Java的 内存分配区域 分为如下 五部分：
- 1）、方法区：主要存放静态常量。
- 2）、虚拟机栈：Java变量引用。
- 3）、本地方法栈：native变量引用。
- 4）、堆：对象。
- 5）、程序计数器：计算当前线程的当前方法执行到多少行。
2、Java 内存回收算法
1、标记-清除算法
流程可简述为 两步：
- 1）、标记所有需要回收的对象。
- 2）、统一回收所有被标记的对象。
优点
实现比较简单。
缺点
- 1）、标记、清除效率不高。
- 2）、产生大量内存碎片。
2、复制算法
流程可简述为 三步：
- 1）、将内存划分为大小相等的两块。
- 2）、一块内存用完之后复制存活对象到另一块。
- 3）、清理另一块内存。
优点
实现简单，运行高效，每次仅需遍历标记一半的内存区域。
缺点
会浪费一半的空间，代价大。
3、标记-整理算法
流程可简述为 三步：
- 1）、标记过程与 标记-清除算法 一样。
- 2）、存活对象往一端进行移动。
- 3）、清理其余内存。
优点
- 1）、避免 标记-清除 导致的内存碎片。
- 2）、避免复制算法的空间浪费。
4、分代收集算法
现在 主流的虚拟机 一般用的比较多的还是分代收集算法，它具有如下 特点：
- 1）、结合多种算法优势。
- 2）、新生代对象存活率低，使用 复制算法。
- 3）、老年代对象存活率高，使用 标记-整理算法。
3、Android 内存管理机制
Android 中的内存是 弹性分配 的，分配值 与 最大值 受具体设备影响。
对于 OOM场景 其实可以细分为如下两种：
- 1）、内存真正不足。
- 2）、可用（被分配的）内存不足。
我们需要着重注意一下这两种的区分。
4、小结
以Android中虚拟机的角度来说，我们要清楚 Dalvik 与 ART 区别，Dalvik 仅固定一种回收算法，而 ART 回收算法可在 运行期按需选择，并且，ART 具备 内存整理 能力，减少内存空洞。
最后，LMK（Low Memory killer） 机制保证了进程资源的合理利用，它的实现原理主要是 根据进程分类和回收收益来综合决定的一套算法集。
四、内存抖动
当 内存频繁分配和回收 导致内存 不稳定，就会出现内存抖动，它通常表现为 频繁GC、内存曲线呈锯齿状。
并且，它的危害也很严重，通常会导致 页面卡顿，甚至造成 OOM。
1、那么，为什么内存抖动会导致 OOM？
主要原因有如下两点：
- 1）、频繁创建对象，导致内存不足及碎片（不连续）。
- 2）、不连续的内存片无法被分配，导致OOM。
2、内存抖动解决实战
这里我们假设有这样一个场景：点击按钮使用 handler 发送一个空消息，handler 的 handleMessage 接收到消息后创建内存抖动，即在 for 循环创建 100个容量为10万 的 strings 数组并在 30ms 后继续发送空消息。
一般使用 Memory Profiler （表现为 频繁GC、内存曲线呈锯齿状）结合代码排查即可找到内存抖动出现的地方。
通常的技巧就是着重查看 循环或频繁被调用 的地方。
3、内存抖动常见案例
下面列举一些导致内存抖动的常见案例，如下所示：
1、字符串使用加号拼接
- 1）、使用StringBuilder替代。
- 2）、初始化时设置容量，减少StringBuilder的扩容。
2、资源复用
- 1）、使用 全局缓存池，以 重用频繁申请和释放的对象。
- 2）、注意 结束 使用后，需要 手动释放对象池中的对象。
3、减少不合理的对象创建
- 1）、ondraw、getView 中创建的对象尽量进行复用。
- 2）、避免在循环中不断创建局部变量。
4、使用合理的数据结构
使用 SparseArray类族、ArrayMap 来替代 HashMap。
五、内存优化体系化搭建
在开始我们今天正式的主题之前，我们先来回归一下内存泄漏的概念与解决技巧。
所谓的内存泄漏就是 内存中存在已经没有用的对象。它的 表现 一般为 内存抖动、可用内存逐渐减少。 它的 危害 即会导致 内存不足、GC频繁、OOM。
而对于 内存泄漏的分析 一般可简述为如下 两步：
- 1）、使用 Memory Profiler 初步观察。
- 2）、通过 Memory Analyzer 结合代码确认。
1、MAT回顾
MAT查找内存泄漏
对于MAT来说，其常规的查找内存泄漏的方式可以细分为如下三步：
- 1）、首先，找到当前 Activity，在 Histogram 中选择其 List Objects 中的 with incoming reference（哪些引用引向了我）。
- 2）、然后，选择当前的一个 Path to GC Roots/Merge to GC Roots 的 exclude All 弱软虚引用。
- 3）、最后，找到的泄漏对象在左下角下会有一个小圆圈。
此外，在 Android性能优化之内存优化 还有几种进阶的使用方式，这里就不一一赘述了，下面，我们来看看关于 MAT 使用时的一些关键细节。
MAT的关键使用细节
要全面掌握MAT的用法，必须要先了解 隐藏在 MAT 使用中的四大细节，如下所示：
- 1）、善于使用 Regex 查找对应泄漏类。
