04 | 内存优化（下）：内存优化这件事，应该从哪里着手？——学习总结

参考文章：https://time.geekbang.org/column/article/71610

定好优化目标：
比如针对 512MB 的设备和针对 2GB 以上的设备，完全是两种不同的优化思路。
面向东南亚、非洲用户，那对内存优化的标准就要变得更苛刻一些。

内存优化 3 方面

设备分级、Bitmap 优化和内存泄漏这三个方面入手。

1、设备分级

• 类似 device-year-class ，低端机关闭复杂动画，或者某些功能，使用 565 格式图片，更小缓存等。

if (year >= 2013) {
    // Do advanced animation
} else if (year >= 2010) {
    // Do simple animation
} else {
    // Phone too slow, don't do any animations
}

• 缓存管理
  统一缓存。当 系统内存不足 时，及时释放内存。
• 进程模型
  一个 空进程也会占用 10MB 内存。有节操的增加进程。
• 安装包大小
  代码、资源、图片以及 so 库的体积，跟它们占用的内存有很大的关系。

2、Bitmap 优化

Android bitmap 演进分析：

• Android 2.x系统，当dalvik allocated + external allocated + 新分配的大小 >= dalvik heap 最大值时候就会发生OOM。其中bitmap是放于external中 。
  Bitmap 对象放在 Java 堆，而像素数据是放在 Native 内存中。如果不手动调用 recycle，Bitmap Native 内存的回收完全依赖 finalize 函数回调，熟悉 Java 的同学应该知道，这个时机不太可控。
  Android 2.x 系统 BitmapFactory.Options 里面隐藏的的inNativeAlloc反射打开后，申请的bitmap就不会算在external中。

• Android 3.0～Android 7.0 将 Bitmap 对象和像素数据统一放到 Java 堆中。
  这样就算我们不调用 recycle，Bitmap 内存也会随着对象一起被回收。
  Java 堆限制也才到 512MB，可能我的物理内存还有 5GB，但是应用还是会因为 Java 堆内存不足导致 OOM.
  Android 4.x系统，废除了external的计数器，类似bitmap的分配改到dalvik的java heap中申请，只要allocated + 新分配的内存 >= dalvik heap 最大值的时候就会发生OOM（art运行环境的统计规则还是和dalvik保持一致）
  可采用facebook的fresco库，即可把图片资源放于native中。

• android 8.x 从Java heap 移到了native heap
  有没有一种实现，可以将 Bitmap 内存放到 Native中，也可以做到和对象一起快速释放，同时 GC 的时候也能考虑这些内存防止被滥用？NativeAllocationRegistry 可以一次满足你这三个要求，Android 8.0 正是使用这个辅助回 Native 内存的机制.
  Android 8.0 还新增了硬件位图 Hardware Bitmap，它可以减少图片内存并提升绘制效率。

具体方法:

1. 统一图片库
   eg:低端机使用 565 格式。可以使用 Glide、Fresco 或者采取自研都可以。而且需要进一步将所 Bitmap.createBitmap、BitmapFactory 相关的接口也一并收拢。

2. 统一监控
   在统一图片库后就非常容易监控 Bitmap 的使用情况了，这里主要有三点需要注意。

• 大图片监控。 防止超宽。像素浪费
  即图片的大小不应该超过view的大小。对此，我们可以重载drawable与ImageView.
  图片存在像素浪费，合理利用.9图
• 重复图片监控。
  作者回复：这个重复bitmap分析是在服务器后台做的，目前是对所有 bitmap 数组直接计算hash的方法匹对。
• 图片总内存。
  在 OOM 崩溃的时候，也可以把图片占用的总内存、Top N 图片的内存都写到崩溃日志中，帮助我们排查问题。

