LLRT项目中ReadableStream内存泄漏问题的分析与解决
问题背景
在LLRT(Lightweight JavaScript Runtime)项目使用过程中,开发者发现当引入axios库时会触发运行时崩溃。经过深入排查,发现问题根源在于ReadableStream对象的创建过程中存在内存管理缺陷,导致JavaScript运行时(QuickJS)在垃圾回收时触发断言失败。
问题现象
当执行包含以下代码的脚本时:
const hasContentType = new Request('', {
body: new ReadableStream(), // 问题触发点
method: 'POST',
get duplex() {
return 'half';
},
}).headers.has('Content-Type');
运行时会在程序退出时抛出断言错误:
Assertion failed: (list_empty(&rt->gc_obj_list)), function JS_FreeRuntime, file quickjs.c, line 2141.
这个错误表明在运行时关闭时,垃圾回收器(GC)的对象列表中仍然存在未被正确释放的对象。
技术分析
底层机制
-
QuickJS的垃圾回收机制:QuickJS使用标记-清除(Mark-and-Sweep)算法进行内存管理。所有JavaScript对象都需要正确标记,以便GC能够识别和回收。
-
Rust与QuickJS的交互:LLRT通过Rust绑定使用QuickJS,需要确保Rust层创建的所有JavaScript对象都正确注册到GC系统中。
-
流式API的特殊性:
ReadableStream属于Web Streams API,其实现在底层可能涉及复杂的资源管理,包括背压控制、数据缓冲等。
问题根源
经过开发者深入分析,发现问题出在Rust与QuickJS绑定层对ReadableStream相关API的处理上:
-
GC标记缺失:创建
ReadableStream对象时,没有正确设置GC跟踪标记。 -
资源泄漏:底层实现中可能遗漏了对某些内部资源的释放处理。
-
生命周期管理:当
ReadableStream作为Request对象的body时,其生命周期管理变得更加复杂。
解决方案
项目维护者确认这是一个内存泄漏问题,并提出了修复方向:
-
补充GC跟踪:为Stream API添加必要的GC标记代码,确保所有相关对象都能被垃圾回收器正确识别。
-
完善资源释放:检查并完善
ReadableStream相关资源的释放逻辑。 -
边界条件测试:增加对特殊使用场景(如作为Request body)的测试用例。
技术启示
-
跨语言交互的复杂性:当JavaScript运行时通过其他语言(如Rust)实现时,内存管理需要特别小心。
-
GC敏感API的开发:实现可能被垃圾回收的对象时,必须确保完整的GC集成。
-
断言的价值:QuickJS在运行时关闭时检查GC列表的断言,帮助开发者及早发现了内存泄漏问题。
总结
这个问题展示了JavaScript运行时底层实现的复杂性,特别是在处理现代Web API如ReadableStream时。通过分析这类问题,我们可以更好地理解:
- 垃圾回收机制在实际项目中的重要性
- 跨语言绑定的潜在陷阱
- 流式API的特殊内存管理需求
对于LLRT这样的轻量级运行时项目,正确处理这类底层问题对保证项目稳定性和可靠性至关重要。开发者社区通过协作快速定位并解决问题,展现了开源项目的优势。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0194
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0121
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook06