Что хотят услышать интервьюеры:

Нужно показать системный подход: сначала подтвердить, что есть утечка или лишнее удержание объектов, потом локализовать участок кода и тип объектов, которые растут в памяти. Для этого обычно используют профилировщики памяти, замеры в динамике и анализ объектов, которые не освобождаются сборщиком мусора. В Python важно отдельно проверять ссылки, кэши, глобальные контейнеры и циклические ссылки.

Определение:

Избыточное потребление памяти — это ситуация, когда приложение удерживает больше памяти, чем ожидается, либо память продолжает расти со временем. Причина может быть в утечке памяти, больших временных структурах, неосвобождаемых ссылках, кэшах без ограничения размера или неправильной работе с данными. Для поиска причины используют измерение потребления, профилирование allocations и анализ объектов, которые остаются в памяти.

Пример использования:

Если Python-сервис постепенно увеличивает RSS под нагрузкой, сначала замеряют память на одинаковых сценариях и смотрят, растёт ли она после завершения запросов. Затем запускают профилировщик памяти и проверяют, какие типы объектов или конкретные места кода создают больше всего аллокаций. Если проблема воспроизводится, анализируют ссылки на подозрительные объекты и ищут контейнеры, которые продолжают их удерживать.

import tracemalloc

tracemalloc.start()

# ... выполняем подозрительный сценарий ...

snapshot = tracemalloc.take_snapshot()
top_stats = snapshot.statistics('lineno')

for stat in top_stats[:10]:
    print(stat)

Пояснение кода:

Код показывает базовый способ найти, где в программе создаётся больше всего памяти. tracemalloc.start() включает отслеживание аллокаций, затем после выполнения сценария снимается снимок памяти через take_snapshot(). Метод statistics('lineno') группирует аллокации по строкам кода, а вывод первых записей помогает понять, какие строки создают наибольшую нагрузку. Дальше уже сравнивают эти места с логикой приложения и проверяют, освобождаются ли объекты после завершения работы.

Ключевые моменты:

Сначала нужно понять, есть ли именно рост памяти во времени, а не разовая большая аллокация.
Для поиска причины полезны профилировщики памяти и сравнение снимков до и после сценария.
В Python частые источники проблем — глобальные ссылки, кэши без лимита, большие списки/словари и циклические ссылки.
Стоит проверять не только объём памяти, но и количество объектов каждого типа.
Для локализации проблемы важно воспроизводить сценарий под одинаковой нагрузкой.
Если есть подозрение на утечку, полезно проверить, кто удерживает ссылку на объект, а не только где он был создан.

Какими методами можно выявить причину избыточного потребления памяти приложением?