哪些因素会导致GCP Cloud Function内存占用升高，如何排查？

• 间接依赖版本未锁定：仅锁定requirements.txt中的直接依赖版本无法完全固定依赖树，未被声明的间接依赖在重新部署时会拉取最新兼容版本，部分依赖（如numpy、pandas等数据处理包）的版本更新会带来明显的内存占用上涨。你本地虚拟环境的依赖版本是全固定的，但GCP云端构建时会重新解析依赖树，建议执行pip freeze > requirements.txt导出全量依赖版本后再重新部署验证。
• 全局预加载资源变大：函数代码中全局作用域加载的配置文件、字典、预训练模型等资源如果是从远程存储拉取，新部署的实例拉取到更新后的更大体积资源时，会直接抬升基础内存占用，这部分占用和单次请求处理的数据量无关，很容易被忽略。部分依赖包导入时默认预加载的组件增加，也会导致导入阶段内存占用上升。
• Python运行时小版本/底层组件更新：你使用的Python 3.7大版本未变，但GCP会对运行时的小版本补丁、内置监控组件、系统依赖库进行迭代更新，这类更新仅对新部署的实例生效，存量运行的旧实例不会同步更新，因此只会影响重新部署过的函数。
• 部署包包含冗余文件：如果部署目录下存在未被.gcloudignore排除的测试数据、缓存文件、本地虚拟环境目录、日志文件等冗余内容，这些内容会被打入部署包，函数实例启动时会将整个部署包加载到内存，直接抬升基础内存占用。
• 内存配额统计规则调整：GCP可能调整内存配额的统计范围，旧部署实例的统计范围不包含运行时系统进程、日志缓冲区、内置探针的内存占用，新部署实例则将这部分占用计入用户分配的内存配额，导致业务内存占用不变的情况下触发配额上限。
• 依赖包的编译环境差异：部分带C扩展的Python依赖包相同版本号会对应不同编译版本，GCP云端构建时如果拉取的是带调试符号、额外功能组件的编译版本，内存占用会明显高于你本地环境的同版本依赖。

内容的提问来源于stack exchange，提问作者BrainPermafrost