如何使用Android Profiler追踪JNI中的内存泄漏

一、启动Android Profiler追踪内存 #

• 打开Android Studio，连接目标设备/模拟器，加载你的NDK项目
• 切换到底部的Profiler面板，选中你的应用进程
• 进入Memory模块，点击左上角的红色录制按钮开始记录
• 反复触发nativeExtractLiveFeature函数的调用（比如循环执行或多次操作UI）
• 完成操作后点击停止录制，生成内存快照

二、定位Native内存泄漏 #

在Memory快照中重点关注Native Memory区域：

• 观察内存趋势：如果每次调用JNI函数后Native内存持续上涨且不回收，说明存在泄漏
• 切换到Native标签页，查看具体的内存分配记录
• 通过搜索关键词（如cv::Mat、Live、FaceFeature或你的JNI函数名）筛选出相关的分配条目，定位可疑的内存占用点

三、结合JNI代码排查潜在泄漏点 #

针对你提供的JNI函数代码：

JNIEXPORT jfloat JNICALL
FACE_ENGINE_METHOD(nativeExtractLiveFeature)(JNIEnv *env, jobject instance,
        jobject bmp, jint left, jint top, jint right, jint bottom,
        jfloatArray landmarksX, jfloatArray landmarksY, jfloatArray features)
{
    cv::Mat matBGR;
    ConvertBitmap2Mat(env, bmp, matBGR);
    if( matBGR.empty() || matBGR.cols == 0 || matBGR.rows == 0)
        return 0.0f;

    LOG_DEBUG("Frame Size = (%d, %d)", matBGR.cols, matBGR.rows);
    LOG_DEBUG("Face Rect = (%d, %d, %d, %d)", left, top, right, bottom);

    cv::Rect rtFace;
    rtFace.x = max(0, left);
    rtFace.y = max(0, top);
    rtFace.width = min(matBGR.cols, right) - rtFace.x;
    rtFace.height = min(matBGR.rows, bottom) - rtFace.y;

    Live *pLive = Live::getInstance();
    float confidence = pLive->Detect(matBGR, rtFace);

    LOG_DEBUG("Face Live Conf = %f", confidence);

    float posLMX[5];
    float posLMY[5];
    jfloat* tmpLandX = env->GetFloatArrayElements(landmarksX, NULL);
    jfloat* tmpLandY = env->GetFloatArrayElements(landmarksY, NULL);
    for(int i = 0; i < 5; i++){
        posLMX[i] = tmpLandX[i];
        posLMY[i] = tmpLandY[i];
        LOG_DEBUG("Landmark (x, y) = (%.2f, %.2f)", posLMX[i], posLMY[i]);
    }

    float feat[128];
    FaceFeature *pFF = FaceFeature::getInstance();

    pFF->GetFeatures(matBGR, posLMX, posLMY, feat);

    LOG_DEBUG("It was finished to extract the feature");

    matBGR.release();

    env->SetFloatArrayRegion(features, 0, 128, (jfloat*)feat);

    env->ReleaseFloatArrayElements(landmarksX, tmpLandX, 0);
    env->ReleaseFloatArrayElements(landmarksY, tmpLandY, 0);

    return confidence;
}

重点检查以下几个方面：

1. OpenCV内存处理
   • 确认ConvertBitmap2Mat函数内部是否正确管理内存：如果函数中创建了临时cv::Mat或动态分配内存，是否有遗漏释放？
   • 虽然你调用了matBGR.release()，但如果ConvertBitmap2Mat存在隐式内存分配（比如将Bitmap数据复制到堆上），需确保这部分内存被正确回收
2. 单例对象的内存泄漏
   • Live和FaceFeature是单例模式，检查其Detect和GetFeatures方法：是否每次调用都分配了堆内存（如new创建对象）但未释放？
   • 查看单例内部是否存在全局容器（如std::vector）持续添加元素却不清理，导致内存占用不断增长
3. JNI数组操作的边界情况
   • 当前代码中GetFloatArrayElements在matBGR非空的分支里，提前返回时不会触发，但如果后续修改代码增加了其他提前返回路径，需确保ReleaseFloatArrayElements被执行到
4. 隐性资源泄漏
   • 检查Live和FaceFeature是否初始化了全局资源（如OpenCV检测器、特征提取模型），这些资源是否在单例生命周期结束时正确释放？若单例静态存在且每次调用都创建新资源，会导致持续泄漏

四、验证泄漏点的方法 #

• 在可疑的内存分配/释放位置添加日志，打印内存地址，确认是否存在重复分配但未释放的对象
• 配合NDK的ndk-stack工具，结合Profiler的内存快照定位到具体的Native代码行
• 通过注释部分代码（如先注释pFF->GetFeatures调用），观察内存是否停止增长，逐步缩小泄漏范围

内容的提问来源于stack exchange，提问作者fresh