Android 内存优化

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：

1.内存问题相对比较隐蔽，表现并不明显。

2.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。

3.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：

1.要了解内存问题，我们首先要了解为什么要做内存优化？

2.同时需要了解一些内存优化的背景知识，如垃圾回收机制。

3.我们需要了解一些内存优化的常用工具与手段。

4.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。

5.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：

1.为什么要做内存优化?

2.android内存优化的一些背景知识。

3.android内存优化的常用工具与手段。

4.怎么做图片内存优化？

5.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：

1.判断对象是否回收的可达性分析算法。

2.强软弱虚4种引用类型。

3.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：

1.非静态内部类持有了外部引用。

2.静态变量持有了context的引用。

3.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：

1.尽量避免在循环体中创建对象。

2.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。

3.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：

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：

1.查看内存曲线及内存占用情况。

2.可以定位是否存在内存抖动问题。

3.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。

当发生泄漏时，引用链如下：

LeakCanary有以下几个特点：

1.不需要手动初始化。

2.可自动检测内存泄漏并通过通知报警。

3.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：

1.缩放减小宽高。

2.减少每个像素所占用的内存。

3.内存复用，避免重复分配内存。

4.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。

1、ALPHA_8：不存储颜色信息，每个像素占1个字节；

2、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；

3、ARGB_4444：已弃用，用ARGB_8888代替；

4、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；

5、RGBA_F16：每个像素占用8个字节，适合宽色域和HDR；

6、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：

1.侵入性极低，一次初始化配置即可hook全局的目标View控件。

2.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：

1.兼容性强，无任何反射。

2.加入简单，没有什么复杂逻辑。

缺点在于：

1.侵入性太强，需要修改BaseActivity。

2.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：

1.编译时期插桩，对开发过程无侵入性。

缺点在于：

1.通过插桩的方式打点，可能会增加编译期耗时。

2.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：

1.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。

2.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。

3.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。

4.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：

1.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。

2.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。

3.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。

下面看一下裁剪过程的流程图：

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：

1.节省用户流量。

2.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：

大概包括以下信息：

1.一些可能泄漏的类信息。

2.泄漏原因,gcRoot,泄漏实例数量等。

3.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：

1.内存泄漏。

2.内存抖动。

3.Bitmap大图监控。

4.OOM线上监控。

我们还介绍了内存优化的多种实用工具：

1.可以使用Profile,MAT在开发时定位内存抖动内存泄漏问题。

2.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；

3.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。

4.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。

参考资料

探索 Android 内存优化方法

https://juejin.cn/post/6844903897958449166

深入探索 Android 内存优化（炼狱级别-下）

https://juejin.cn/post/6872919545728729095#heading-70

更优雅地检测android应用中的大图

https://juejin.cn/post/6956138531789996040

快手客户端稳定性体系建设

https://juejin.cn/post/6860014199973871624

Probe：Android线上OOM问题定位组件

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

抖音 Android 性能优化系列: Java 内存优化篇

https://juejin.cn/post/6908517174667804680