AliOS Things 维测典型案例分析 —— 内存泄漏

维测典型案例分析1 —— 内存泄漏

在系统运行的过程中，内存泄漏是较为常见但是很难复现的现象，一般的内存泄漏点都是比较隐蔽的，每次几十个字节的泄漏，往往需要压测很久才能复现问题。本节案例分析，我们从一个已经压测出来的问题出发，通过维测工具的使用，来看一次内存泄漏的分析。

1. 问题现象：

xx平台压测反复断AP电源第488次连接通道时出现dump机现象

2. 重现步骤：

1. 设备认证连接，并保持在线状态（维持心跳）
   b. .待连接稳定后，断开网络（断AP电源）
   c .5分钟后恢复AP电源
   d .查看设备端日志判断设备是否上线

3. 问题初步分析

从压测过程看，是设备和路由器循环断开重连的操作，没有连云，也没有起业务。这部分仅仅是调用厂商的wifi 驱动库。
从问题出现的log来看，发生了系统crash，并且出现了典型了内存不足的打印，如下：
（这个Log是我们维测体系中的设备端能力之一，将发生内存出错时候的内存使用情况全部输出，方便定位）

这是由于内存不足，无法从系统内存池中mallo出动态内存，出现这种现象一般有2种原因：

1. 某组件在运行中持续分配了较大内存，并且一直还没释放。这种情况可能性不大
2. 内存泄漏了，根据压测描述，压测了几天才出现，发生了缓慢泄漏。

初步分析到此，我们先用PC端维测工具对这个设备端log解析一把，看看有什么有价值的信息出现。维测工具的使用参加另一篇文章介绍。这里直接使用

python  core_dump.py  log   xx.elf

维测工具输出了对设备端log的解析，打印出了上图中内存泄漏时的系统内存使用情况的一次统计，如下图：

这里对系统crash时所有动态内存分配情况进行了统计，按照内存分配size 从小到大的顺序进行了排列，每一行都包含着内存malloc出来的地址，谁申请了内存，申请的次数，申请的size大小，申请者在代码中的位置等，一目了然。

我们一下就从图中的最后一行（也就是占据系统内存最多的组件）发现了异常点：此时系统中还存在着982个timer，占据着70K+ 的系统内存，这个肯定是有问题的！

4. 快速问题复现

快速复现问题是bug定位过程中非常重要的的一步。
由于压测过程是每5分钟断开路由器，时间较长，我们尝试重现构造测试用例来复现这一现象。由前面分析可知，这一压测过程只跟厂商wifi 驱动有关。我们找到了2个通用接口来模拟这一过程：
hal_wifi_suspend_station ---- 断开路由器操作，会调用厂商底层的wifi disconnect
netmgr_reconnect_wifi ---- 连接路由器操作，会调用厂商底层的wifi connect

我们构建的测试case代码如下：

    while (1) {
        krhino_mm_overview(NULL);  /*重点关注这一行*/

        aos_msleep(5000);

        hal_wifi_suspend_station(NULL);

        netmgr_reconnect_wifi();
    }

即：在系统上电启动必要的网络初始化后，开始以5s为周期循环压测 suspend 和 reconnect

请注意while循环里的第一行：

krhino_mm_overview(NULL);

这个接口是维测对外API 调试接口之一，会打印堆的相关统计。

维测调试API接口是debug的时候的重要手段之一，加上这些接口出版本，往往可以快速定位问题
详见 https://yuque.antfin-inc.com/aliosthings/mr5i1t/wupvbn#994230b2

这个接口打印如下所示（举例）：

========== Heap Info  ==========
-----------------------------------------------------------
[HEAP]| TotalSz    | FreeSz     | UsedSz     | MinFreeSz  |
      | 0x0004A838 | 0x00047E50 | 0x000029E8 | 0x00047E50 |
-----------------------------------------------------------
[POOL]| PoolSz     | FreeSz     | UsedSz     | BlkSz      |
      | 0x00002000 | 0x00001E00 | 0x00000200 | 0x00000020 |
-----------------------------------------------------------

上面统计分成两部分，HEAP与POOL。HEAP是总的统计，POOL是HEAP的一部分。

HEAP与POOL的区别是，当用户使用

aos_malloc(size)

来分配内存的时候，size若小于32字节（由RHINO_CONFIG_MM_BLK_SIZE宏指定，在k_config.h中定义），malloc会在POOL上固定分配32字节内存，反之则在HEAP上分配用户定义size的内存。

HEAP中的内容含义：

• TotalSz，堆的总大小。
• FreeSz，当前堆的空闲大小。
• UsedSz，当前堆的使用量，即UsedSz = TotalSz – FreeSz。
• MinFreeSz，堆空闲历史最小值，即TotalSz – MinFreeSz 便是堆历史使用量峰值。

出异常时，可以利用该信息大致判断堆是否出现空闲内存不足的问题。

回到问题中来，测试case跑起来后，循环输出了每次网络连接后的系统内存使用情况，如图：

....

5. 问题定位

可见系统系内存经过每次suspend 和 connect后，都会减少，并且减少的大小是固定的。这种情况是发生了稳定的内存泄漏，厂商的WIFI驱动中存在着connect时 malloc的内存，在suspend时没有free的情况，导致了内存池泄漏，早晚会发生内存耗尽。

由最早的log可知，系统crach的时候（也就是内存耗尽的时候），系统中存在着982个timer没有释放，所以我们重点关注timer的使用。由于厂商不提供源码（这也是每次定位问题异常痛苦的原因之一），没法在上层代码处直接加打印调试。在kernel timer处加上打印，结果如下：connect:

suspend:

可以非常明显的看出，connect时timer create了5次，但是suspend的时候，只delete了4次！

问题定位到这里，已经明确了问题根因：timer少释放了一次。反馈给厂商后，迅速解决。

6. 总结

这里结合使用了AliOS Things维测能力的几个方面：

1. 在设备端对接了内存异常的处理，作为crash的第一现场打印出来
2. PC端维测工具，对设备端的crash log进行解析，降低使用门槛
3. 维测API接口的使用，是出版本进行debug的利器。

---

本文作者：泉墨170385

阅读原文

本文为云栖社区原创内容，未经允许不得转载。