尽管现代的安卓和 iOS 工具都能通过本地构建检测内存泄露风险，但应用程序在生产环境中的内存表现却依旧得不到百分百的保障。生产环境中的程序可能在各种条件下运行在各种设备上，为此，Lyft的工程师将A/B测试与内存可观察性相结合，从而检测可能造成内存泄漏的应用功能。
在发布大型且复杂的功能点时，我们需要特别关注其在内存使用方面是否会造成回归。这点在包含本地 C/C++代码的功能发布时更为关键，因为这部分代码更易于引入内存泄漏。
在一般情况下，Lyft 工程师所遵循的方式是用测量的应用程序的标准内存行为基线，对比在 A/B 测试中所采集的特定功能受众子群数据。在评估应用的整体内存使用上，Lyft 工程师考虑了几款安卓上可用来检索内存使用指标的API：比例集大小（PSS）、唯一集大小（USS）、常驻内存大小（RSS）。其中 RSS 因其在性能方面的特点，以及可以不受采样率限制的特性而脱颖而出。其他 Lyft 工程师们感兴趣的指标，如 JVM 堆和本地堆大小等，都支持在安卓运行时直接采集。
内存指标的重要采集场景有两种：每次 UI 界面关闭时，以及用户在同一界面长时间停留的情况下每分钟的采集间隔。
因此，为判断一项功能是否会造成内存回归，Lyft 工程师对比了用户群组在运行禁用该功能时的原始版本，与启用该功能应用版本的情况。内存使用情况随用户而异，故而将应用内存使用足迹以曲线形式显示，如果两种情况下内存足迹曲线出现，则表示可能存在内存回归情况，如下图表示：
一个有趣的发现是，内存泄漏只影响一小部分用户。因此，除了百分比较高的部分（取决于用户群组大小），内存足迹曲线实际是会几乎重合的。如下图中所示，内存泄漏只会发生在极特殊的情况下，仅影响用户群组的最后一段百分比。
Lyft 的工程师称，这种方式已被证明可以有效检测内存泄漏，尤其是特殊情况下极易在本地测试时遗漏的内存泄露。还请不要错过 Lyft 原文中的全部细节。
原文链接：
How Lyft Detects Android Memory Leaks in Production
相关阅读：
分布式云行业实践指南（2023）
业内首个分布式云行业实践方法论、工具箱。
评论