一个好的imageLoader，可以将2.X、4.X或5.X对图片加载的处理对使用者隐藏，同时也可以将自适应大小、质量等放于框架中。

3、内存泄漏

内存泄漏简单来说就是没有回收不再使用的内存。

内存泄漏主要分两种：
同一个对象泄漏。
每次都会泄漏新的对象，可能会出现几百上千个无用的对象。

优秀的框架设计可以减少甚至避免程序员犯错。很多内存泄漏都是框架设计不合理所导致，各种各样的单例满天飞，MVC 中 Controller 的生命周期远远大于 View。

• Java 内存泄漏
  建立类似 LeakCanary 自动化监测方案。
  在开发过程，我们希望出现泄漏时可以弹出对话框，让开发者更加容易去发现和解决问题。
• OOM 监控
  美团有一个 Android 内存泄露自动化链路分析组件 Probe ,它在发生 OOM 的时候生成 Hprof 内存快照，然后通过单独进程对这个文件做进一步的分析。不过在线上使用这个文件做进一步的分析。不过在线上使用这个工具风险还是比较大，在崩溃的时候生成内存快照有可能会导致二次崩溃，而且部分手机生成 Hprof 快照可能会耗时几分钟，这对用户造成的体验影响比较大。
• Native 内存泄漏监控
  上一期我讲到 Malloc 调试（Malloc Debug）和 Malloc 钩子（Malloc Hook）似乎还不是那么稳定。在 WeMobileDev 最近的一篇文章《微信 Android 终端内存优化实践》中，微信也做了一些其他方案上面的尝试。https://mp.weixin.qq.com/s/KtGfi5th-4YHOZsEmTOsjg?
  目前还不那么完善。

开发过程中内存泄漏排查可以使用 Androd Profiler 和 MAT 工具配合使用，而日常监控关键是成体系化，做到及时发现问题。

内存监控

内存泄漏的监控存在一些性能的问题，一般只会对内部人员和极少部分用户开启。
线上：需要通过其他更有效的方式去监控内存相关的问题。

1. 采集方式
   要按照用户抽样，而不是按次抽样。持续采集命中用户。
   用户在前台的时候，可以每 5 分钟采集一次 PSS、Java 堆、图片总内存。

2. 计算指标

   内存 UV 异常率 = PSS 超过 400MB 的 UV / 采集 UV
   其中 PSS 的值可以通过 Debug.MemoryInfo 拿到 其中 PSS 的值可以通过 Debug.MemoryInfo 拿到。
   触顶率：可以反映 Java 内存的使用情况，如果超过 85% 最大堆限制，GC 会变得更加频繁，容易造成 OOM 和卡顿。

内存 UV 触顶率 = Java 堆占用超过最大堆限制的 85% 的 UV / 采集 UV

long javaMax = runtime.maxMemory();
long javaTotal = runtime.totalMemory();
long javaUsed = javaTotal - runtime.freeMemory();
// Java 内存使用超过最大限制的 85%
float proportion = (float) javaUsed / javaMax;

一般客户端只上报数据，所有计算都在后台处理，这样可以做到灵活多变。

3. GC监控

在实验室或者内部试用环境，我们也可以通过 Debug.startAllocCounting 来监控 Java 内存分配和 GC 的情况，需要注意的是这个选项对性能有一定的影响，虽然目前还可以使用，但已经被 Android 标记为 deprecated。通过监控，我们可以拿到内存分配的次数和大小，以及 GC 发起次数等信息。

long allocCount = Debug.getGlobalAllocCount();
long allocSize = Debug.getGlobalAllocSize();
long gcCount = Debug.getGlobalGcInvocationCount();

在 Android 6.0 之后系统可以拿到更加精准的 GC信息。

// 运行的 GC 次数
Debug.getRuntimeStat("art.gc.gc-count");
// GC 使用的总耗时，单位是毫秒
Debug.getRuntimeStat("art.gc.gc-time");
// 阻塞式 GC 的次数
Debug.getRuntimeStat("art.gc.blocking-gc-count");
// 阻塞式 GC 的总耗时
Debug.getRuntimeStat("art.gc.blocking-gc-time");

需要特别注意阻塞式 GC 的次数和耗时，因为它会暂停应用线程，可能导致应用发生卡顿。