Диагностика утечек памяти: iOS и Android

Как выявить утечку памяти в мобильном приложении?

Приложение работает нормально первые 5 минут, потом начинает подтормаживать, а через 15 — вылетает. NSLog: Received memory warning. Это классическая история постепенной утечки памяти, с которой мы сталкиваемся в нашей практике: что-то удерживает объекты, RSS растёт, система убивает процесс. Найти, что именно удерживает — задача профилировщика памяти. Мы используем Xcode Instruments и Android Memory Profiler для точного анализа. Профилирование памяти — ключевой этап оптимизации, позволяющий снизить расходы на облачные ресурсы на 20–30%. Наша команда имеет 5+ лет опыта, выполнила более 50 проектов по оптимизации. Гарантируем стабильную работу под нагрузкой.

Инструменты для профилирования памяти

Xcode Instruments — Allocations и Leaks

Allocations показывает все live-объекты в памяти. Самый полезный вид — Generation Analysis: делаем Mark Generation перед действием, выполняем действие несколько раз, смотрим что накапливается.

Сценарий: открываем DetailViewController, закрываем, повторяем 10 раз. В Allocations — каждый раз добавляется PhotoProcessingService объект. Переходим к Leaks — он строит граф объектов и находит циклические ссылки. Видим retain cycle через delegate без weak. Один weak var delegate — и утечка устранена.

Heap Shot в Allocations — снимок кучи в момент времени. Сравниваем два снимка до и после операции. Разница = объекты, которые остались в памяти. Это точнее для logical leaks.

Android Studio Memory Profiler

Показывает heap в реальном времени: Java heap, Native heap, Stack, Graphics. Capture heap dump — снимок всех live-объектов с path to GC root.

Типичная находка: Bitmap в Native heap. До Android 8 битмапы хранились в Java heap, с Android 8+ — в native heap, Memory Profiler показывает их отдельно. Если native heap растёт — ищем Bitmap без recycle() или Glide/Picasso с отключённым LRU-кэшем.

Allocation tracking — запись всех аллокаций за период. Показывает стек вызовов для каждой аллокации.

LeakCanary — автоматическое обнаружение утечек

LeakCanary автоматически обнаруживает утечки Activity, Fragment, ViewModel. Достаточно добавить зависимость в debug flavor, и он показывает уведомление с полным стеком. На iOS аналог — LifetimeTracker или FBRetainCycleDetector. Instruments Leaks в 3 раза быстрее находит циклические ссылки, чем ручной анализ кода.

// build.gradle (debug)
debugImplementation 'com.squareup.leakcanary:leakcanary-android:2.12'

Наиболее частые паттерны утечек

1. Статические ссылки на Context (Android). companion object { val instance = MyHelper(context) } — если context это Activity, а не applicationContext — утечка Activity при ротации. Замените на applicationContext.

2. Closure в Swift без [weak self]. networkService.fetch { data in self.update(data) } — если closure сохраняется в массив pending callbacks, сильная ссылка на self предотвращает освобождение. Используйте [weak self].

3. NotificationCenter подписки без отписки. В iOS до Swift 5.3 addObserver без removeObserver — классическая утечка. С Combine и хранением в cancellables проблема решена.

4. Handler в Android. Handler(Looper.getMainLooper()) с postDelayed удерживает Activity через implicit inner class. Используйте WeakReference<Activity> или lifecycleScope.launch.

Из нашей практики: 200 MB утечка за сессию

Android-приложение с картами: за 20 минут навигации память вырастала с 80 до 280 MB. Memory Profiler показал — MapTile объекты (растровые тайлы карты) не освобождались после ухода с карточного экрана. MapView не вызывал onDestroy, так как Fragment с картой находился в backstack без destroyView. Замена на FragmentTransaction.remove() + ручная очистка mapView.onDestroy() — утечка устранена.

Почему память растёт, а GC не помогает?

Даже при наличии GC объекты могут оставаться в памяти, если на них есть сильные ссылки из корневых элементов (static, thread, stack). GC собирает только недостижимые объекты. Профилировщик показывает, какие объекты всё ещё достижимы и почему. Например, статическая ссылка на Bitmap может удерживать до 10 MB, пока не очистится вручную.

Этапы профилирования памяти

Согласно Apple Memory Profiling Guide, наибольший эффект даёт комбинация Allocations и Leaks. На Android — Memory Profiler и LeakCanary.

Сравнение инструментов для поиска утечек

Что входит в профилирование памяти

• Анализ текущего потребления памяти и выявление узких мест.
• Настройка инструментов профилирования (Instruments, Memory Profiler, LeakCanary).
• Выявление всех утечек с подробным отчётом.
• Рекомендации по исправлению и оптимизации кода.
• Повторная проверка после исправлений.