- 2）、使用 group by package 查找对应包下的具体类。
- 3）、明白 with outgoing references 和 with incoming references 的区别。
- with outgoing references：它引用了哪些对象。
- with incoming references：哪些对象引用了它。
- 4）、了解 Shallow Heap 和 Retained Heap 的区别。
- Shallow Heap：表示对象自身占用的内存。
- Retained Heap：对象自身占用的内存 + 对象引用的对象所占用的内存。
MAT 关键组件回顾
除此之外，MAT 共有 5个关键组件 帮助我们去分析内存方面的问题，分别如下所示：
- 1）、Dominator_tree
- 2）、Histogram
- 3）、thread_overview
- 4）、Top Consumers
- 5）、Leak Suspects
下面我们这里再简单地回顾一下它们。
1、Dominator（支配者）：
如果从GC Root到达对象A的路径上必须经过对象B，那么B就是A的支配者。
2、Histogram和dominator_tree的区别：
- 1）、Histogram 显示 Shallow Heap、Retained Heap、Objects，而 dominator_tree 显示的是 Shallow Heap、Retained Heap、Percentage。
- 2）、Histogram 基于 类 的角度，dominator_tree是基于 实例 的角度。Histogram 不会具体显示每一个泄漏的对象，而dominator_tree会。
3、thread_overview
查看 线程数量 和 线程的 Shallow Heap、Retained Heap、Context Class Loader 与 is Daemon。
4、Top Consumers
通过 图形 的形式列出 占用内存比较多的对象。
在下方的 Biggest Objects 还可以查看其 相对比较详细的信息，例如 Shallow Heap、Retained Heap。
5、Leak Suspects
列出有内存泄漏的地方，点击 Details 可以查看其产生内存泄漏的引用链。
2、搭建体系化的图片优化 / 监控机制
在介绍图片监控体系的搭建之前，首先我们来回顾下 Android Bitmap 内存分配的变化。
Android Bitmap 内存分配的变化
在Android 3.0之前
- 1）、Bitmap 对象存放在 Java Heap，而像素数据是存放在 Native 内存中的。
- 2）、如果不手动调用 recycle，Bitmap Native 内存的回收完全依赖 finalize 函数回调，但是回调时机是不可控的。
Android 3.0 ~ Android 7.0
将 Bitmap对象 和 像素数据 统一放到 Java Heap 中，即使不调用 recycle，Bitmap 像素数据也会随着对象一起被回收。
但是，Bitmap 全部放在 Java Heap 中的缺点很明显，大致有如下两点：
- 1）、Bitmap是内存消耗的大户，而 Max Java Heap 一般限制为 256、512MB，Bitmap 过大过多容易导致 OOM。
- 2）、容易引起大量 GC，没有充分利用系统的可用内存。
Android 8.0及以后
- 1）、使用了能够辅助回收 Native 内存的 NativeAllocationRegistry，以实现将像素数据放到 Native 内存中，并且可以和 Bitmap 对象一起快速释放，最后，在 GC 的时候还可以考虑到这些 Bitmap 内存以防止被滥用。
- 2）、Android 8.0 为了 解决图片内存占用过多和图像绘制效率过慢 的问题新增了 硬件位图 Hardware Bitmap。
那么，我们如何将图片内存存放在 Native 中呢？
将图片内存存放在Native中的步骤有 四步，如下所示：
- 1）、调用 libandroid_runtime.so 中的 Bitmap 构造函数，申请一张空的 Native Bitmap。对于不同 Android 版本而言，这里的获取过程都有一些差异需要适配。
- 2）、申请一张普通的 Java Bitmap。
- 3）、将 Java Bitmap 的内容绘制到 Native Bitmap 中。
- 4）、释放 Java Bitmap 内存。
我们都知道的是，当 系统内存不足 的时候，LMK 会根据 OOM_adj 开始杀进程，从 后台、桌面、服务、前台，直到手机重启。并且，如果频繁申请释放 Java Bitmap 也很容易导致内存抖动。对于这种种问题，我们该 如何评估内存对应用性能的影响 呢？
对此，我们可以主要从以下 两个方面 进行评估，如下所示：
- 1）、崩溃中异常退出和 OOM 的比例。
- 2）、低内存设备更容易出现内存不足和卡顿，需要查看应用中用户的手机内存在 2GB 以下所占的比例。
对于具体的优化策略与手段，我们可以从以下 七个方面 来搭建一套 成体系化的图片优化 / 监控机制。
