方案

大部分应用工程在业务发展的过程中都会沉淀封装自己的BaseActivity ,通过在BaseActivity onDestroy中动态地检测各个View控件,从而获知图片加载情况。

class BaseActivity : Activity(){

fun onDestory(){

if(isOpenCheckBitmap){

checkBitmapFromView()

}

}

fun checkBitmapFromView(){

//1、遍历activity中的各个View控件

//2、获取View控件加载的Bitmap

//3、对比Bitmap宽高与View宽高

}

}

这种方案的优点在于:

兼容性强,无任何反射。

加入简单,没有什么复杂逻辑。

缺点在于:

侵入性太强,需要修改BaseActivity。

BaseActivity.onDestory本身可能被重写,并不安全。

4.3.3 ASM方案

该方案在编译流程进行插桩,通过匹配setImageBitmap、 setBackground等关键方法,插入Bitmap大小检测逻辑。

这种方案优点在于:

编译时期插桩,对开发过程无侵入性。

缺点在于:

通过插桩的方式打点,可能会增加编译期耗时。

ASM代码维护成本较高,使用起来不是那么方便。

4.3.4 registerActivityLifecycleCallback方案

通过registerActivityLifecycleCallback监听Activity生命周期,在onStop时进行Bitmap大小检测的逻辑。

private fun registerActivityLifecycleCallback(application: Application) {

application.registerActivityLifecycleCallbacks(object :

Application.ActivityLifecycleCallbacks {

override fun onActivityStopped(activity: Activity) {

checkBitmapIsTooBig(childViews)

}

})

}

这种方案对原始代码无侵入性,同时使用起来比较简单,也没有兼容性问题,应该属于比较良好的方案。

详细实现可见:BitmapCanary 诞生。

https://juejin.cn/post/6956138531789996040#heading-14

5、怎么做OOM线上监控?

上文我们介绍了,可以使用LeakCanary在线下监测内存泄漏,但是LeakCanary只能在线下使用,有以下问题:

线下场景能跑到的场景有限,很难把所有用户场景穷尽。碰到线上问题难以定位。

检测过程需要主动触发GC,Dump内存镜像造成app冻结,造成测试过程中体验不好。

适用范围有限,只能定位Activity&Fragment泄漏,无法定位大对象、频繁分配等问题。

hprof文件过大,如果整体上传的话需要耗费很多资源。

下面我们就介绍一下快手开源的线上OOM监控框架KOOM。

5.1 线上OOM监控框架KOOM介绍

上面我们介绍了LeakCanary不能用于线上监控的原因,所以要实现线上监控功能,就需要解决以下问题:

1、监控

主动触发GC,会造成卡顿

2、采集

Dump hprof,会造成app冻结

Hprof文件过大

3、解析

解析耗时过长

解析本身有OOM风险

其核心流程为三部分:

监控OOM,发生问题时触发内存镜像的采集,以便进一步分析问题。

采集内存镜像,学名堆转储,将内存数据拷贝到文件中,以下简称dump hprof。

解析镜像文件,对泄漏、超大对象等我们关注的对象进行可达性分析,解析出其到GC root的引用链以解决问题。

5.2 KOOM解决GC卡顿

LeakCanary通过多次GC的方式来判断对象是否被回收,所以会造成性能损耗。

koom通过无性能损耗的内存阈值监控来触发镜像采集,具体策略如下:

1、Java堆内存/线程数/文件描述符数突破阈值触发采集。

2、Java堆上涨速度突破阈值触发采集。

3、发生OOM时如果策略1、2未命中 触发采集。

4、泄漏判定延迟至解析时。

我们并不需要在运行时判定对象是否泄漏,以Activity为例,我们并不需要在运行时判定其是否泄漏,Activity有一个成员变量mDestroyed,在onDestory时会被置为true,只要解析时发现有可达且mDestroyed为true的Activity,即可判定为泄漏。

通过将泄漏判断延迟至解析时,即可解决GC卡顿的问题。

5.3 KOOM解决Dump hprof冻结app

Dump hprof即采集内存镜像需要暂停虚拟机,以确保在内存数据拷贝到磁盘的过程中,引用关系不会发生变化,暂停时间通常长达10秒以上,对用户来讲是难以接受的,这也是LeakCanary官方不推荐线上使用的重要原因之一。

利用Copy-on-write机制,fork子进程dump内存镜像,可以完美解决这一问题,fork成功以后,父进程立刻恢复虚拟机运行,子进程dump内存镜像期间不会受到父进程数据变动的影响。

流程如下图所示:

