Go / 系统课时
使用 Heap 与 Alloc Profile
使用 Heap 与 Alloc Profile
内存 profile 不能只看“谁占了最多 MB”。同一份 Go 内存 profile 同时包含当前仍存活的对象与历史累计分配,必须把 inuse_* 和 alloc_* 两组样本对照,才能区分持续保留、疑似泄漏与高频分配抖动。
学习目标
- 理解
inuse_space、inuse_objects、alloc_space、alloc_objects的含义 - 用同一份 profile 对比当前占用与累计分配,判断内存增长模式
- 根据 space 与 objects 两个维度选择泄漏排查或分配优化路径
先分清四个采样维度
Heap profile 记录的是采样后的堆分配信息,因此数值用于定位热点和比较趋势,不应当作逐字节账本。go test -memprofile 生成的 profile 可以通过 -sample_index 切换观察口径。
| 采样类型 | 表示什么 | 最适合回答 |
|---|---|---|
inuse_space |
当前仍存活对象占用的字节数 | 谁在长期占住堆空间 |
inuse_objects |
当前仍存活的对象数量 | 是否有大量小对象被保留 |
alloc_space |
运行期间累计分配的字节数 | 谁制造了最大的分配流量 |
alloc_objects |
运行期间累计分配的对象数 | 谁在高频创建对象 |
疑似泄漏通常表现为相同负载下 inuse_* 随时间或请求批次持续上升;高频分配则常见于 alloc_* 很高但 inuse_* 相对稳定。一次快照只能提供候选点,确认泄漏必须比较多个时间点或稳定负载阶段。
构造“保留 + 高频临时分配”样例
在空目录创建 memdemo_test.go。前半段把 32 个 1 MiB 切片保存到全局变量,模拟长期保留;后半段持续创建临时切片,模拟较高累计分配但不长期持有。
package memdemo
import "testing"
var retained [][]byte
var byteSink byte
func TestAllocationPattern(t *testing.T) {
retained = retained[:0]
for i := 0; i < 32; i++ {
buf := make([]byte, 1<<20)
buf[0] = byte(i)
// 保存引用,确保这些对象在 profile 采集时仍然存活。
retained = append(retained, buf)
}
for i := 0; i < 128; i++ {
buf := make([]byte, 256<<10)
buf[len(buf)-1] = byte(i)
// 只读取结果,不保留切片引用,形成累计分配而非长期占用。
byteSink ^= buf[len(buf)-1]
}
}为了让教学样例更容易看清小规模分配,运行测试时把内存采样率设为 1;生产环境通常不应长期使用这个高精度设置,因为它会显著增加分析开销。
go mod init example.com/memdemo
go test -run '^TestAllocationPattern$' -memprofile mem.out -memprofilerate=1预期输出
go: creating new go.mod: module example.com/memdemo
PASS
ok example.com/memdemo <TIME>实际 <TIME> 会因机器而异。验收时确认测试通过并生成非空的 mem.out。
用同一份 profile 切换观察口径
下面依次查看当前占用字节、累计分配字节、当前对象数和累计对象数。这样可以避免为四个问题重复采集四份不同时刻的 profile。
echo '=== inuse_space ==='
go tool pprof -top -sample_index=inuse_space mem.out
echo '=== alloc_space ==='
go tool pprof -top -sample_index=alloc_space mem.out
echo '=== inuse_objects ==='
go tool pprof -top -sample_index=inuse_objects mem.out
echo '=== alloc_objects ==='
go tool pprof -top -sample_index=alloc_objects mem.out预期输出
=== inuse_space ===
File: memdemo.test
Type: inuse_space
flat flat% sum% cum cum% Name
<VALUE>B <VALUE>% <VALUE>% <VALUE>B <VALUE>% example.com/memdemo.TestAllocationPattern
...
=== alloc_space ===
File: memdemo.test
Type: alloc_space
flat flat% sum% cum cum% Name
<VALUE>B <VALUE>% <VALUE>% <VALUE>B <VALUE>% example.com/memdemo.TestAllocationPattern
...
=== inuse_objects ===
File: memdemo.test
Type: inuse_objects
flat flat% sum% cum cum% Name
<VALUE> <VALUE>% <VALUE>% <VALUE> <VALUE>% example.com/memdemo.TestAllocationPattern
...
=== alloc_objects ===
File: memdemo.test
Type: alloc_objects
flat flat% sum% cum cum% Name
<VALUE> <VALUE>% <VALUE>% <VALUE> <VALUE>% example.com/memdemo.TestAllocationPattern
...由于测试框架和 Go runtime 自身也会分配内存,profile 中会出现其他函数;本例要观察的是 TestAllocationPattern 在 alloc_space 上包含临时分配总量,而 inuse_space 更接近最终仍被 retained 持有的部分。
判断泄漏还是分配抖动
当 inuse_space 和 inuse_objects 在多次相同负载采样中都持续上升,优先查全局容器、缓存淘汰、goroutine 生命周期、闭包引用和未释放的对象图。若只有 inuse_objects 很高而空间不大,问题可能是大量小对象长期存活;此时只看 MB 会低估压力。
当 alloc_space 或 alloc_objects 很高,但执行 GC 后的 inuse_* 保持稳定,通常不是传统意义上的泄漏,而是高分配率。它仍可能通过 mallocgc、扫描和 GC 周期消耗 CPU,因此应继续找临时切片、字符串转换、序列化缓冲区或可复用对象的分配热点。
要比较两个时间点是否真的“越留越多”,可分别采集 profile 后做差分分析。
go tool pprof -top -base mem-before.out -sample_index=inuse_space mem-after.out预期输出
File: memdemo.test
Type: inuse_space
Showing nodes accounting for <VALUE>B, <VALUE>% of <VALUE>B total
flat flat% sum% cum cum% Name
<VALUE>B <VALUE>% <VALUE>% <VALUE>B <VALUE>% <FUNCTION>
...这里的正值表示相对于 mem-before.out 新增的存活空间。若同一函数在多轮等量请求后持续出现正增长,才值得进一步检查它为何继续持有对象;单次正增长可能只是缓存预热或负载阶段变化。
让结论能被复现
内存诊断应固定流量阶段,并记录采样前是否执行过 GC、采集间隔、请求量和版本。否则“前后两份 heap 变大”可能只是请求数量不同。对于生产泄漏,最有价值的证据不是某一张 profile 最大,而是同一负载模型下 inuse_* 的持续增长曲线与对象引用来源能互相印证。
alloc_* 负责解释“分配得有多凶”,inuse_* 负责解释“最后留下多少”。先用这两组指标确定问题属于长期保留还是分配吞吐,再决定是追对象生命周期,还是减少临时对象与复制,诊断路径会更短。