1、统一图片库
在项目中，我们需要 收拢图片的调用，避免使用 Bitmap.createBitmap、BitmapFactory 相关的接口创建 Bitmap，而应该使用自己的图片框架。
2、设备分级优化策略
内存优化首先需要根据 设备环境 来综合考虑，让高端设备使用更多的内存，做到 针对设备性能的好坏使用不同的内存分配和回收策略。
因此，我们可以使用类似 device-year-class 的策略对设备进行分级，对于低端机用户可以关闭复杂的动画或”重功能“，使用565格式的图片或更小的缓存内存 等等。
业务开发人员需要 考虑功能是否对低端机开启，在系统资源不够时主动去做降级处理。
3、建立统一的缓存管理组件
建立统一的缓存管理组件（参考 ACache），并合理使用 OnTrimMemory / LowMemory 回调，根据系统不同的状态去释放相应的缓存与内存。
在实现过程中，需要 解决使用 static LRUCache 来缓存大尺寸 Bitmap 的问题。
并且，在通过实际的测试后，发现 onTrimMemory 的 ComponetnCallbacks2.TRIM_MEMORY_COMPLETE 并不等价于 onLowMemory，因此建议仍然要去监听 onLowMemory 回调。
4、低端机避免使用多进程
一个 空进程 也会占用 10MB 内存，低端机应该尽可能减少使用多进程。
针对低端机用户可以推出 4MB 的轻量级版本，如今日头条极速版、Facebook Lite。
5、线下大图片检测
在开发过程中，如果检测到不合规的图片使用（如图片宽度超过View的宽度甚至屏幕宽度），应该立刻提示图片所在的Activity和堆栈，让开发人员更快发现并解决问题。在灰度和线上环境，可以将异常信息上报到后台，还可以计算超宽率（图片超过屏幕大小所占图片总数的比例）。
下面，我们介绍下如何实现对大图片的检测。
常规实现
继承 ImageView，重写实现计算图片大小。但是侵入性强，并且不通用。
因此，这里我们介绍一种更好的方案：ARTHook。
ARTHook优雅检测大图
ARTHook，即 挂钩，用额外的代码勾住原有的方法，以修改执行逻辑，主要可以用于以下四个方面：
- 1）、AOP编程
- 2）、运行时插桩
- 3）、性能分析
- 4）、安全审计
具体我们是使用 Epic 来进行 Hook，Epic 是 一个虚拟机层面，以 Java 方法为粒度的运行时 Hook 框架。简单来说，它就是 ART 上的 Dexposed，并且它目前 支持 Android 4.0~10.0。
使用步骤
Epic通常的使用步骤为如下三个步骤：
1、在项目 moudle 的 build.gradle 中添加
compile ‘me.weishu:epic:0.6.0’
2、继承 XC_MethodHook，实现 Hook 方法前后的逻辑。如 监控Java线程的创建和销毁：
class ThreadMethodHook extends XC_MethodHook{
@Override
protected void beforeHookedMethod(MethodHookParam param) throws Throwable {
super.beforeHookedMethod(param);
Thread t = (Thread) param.thisObject;
Log.i(TAG, “thread:” + t + “, started…”);
}
@Override
protected void afterHookedMethod(MethodHookParam param) throws Throwable {
super.afterHookedMethod(param);
Thread t = (Thread) param.thisObject;
Log.i(TAG, “thread:” + t + “, exit…”);
}
}
3、注入 Hook 好的方法：
DexposedBridge.findAndHookMethod(Thread.class, “run”, new ThreadMethodHook());
知道了 Epic 的基本使用方法之后，我们便可以利用它来实现大图片的监控报警了。
项目实战
以 Awesome-WanAndroid 项目为例，首先，在 WanAndroidApp 的 onCreate 方法中添加如下代码：
DexposedBridge.hookAllConstructors(ImageView.class, new XC_MethodHook() {
@Override
protected void afterHookedMethod(MethodHookParam param) throws Throwable {
super.afterHookedMethod(param);
// 1
DexposedBridge.findAndHookMethod(ImageView.class, “setImageBitmap”, Bitmap.class, new ImageHook());
}
});