Профилирование памяти позволяет сократить расходы на облачные ресурсы на 20–30%. Наша команда имеет 5+ лет опыта, выполнила более 50 проектов по оптимизации памяти. Мы гарантируем снижение утечек до нуля и стабильную работу приложения под нагрузкой. Свяжитесь с нами для оценки вашего проекта. Получите консультацию бесплатно.

Сроки и стоимость

Профилирование и анализ памяти — от 2 до 3 дней. Исправление найденных утечек — от 1 дня до 2 недель в зависимости от сложности. Стоимость рассчитывается индивидуально и зависит от объёма работ и платформы.

Оптимизация мобильных приложений: cold start, память, батарея, FPS, профилирование

Приложение с временем холодного старта 4+ секунды теряет пользователей ещё до первого экрана. Android Vitals в Google Play Console прямо влияют на ранжирование в поиске: приложения с плохими метриками получают меньший organic reach. Apple аналогично мониторит crash rate и время запуска через MetricKit. Оптимизация — это не «сделать быстрее», а понять где именно теряется время и что с этим делать.

Cold Start: где убивается время до первого кадра

Cold start — запуск приложения, когда процесс не существует в памяти. На Android это время от нажатия на иконку до Activity.onWindowFocusChanged(hasFocus = true). На iOS — от tap до viewDidAppear первого экрана.

Android: main thread перегружен при инициализации

Application.onCreate() — главный враг быстрого старта на Android. Разработчики инициализируют здесь всё подряд: Firebase, Analytics, базу данных, HTTP-клиент, DI-контейнер. Каждый SDK добавляет 20–200 мс на main thread.

Инструмент для диагностики: Android Studio Profiler → App Startup. Показывает граф инициализации с временем каждого компонента. Альтернатива — Tracing.beginSection("MyInitTag") в коде + systrace.

Решение: App Startup Library (Jetpack) с явным графом зависимостей инициализаторов. Компоненты, нужные только в конкретных сценариях, инициализируются лениво — by lazy {} или initializer с флагом lazyInit. Firebase Analytics, например, не нужен до первого пользовательского действия — его инициализацию можно отложить.

ContentProvider-ы, автоматически добавляемые SDK через AndroidManifest merge, тоже запускаются при старте. tools:node="remove" в манифесте позволяет отключить конкретный провайдер и инициализировать SDK вручную в нужный момент.

Ещё одна грабля: Room.databaseBuilder().build() на main thread. Это синхронная операция создания/открытия файла БД — на медленных устройствах занимает 50–300 мс. Переносим в coroutine с Dispatchers.IO, в ViewModel через viewModelScope.launch.

iOS: Dyld linking и +load

На iOS cold start делится на pre-main (до вызова main()) и post-main. Pre-main — время загрузки dylib, rebase/binding, Objective-C runtime initialization и выполнения +load методов.

Xcode Instruments → App Launch template показывает время pre-main и post-main раздельно. DYLD_PRINT_STATISTICS=1 в схеме запуска выводит детальное время загрузки в консоль.

Что убивает pre-main:

• Много динамических библиотек (каждая dylib — накладные расходы на линковку). CocoaPods добавляет отдельную dylib на каждый pod. Решение: Swift Package Manager со статической линковкой (type: .static) или use_frameworks! :linkage => :static в CocoaPods.
• +load методы в Objective-C — выполняются синхронно при загрузке класса, до main(). Сторонние SDK могут злоупотреблять этим. +initialize — ленивый аналог, вызывается при первом обращении к классу.

Post-main — application(_:didFinishLaunchingWithOptions:). Та же история что на Android: синхронная инициализация всего. lazy var для сервисов, которые не нужны немедленно. SwiftUI @StateObject инициализирует объект только когда View появляется — это уже встроенная ленивость.

Целевые метрики (App Store рекомендации): cold start < 400 мс для простых приложений, < 2 секунды для сложных. Warm start (процесс в памяти, но Activity/Scene пересоздаётся) — < 1 секунда.

Память: утечки, OOM, excessive pressure

Утечка памяти в iOS — retention cycle: объект A держит ссылку на B, B держит на A, ни один не освобождается. Классика: Timer с self в замыкании без [weak self]. Timer удерживает замыкание, замыкание удерживает self (ViewController), ViewController не освобождается при закрытии. Instruments → Leaks или Memory Graph Debugger в Xcode — находит живые объекты, которых не должно быть.

