什么影响 GCP Cloud Function 内存使用

Question

我最近重新部署了一些 python GCP 云函数，注意到它们多占用了大约 50mbs 的内存，从而触发了内存限制错误（我必须将内存分配从 256mb 增加到 512mb 才能让它们运行）。不幸的是，这是成本的两倍。

我试图找出导致内存增加的原因。我唯一能想到的是最近升级了一个python包。因此，我根据我的本地虚拟环境在requirements.txt中指定了所有软件包版本，该环境最近没有改变。内存使用量的增加仍然存在。

是否还有其他因素会导致内存利用率增加？Python运行时仍然是3.7，函数处理的数据没有改变。一般来说，这似乎也不是 GCP 对云功能所做的改变，因为它只发生在我重新部署的功能上。

Answer 1

我可以指出内存限制错误的几种可能性，它们是：

\n

\n

\n
您编写的文件会消耗函数可用的内存，并且\n有时会在调用之间持续存在。未能显式删除\n这些文件最终可能会导致内存不足错误和\n随后的冷启动。
\n

\n

正如StackOverflow 答案中提到的，如果您在全局内存空间中分配任何内容而不释放它，则内存分配会将其计入未来的调用中。为了最大限度地减少内存使用量，仅在本地分配对象，这些对象将在函数完成时被清理。内存泄漏通常很难检测到。
\n
此外，云功能需要在完成后做出响应。如果他们不响应，那么他们分配的资源将不会被释放。云函数的任何异常都可能导致内存限制错误。
\n
您可能还想检查自动缩放和并发，其中提到了另一种可能性。
\n

\n

\n
函数的每个实例一次仅处理一个并发请求。\n 这意味着当您的代码正在处理一个请求时，\n不可能将第二个请求路由到同一个\实例。因此，原始请求可以使用您请求的全部资源（CPU 和内存）。
\n

\n

最后，这可能是由日志记录问题引起的。如果您正在记录对象，这可能会阻止这些对象被垃圾收集。您可能需要减少日志记录的冗长，并使用字符串表示形式来查看内存使用情况是否有所改善。无论哪种方式，您都可以尝试使用Profiler来获取有关 Cloud Function\xe2\x80\x99s 内存的\xe2\x80\x99s 情况的更多信息。

\n