在注释1处，我们 通过调用 DexposedBridge 的 findAndHookMethod 方法找到所有通过 ImageView 的 setImageBitmap 方法设置的切入点，其中最后一个参数 ImageHook 对象是继承了 XC_MethodHook 类，其目的是为了 重写 afterHookedMethod 方法拿到相应的参数进行监控逻辑的判断。
接下来，我们来实现我们的 ImageHook 类，代码如下所示：
public class ImageHook extends XC_MethodHook {
@Override
protected void afterHookedMethod(MethodHookParam param) throws Throwable {
super.afterHookedMethod(param);
// 1
ImageView imageView = (ImageView) param.thisObject;
checkBitmap(imageView,((ImageView) param.thisObject).getDrawable());
}
private static void checkBitmap(Object thiz, Drawable drawable) {
if (drawable instanceof BitmapDrawable && thiz instanceof View) {
final Bitmap bitmap = ((BitmapDrawable) drawable).getBitmap();
if (bitmap != null) {
final View view = (View) thiz;
int width = view.getWidth();
int height = view.getHeight();
if (width > 0 && height > 0) {
// 2、图标宽高都大于view的2倍以上，则警告
if (bitmap.getWidth() >= (width << 1)
&& bitmap.getHeight() >= (height << 1)) {
warn(bitmap.getWidth(), bitmap.getHeight(), width, height, new RuntimeException(“Bitmap size too large”));
}
} else {
// 3、当宽高度等于0时，说明ImageView还没有进行绘制，使用ViewTreeObserver进行大图检测的处理。
final Throwable stackTrace = new RuntimeException();
view.getViewTreeObserver().addOnPreDrawListener(new ViewTreeObserver.OnPreDrawListener() {
@Override
public boolean onPreDraw() {
int w = view.getWidth();
int h = view.getHeight();
if (w > 0 && h > 0) {
if (bitmap.getWidth() >= (w << 1)
&& bitmap.getHeight() >= (h << 1)) {
warn(bitmap.getWidth(), bitmap.getHeight(), w, h, stackTrace);
}
view.getViewTreeObserver().removeOnPreDrawListener(this);
}
return true;
}
});
}
}
}
}
private static void warn(int bitmapWidth, int bitmapHeight, int viewWidth, int viewHeight, Throwable t) {
String warnInfo = "Bitmap size too large: " +
“\n real size: (” + bitmapWidth + ‘,’ + bitmapHeight + ‘)’ +
“\n desired size: (” + viewWidth + ‘,’ + viewHeight + ‘)’ +
“\n call stack trace: \n” + Log.getStackTraceString(t) + ‘\n’;
LogHelper.i(warnInfo);
}
}
首先，在注释1处，我们重写了 ImageHook 的 afterHookedMethod 方法，拿到了当前的 ImageView 和要设置的 Bitmap 对象。然后，在注释2处，如果当前 ImageView 的宽高大于0，我们便进行大图检测的处理：ImageView 的宽高都大于 View 的2倍以上，则警告。接着，在注释3处，如果当前 ImageView 的宽高等于0，则说明 ImageView 还没有进行绘制，则使用 ImageView 的 ViewTreeObserver 获取其宽高进行大图检测的处理。至此，我们的大图检测检测组件就已经实现了。如果有小伙伴对 epic 的实现原理感兴趣的，可以查看这篇文章。