На Android garbage collector управляет памятью, но утечки всё равно случаются. Activity или Fragment, удерживаемые через статическую ссылку, singleton, или Handler/Runnable после onDestroy — классика. LeakCanary — обязательный инструмент в debug-сборке. Добавляется одной зависимостью debugImplementation "com.squareup.leakcanary:leakcanary-android" и автоматически детектирует утечки с полным стектрейсом.

OutOfMemoryError чаще всего происходит из-за загрузки изображений. Bitmap в памяти занимает ширина × высота × 4 байта. Изображение 4000×3000 px — 48 МБ в памяти, независимо от размера файла на диске. Glide / Coil правильно обрабатывают это: загружают с даунсемплингом под размер View, кешируют в LRU-кеш. Загружать в ImageView без Glide/Coil через BitmapFactory.decodeFile — путь к OOM на устройствах с 2 ГБ RAM.

На Flutter Dart VM имеет свой GC, но нативные ресурсы (изображения, текстуры) не управляются Dart GC. Image.network кеширует изображения в памяти без автоматического освобождения при выходе из дерева виджетов — при длинных списках с картинками используем cached_network_image с правильным memCacheWidth/memCacheHeight.

FPS и UI Performance

60 FPS — 16.67 мс на кадр. 120 FPS (ProMotion) — 8.33 мс. Всё что занимает больше на main thread — джанк.

Типичные причины просадок FPS:

На iOS: синхронная декодировка изображений в cellForRowAt. Когда ячейка таблицы появляется, UIImage(contentsOfFile:) декодирует JPEG/PNG на main thread — видно как заторможенный скролл на длинных списках. Решение: UIImage.preparingForDisplay() (iOS 15+) или ImageIO с kCGImageSourceCreateThumbnailWithTransform в background queue, результат через DispatchQueue.main.async.

На Android: RecyclerView.Adapter.onBindViewHolder с синхронными операциями. Базы данных, файловая система, синхронные сетевые запросы на main thread — StrictMode.ThreadPolicy с detectAll().penaltyLog() в debug-сборке покажет все нарушения.

На Flutter: build() метод вызывается часто, он должен быть дешёвым. setState() на верхнем виджете пересобирует всё дерево. const конструкторы, RepaintBoundary, разбиение на мелкие виджеты с локальным стейтом — основные инструменты. Flutter DevTools → Performance показывает janky frames (красные) с причинами.

Профилирование Compose: Recomposition Highlighter и трассировка через Trace.beginSection в @Composable. remember для дорогих вычислений, derivedStateOf для computed values, LazyColumn вместо Column + forEach для длинных списков.

Батарея: Wake locks, WorkManager, сетевые запросы

Приложение в топе по расходу батареи — пользователь видит это в настройках и удаляет. Android Battery Historian (из ADB bug report) показывает детальный timeline: wake locks, wakeups, network activity, sensor usage.

Основные потребители энергии:

• Постоянный GPS (разбираем в maps-geo)
• Polling сети каждые N секунд вместо push
• Holding wake lock дольше необходимого
• Excessive AlarmManager wakeups

WorkManager с Constraints — правильный способ планировать фоновые задачи: setRequiredNetworkType, setRequiresBatteryNotLow, setRequiresCharging. ОС батчирует задачи и выполняет в удобное время.

На iOS BGTaskScheduler с BGProcessingTaskRequest (для тяжёлых задач при зарядке) и BGAppRefreshTaskRequest (для лёгких обновлений) — система решает когда выполнять, разработчик только регистрирует и реализует логику.

Батчинг сетевых запросов: вместо 10 отдельных запросов в течение минуты — один батч запрос. Меньше радио-активностей (LTE radio потребляет много при инициализации соединения), меньше wakeups.

Инструменты профилирования

MetricKit на iOS — особенно ценен: реальные данные с устройств пользователей, а не симулятора. MXMetricManager получает агрегированные метрики раз в сутки: MXAppLaunchMetric, MXHangDiagnostic, MXCPUExceptionDiagnostic. Диагностики по hang и CPU-exceptions содержат стектрейс с реального устройства — золото для диагностики production-проблем.

Процесс оптимизации

Начинаем с измерения, не с предположений. Инструменты выше дают цифры: конкретное время cold start, конкретный объём памяти, конкретные кадры с просадкой. Потом — приоритизация по impact: что больше всего влияет на пользовательский опыт именно в этом приложении.

Аудит производительности существующего приложения: 3–5 рабочих дней. Реализация оптимизаций — от недели до двух месяцев в зависимости от запущенности проблем и архитектуры кода.