web-dev-qa-db-ja.com

Scalaz 7のzipWithIndex / group列挙子によるメモリリークの回避

背景

この質問 で述べたように、私はScalaz 7反復を使用して、一定のヒープスペースでデータの大規模な(つまり、無制限の)ストリームを処理します。

私のコードは次のようになります:

type ErrorOrT[M[+_], A] = EitherT[M, Throwable, A]
type ErrorOr[A] = ErrorOrT[IO, A]

def processChunk(c: Chunk, idx: Long): Result

def process(data: EnumeratorT[Chunk, ErrorOr]): IterateeT[Vector[(Chunk, Long)], ErrorOr, Vector[Result]] =
  Iteratee.fold[Vector[(Chunk, Long)], ErrorOr, Vector[Result]](Nil) { (rs, vs) =>
    rs ++ vs map { 
      case (c, i) => processChunk(c, i) 
    }
  } &= (data.zipWithIndex mapE Iteratee.group(P))

問題

メモリリークが発生したようですが、Scalaz/FPに精通していないため、バグがScalazにあるのか、コードにあるのかがわかりません。直感的に、私はこのコードが[〜#〜] p [〜#〜]倍のChunk- sizeスペースのみを必要とすることを期待しています。

注:OutOfMemoryErrorが検出された 同様の質問 が見つかりましたが、私のコードではconsumeを使用していません。

テスト

問題を特定するためにいくつかのテストを実行しました。要約すると、リークは、zipWithIndexgroupの両方が使用されている場合にのみ発生するように見えます。

// no zipping/grouping
scala> (i1 &= enumArrs(1 << 25, 128)).run.unsafePerformIO
res47: Long = 4294967296

// grouping only
scala> (i2 &= (enumArrs(1 << 25, 128) mapE Iteratee.group(4))).run.unsafePerformIO
res49: Long = 4294967296

// zipping and grouping
scala> (i3 &= (enumArrs(1 << 25, 128).zipWithIndex mapE Iteratee.group(4))).run.unsafePerformIO
Java.lang.OutOfMemoryError: Java heap space

// zipping only
scala> (i4 &= (enumArrs(1 << 25, 128).zipWithIndex)).run.unsafePerformIO
res51: Long = 4294967296

// no zipping/grouping, larger arrays
scala> (i1 &= enumArrs(1 << 27, 128)).run.unsafePerformIO
res53: Long = 17179869184

// zipping only, larger arrays
scala> (i4 &= (enumArrs(1 << 27, 128).zipWithIndex)).run.unsafePerformIO
res54: Long = 17179869184

テストのコード:

import scalaz.iteratee._, scalaz.effect.IO, scalaz.std.vector._

// define an enumerator that produces a stream of new, zero-filled arrays
def enumArrs(sz: Int, n: Int) = 
  Iteratee.enumIterator[Array[Int], IO](
    Iterator.continually(Array.fill(sz)(0)).take(n))

// define an iteratee that consumes a stream of arrays 
// and computes its length
val i1 = Iteratee.fold[Array[Int], IO, Long](0) { 
  (c, a) => c + a.length 
}

// define an iteratee that consumes a grouped stream of arrays 
// and computes its length
val i2 = Iteratee.fold[Vector[Array[Int]], IO, Long](0) { 
  (c, as) => c + as.map(_.length).sum 
}

// define an iteratee that consumes a grouped/zipped stream of arrays
// and computes its length
val i3 = Iteratee.fold[Vector[(Array[Int], Long)], IO, Long](0) {
  (c, vs) => c + vs.map(_._1.length).sum
}

// define an iteratee that consumes a zipped stream of arrays
// and computes its length
val i4 = Iteratee.fold[(Array[Int], Long), IO, Long](0) {
  (c, v) => c + v._1.length
}

質問

  • コードにバグはありますか?
  • これを一定のヒープ領域で機能させるにはどうすればよいですか?
106
Aaron Novstrup

これは、以前のiteratee AP​​Iを使い続けている人にとってはほとんど慰めにはなりませんが、同等のテストが scalaz-stream API に対してパスすることを最近確認しました。これは、iterateeを置き換えることを目的とした新しいストリーム処理APIです。

完全を期すために、ここにテストコードがあります:

// create a stream containing `n` arrays with `sz` Ints in each one
def streamArrs(sz: Int, n: Int): Process[Task, Array[Int]] =
  (Process emit Array.fill(sz)(0)).repeat take n

(streamArrs(1 << 25, 1 << 14).zipWithIndex 
      pipe process1.chunk(4) 
      pipe process1.fold(0L) {
    (c, vs) => c + vs.map(_._1.length.toLong).sum
  }).runLast.run

これは、nパラメーターの任意の値で機能するはずです(十分に長く待つことをいとわない場合)-2 ^ 14の32MiBアレイでテストしました(つまり、時間の経過とともに割り当てられるメモリの合計TiBの半分) )。

4
Aaron Novstrup