ARTHook方案实现小结
- 1）、无侵入性
- 2）、通用性强
- 3）、兼容性问题大，开源方案不能带到线上环境。
6、线下重复图片检测
首先我们来了解一下这里的 重复图片 所指的概念： 即 Bitmap 像素数据完全一致，但是有多个不同的对象存在。
重复图片检测的原理其实就是 使用内存 Hprof 分析工具，自动将重复 Bitmap 的图片和引用堆栈输出。
使用说明
使用非常简单，只需要修改 Main 类的 main 方法的第一行代码，如下所示：
// 设置我们自己 App 中对应的 hprof 文件路径
String dumpFilePath = “//Users//quchao//Documents//heapdump//memory-40.hprof”;
然后，我们执行 main 方法即可在 //Users//quchao//Documents//heapdump 这个路径下看到生成的 images 文件夹，里面保存了项目中检测出来的重复的图片。images 目录如下所示：
注意：需要使用 8.0 以下的机器，因为 8.0 及以后 Bitmap 中的 buffer 已保存在 native 内存之中。
实现步骤
具体的实现可以细分为如下三个步骤：
- 1）、首先，获取 android.graphics.Bitmap 实例对象的 mBuffer 作为 ArrayInstance ，通过 getValues 获取的数据为 Object 类型。由于后面计算 md5 需要为 byte[] 类型，所以通过反射的方式调用 ArrayInstance#asRawByteArray 直接返回 byte[] 数据。
- 2）、然后，根据 mBuffer 的数据生成 png 图片文件，这里直接参考了 github.com/JetBrains/a… 的实现方式。
- 3）、最后，获取堆栈信息，直接 使用LeakCanary 获取 stack 的方法，使用 leakcanary-analyzer-1.6.2.jar 和 leakcanary-watcher-1.6.2.jar 这两个库文件。并用 反射 的方式调用了 HeapAnalyzer#findLeakTrace 方法。
其中，获取堆栈 的信息也可以直接使用 haha 库来进行获取。这里简单说一下 使用 haha 库获取堆栈的流程，其具体可以细分为八个步骤，如下所示：
- 1）、首先，预备一个已经存在重复 bitmap 的 hprof 文件。
- 2）、利用 haha 库上的 MemoryMappedFileBuffer 读取 hrpof 文件 [关键代码 new MemoryMappedFileBuffer(heapDumpFile) ]。
- 3）、解析生成 snapshot，获取 heap，这里我只获取了 app heap [关键代码 snapshot.getHeaps(); heap.getName().equals(“app”) ]。
- 4）、从 snapshot 中根据指定 class 查找出所有的 Bitmap Classes [关键代码snapshot.findClasses(Bitmap.class.getName()) ]。
- 5）、从 heap 中获得所有的 Bitmap 实例 instance [关键代码 clazz.getHeapInstances(heap.getId()) ]。
- 6）、根据 instance 中获取所有的属性信息 Field[]，并从 Field[] 查找出我们需要的 “mWidth” “mHeight” “mBuffer” 信息。
- 7）、通过 “mBuffer” 属性即可获取到他们的 hashcode 来判断是否是重复图片。
- 8）、最后，通过 instance 中 mNextInstanceToGcRoot 获取整个引用链信息并打印。
7、建立全局的线上 Bitmap 监控
为了建立全局的 Bitmap 监控，我们必须 对 Bitmap 的分配和回收 进行追踪。我们先来看看 Bitmap 有哪些特点：
- 1）、创建场景比较单一：在 Java 层调用 Bitmap.create 或 BitmapFactory 等方法创建，可以封装一层对 Bitmap 创建的接口，注意要 包含调用第三方库产生的 Bitmap，这里我们具体可以使用 ASM 编译插桩 + Gradle Transform 的方式来高效地实现。
- 2）、创建频率比较低。
- 3）、和 Java 对象的生命周期一样服从 GC，可以使用 WeakReference 来追踪 Bitmap 的销毁。
根据以上特点，我们可以建立一套 Bitmap 的高性价比监控组件：
- 1）、首先，在接口层将所有创建出来的 Bitmap 放入一个 WeakHashMap 中，并记录创建 Bitmap 的数据、堆栈等信息。
- 2）、然后，每隔一定时间查看 WeakHashMap 中有哪些 Bitmap 仍然存活来判断是否出现 Bitmap 滥用或泄漏。