KOOM随机采集线上真实用户的内存镜像,普通dump和fork子进程dump阻塞用户使用的耗时如下:

可以看出,基本可以做到无感知的采集内存镜像。

5.4 KOOM解决hprof文件过大

Hprof文件通常比较大,分析OOM时遇到500M以上的hprof文件并不稀奇,文件的大小,与dump成功率、dump速度、上传成功率负相关,且大文件额外浪费用户大量的磁盘空间和流量。

因此需要对hprof进行裁剪,只保留分析OOM必须的数据,另外,裁剪还有数据脱敏的好处,只上传内存中类与对象的组织结构,并不上传真实的业务数据(诸如字符串、byte数组等含有具体数据的内容),保护用户隐私。

裁剪hprof文件涉及到对hprof文件格式的了解,这里就不缀述了。

5.5 KOOM解决hprof解析的耗时与OOM

解析hprof文件,对关键对象进行可达性分析,得到引用链,是解决OOM最核心的一步,之前的监控和dump都是为解析做铺垫。

解析分两种,一种是上传hprof文件由server解析,另一种是在客户端解析后上传报告(通常只有几KB)。

KOOM选择了端上解析,这样做有两个好处:

节省用户流量。

利用用户闲时算力,降低server压力,这样也符合分布式计算理念。

这样就可以把解析过程拆解成以下两个问题:

1、哪些对象需要分析,全部分析性能开销太大,很难在端上完成,并且问题没有重点也不利于解决。

2、性能优化,作为一个debug组件,要在不影响用户体验的情况下完成解析,对性能有非常高的要求。

5.5.1 关键对象判定

KOOM只解析关键的对象,关键对象分为两类,一类是根据规则可以判断出对象已经泄露,且持有大量资源的,另外一类是对象shallow / retained size 超过阈值。

Activity/fragment泄露判定即为第一种:

对于强可达的activity对象,其mDestroyed值为true时(onDestroy时赋值),判定已经泄露。

类似的,对于fragment,当mCalled值为true且mFragmentManager为null时,判定已经泄露。

Bitmap/window/array/sufacetexture判定为第二种。

检查bitmap/texture的数量、宽高、window数量、array长度等等是否超过阈值,再结合hprof中的相关业务信息,比如屏幕大小,view大小等进行判定。

5.5.2 性能优化

KOOM在LeakCanary解析引擎shark的基础上做了一些优化,将解析时间在shark的基础上优化了2倍以上,内存峰值控制在100M以内。用一张图总结解析的流程:

详细流程就不在这里缀述了,详情可见:KOOM解析性能优化。

https://juejin.cn/post/6860014199973871624#heading-13

5.6 KOOM使用

KOOM目前已经开源,开源地址:

https://github.com/KwaiAppTeam/KOOM

直接参照接入指南接入即可,当发现内存超过阈值或者发生OOM时,就会触发采集内存快照,对hprof文件进行裁剪并分析后得到报告。

KOOM的报告是json格式,并且大小在KB级别,样式如下所示:

Android

大概包括以下信息:

一些可能泄漏的类信息。

泄漏原因,gcRoot,泄漏实例数量等。

泄漏对象的引用链,方便定位问题。

可见KOOM上传的数据量并不太大,但相对准确,非常便于我们分析线上数据。

5.7 小结

本章主要介绍了线上监控OOM的开源框架KOOM。

其实线上监控OOM的框架各大厂都有开发,比如美团的Probe,字节的Liko。

https://tech.meituan.com/2019/11/14/crash-oom-probe-practice.html

https://juejin.cn/post/6908517174667804680#heading-7

不过大部分都没有正式开源,只是一些文章介绍原理,有兴趣的同学也可以都了解下。

总结

对于优化的大方向,我们应该优先去做见效快的地方,主要有以下几个部分:

内存泄漏。

内存抖动。

Bitmap大图监控。

OOM线上监控。

我们还介绍了内存优化的多种实用工具:

可以使用Profile,MAT在开发时定位内存抖动内存泄漏问题。

线下开发、回归、Monkey、压测等环节可以自动集成LeakCanary检测内存泄漏;

图片加载是内存优化的重点,我们可以结合图片兜底策略与线上大图监控,优化图片内存问题。

线上OOM时通过KOOM监测,内存超出阈值时主动dump内存快照,通过上传分析结果精准。分析OOM问题。

内存优化是个复杂的过程,我们在做内存优化的过程中,需要结合多种工具,线上线下结合,系统化地配合来定位与解决问题。

作者:RicardoMJiang

https://juejin.cn/post/6975876569990447134

责任编辑:haq

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分