- 3）、最后，如果发生了 Bitmap 滥用或泄露，则将相关的数据与堆栈等信息打印出来或上报至 APM 后台。
这个方案的 性能消耗很低，可以在 正式环境 中进行。但是，需要注意的一点是，正式与测试环境需要采用不同程度的监控。
3、建立线上应用内存监控体系
要建立线上应用的内存监控体系，我们需要 先获取 App 的 DalvikHeap 与 NativeHeap，它们的获取方式可归结为如下四个步骤：
- 1、首先，通过 ActivityManager 的 getProcessMemoryInfo => Debug.MemoryInfo 获取内存信息数据。
- 2、然后，通过 hook Debug.MemoryInfo 的 getMemoryStat 方法（os v23 及以上）可以获得 Memory Profiler 中的多项数据，进而获得 细分内存的使用情况。
- 3、接着，通过 Runtime 获取 DalvikHeap。
- 4、最后，通过 Debug.getNativeHeapAllocatedSize 获取 NativeHeap。
对于监控场景，我们需要将其划分为两大类，如下所示：
- 1）、常规内存监控
- 2）、低内存监控
1、常规内存监控
根据 斐波那契数列 每隔一段时间（max：30min）获取内存的使用情况。常规内存的监控方法有多种实现方式，下面，我们按照 项目早期 => 壮大期 => 成熟期 的常规内存监控方式进行 演进式 讲解。
项目早期：针对场景进行线上 Dump 内存的方式
具体使用 Debug.dumpHprofData() 实现。
其实现的流程为如下四个步骤：
- 1）、超过最大内存的 80%。
- 2）、内存 Dump。
- 3）、回传文件至服务器。
- 4）、MAT 手动分析。
但是，这种方式有如下几个缺点：
- 1）、Dump文件太大，和对象数正相关，可以进行裁剪。
- 2）、上传失败率高，分析困难。
壮大期：LeakCanary带到线上的方式
在使用 LeakCanary 的时候我们需要 预设泄漏怀疑点，一旦发现泄漏进行回传。但这种实现方式缺点比较明显，如下所示：
- 1）、不适合所有情况，需要预设怀疑点。
- 2）、分析比较耗时，容易导致 OOM。
成熟期：定制 LeakCanary 方式
那么，如何定制线上的LeakCanary？
定制 LeakCanary 其实就是对 haha组件 来进行 定制。haha库是 square 出品的一款 自动分析Android堆栈的java库。这是haha库的 链接地址。
对于haha库，它的 基本用法 一般遵循为如下四个步骤：
1、导出堆栈文件
File heapDumpFile = …
Debug.dumpHprofData(heapDumpFile.getAbsolutePath());
2、根据堆栈文件创建出内存映射文件缓冲区
DataBuffer buffer = new MemoryMappedFileBuffer(heapDumpFile);
3、根据文件缓存区创建出对应的快照
Snapshot snapshot = Snapshot.createSnapshot(buffer);
4、从快照中获取指定的类
ClassObj someClass = snapshot.findClass(“com.example.SomeClass”);
我们在实现线上版的LeakCanary的时候主要要解决的问题有三个，如下所示：
- 1）、解决 预设怀疑点 时不准确的问题 => 自动找怀疑点。
- 2）、解决掉将 hprof 文件映射到内存中的时候可能导致内存暴涨甚至发生 OOM 的问题 => 对象裁剪，不全部加载到内存。即对生成的 Hprof 内存快照文件做一些优化：裁剪大部分图片对应的 byte 数据 以减少文件开销，最后，使用 7zip 压缩，一般可 节省 90% 大小。
- 3）、分析泄漏链路慢而导致分析时间过长 => 分析 Retain size 大的对象。
成熟期：实现内存泄漏监控闭环
在实现了线上版的 LeakCanary 之后，就需要 将线上版的 LeakCanary 与服务器和前端页面结合 起来。具体的 内存泄漏监控闭环流程 如下所示：
- 1）、当在线上版 LeakCanary 上发现内存泄漏时，手机将上传内存快照至服务器。
- 2）、此时服务器分析 Hprof，如果不是系统原因导致误报则通过 git 得到该最近修改人。
- 3）、最后将内存泄漏 bug 单提交给负责人。该负责人通过前端实现的 bug 单系统即可看到自己新增的bug。
此外,在实现 图片内存监控 的过程中，应注意 两个关键点，如下所示：
- 1）、在线上可以按照 不同的系统、屏幕分辨率 等纬度去 分析图片内存的占用情况。
- 2）、在 OOM 崩溃时，可以将 图片总内存、Top N 图片占用内存 写入 崩溃日志。
2、低内存监控
对于低内存的监控，通常有两种方式，分别如下所示：
- 1、利用 onTrimMemory / onLowMemory 监听系统回调的物理内存警告。
- 2、在后台起一个服务定时监控系统的内存占用，只要超过虚拟内存大小最大限制的 90% 则直接触发内存警告。
3、内存监控指标
为了准确衡量内存性能，我们需要引入一系列的内存监控指标，如下所示：
1）、发生频率
2）、发生时各项内存使用状况
3）、发生时App的当前场景
4）、内存异常率
内存 UV 异常率 = PSS 超过 400MB 的 UV / 采集UV
PSS 获取：调用 Debug.MemoryInfo 的 API 即可
如果出现 新的内存使用不当或内存泄漏 的场景，这个指标会有所 上涨。
5）、触顶率
内存 UV 触顶率 = Java 堆占用超过最大堆限制的 85% 的 UV / 采集UV
计算触顶率的代码如下所示：
long javaMax = Runtime.maxMemory();
long javaTotal = Runtime.totalMemory();
long javaUsed = javaTotal - runtime.freeMemory();
float proportion = (float) javaUsed / javaMax;
如果超过 85% 最大堆 的限制，GC 会变得更加 频发，容易造成 OOM 和 卡顿。
4、小结
在具体实现的时候，客户端 尽量只负责 上报数据，而 指标值的计算 可以由 后台 来计算。这样便可以通过 版本对比 来监控是否有 新增内存问题。因此，建立线上内存监控的完整方案 至少需要包含以下四点：
- 1）、待机内存、重点模块内存、OOM率。
- 2）、整体及重点模块 GC 次数、GC 时间。
- 3）、增强的 LeakCanry 自动化内存泄漏分析。
- 4）、低内存监控模块的设置。
4、建立全局的线程监控组件
每个线程初始化都需要 mmap 一定的栈大小，在默认情况下初始化一个线程需要 mmap 1MB 左右的内存空间。
在 32bit 的应用中有 4g 的 vmsize，实际能使用的有 3g+，这样一个进程 最大能创建的线程数 可以达到 3000个，但是，linux 对每个进程可创建的线程数也有一定的限制（/proc/pid/limits），并且，不同厂商也能修改这个限制，超过该限制就会 OOM。
因此，对线程数量的限制，在一定程度上可以 有效地避免 OOM 的发生。那么，实现一套 全局的线程监控组件 便是 刻不容缓 的了。
全局线程监控组件的实现原理
在线下或灰度的环境下通过一个定时器每隔 10分钟 dump 出应用所有的线程相关信息，当线程数超过当前阈值时，则将当前的线程信息上报并预警。
5、GC 监控组件搭建
通过 Debug.startAllocCounting 来监控 GC 情况，注意有一定 性能影响。
在 Android 6.0 之前 可以拿到 内存分配次数和大小以及 GC 次数，其对应的代码如下所示：
long allocCount = Debug.getGlobalAllocCount();
long allocSize = Debug.getGlobalAllocSize();
long gcCount = Debug.getGlobalGcInvocationCount();
并且，在 Android 6.0 及之后 可以拿到 更精准 的 GC 信息：
Debug.getRuntimeStat(“art.gc.gc-count”);
Debug.getRuntimeStat(“art.gc.gc-time”);
Debug.getRuntimeStat(“art.gc.blocking-gc-count”);
Debug.getRuntimeStat(“art.gc.blocking-gc-time”);
总结
笔者之前工作是在金融公司可能并不是特别追求技术，而笔者又是喜欢追求技术的人，所以格格不入，只能把目标放在互联网大厂了。也希望大家都去敢于尝试和追逐自己的梦想！
BATJ大厂Android高频面试题
觉得有收获的记得点赞，关注+收藏哦!你们的点赞就是我的动力！
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
Debug.getRuntimeStat(“art.gc.blocking-gc-count”);
Debug.getRuntimeStat(“art.gc.blocking-gc-time”);
总结
笔者之前工作是在金融公司可能并不是特别追求技术，而笔者又是喜欢追求技术的人，所以格格不入，只能把目标放在互联网大厂了。也希望大家都去敢于尝试和追逐自己的梦想！
BATJ大厂Android高频面试题
[外链图片转存中…(img-FOQLzsYh-1714662086981)]
[外链图片转存中…(img-HLNOkRDV-1714662086981)]
[外链图片转存中…(img-7Yek8MO4-1714662086981)]
[外链图片转存中…(img-MXHzFhA2-1714662086982)]
觉得有收获的记得点赞，关注+收藏哦!你们的点赞就是我的动力！
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
988
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
