OvenMediaEngine中SRT流重复连接导致的内存泄漏问题分析与解决方案
2025-06-29 15:48:42作者:明树来
在流媒体服务器OvenMediaEngine的最新开发版本中,开发团队发现了一个与SRT协议相关的严重性能问题。当用户向服务器推送两个相同名称的SRT流时,系统会出现异常的内存消耗增长和播放异常现象。
问题现象
当出现以下操作序列时,系统会表现出异常行为:
- 第一个SRT流正常启动并推送
- 第二个同名SRT流开始连接服务器
- 服务器内存使用量开始持续增长,增长速率与第二个流的码率成正比
- 当第一个流停止时,第二个流会以最大网络速度从起始位置开始"倾倒"数据,而非从实时点继续播放
这种异常行为会导致服务器资源被快速耗尽,严重影响系统稳定性。从技术角度看,这表明系统对重复SRT流的处理机制存在缺陷。
问题根源
经过开发团队深入分析,发现问题主要源于以下几个方面:
- 连接管理缺陷:当第二个同名SRT流连接时,系统未能正确终止新连接,导致两个连接同时保持活动状态
- 数据缓冲异常:系统持续接收并缓冲第二个流的数据,但没有正确处理这些数据,造成内存不断累积
- 播放控制缺失:在第一个流终止后,系统未能正确识别第二个流的播放位置,导致从起始位置开始高速播放
值得注意的是,RTMP协议在OvenMediaEngine中已经实现了防止重复流名的功能(通过BlockDuplicateStreamName标志),但这一机制尚未扩展到SRT协议。
解决方案
开发团队通过以下方式解决了这一问题:
- 连接终止机制:修复了SRT协议处理逻辑,确保当检测到重复流名时能够正确终止新连接
- 内存管理优化:改进了数据缓冲策略,防止无效数据的内存累积
- 播放控制增强:确保在流切换时能够正确维持播放时序
技术启示
这一问题的解决为流媒体服务器开发提供了几个重要启示:
- 协议一致性:对于支持多种输入协议的媒体服务器,应当保持各协议间功能的一致性
- 资源管理:需要特别注意对重复连接或异常连接场景下的资源管理
- 实时性保证:在直播场景下,必须确保流切换时的时序正确性
虽然当前修复解决了内存泄漏和播放异常问题,但开发团队表示将继续评估是否将BlockDuplicateStreamName功能扩展到所有支持的协议。这一决策需要基于实际应用场景的需求和用户反馈。
该问题的及时修复展现了OvenMediaEngine开发团队对系统稳定性的高度重视,也为其他流媒体服务器开发者提供了宝贵的技术参考。对于使用SRT协议的用户,建议及时更新到包含此修复的版本,以确保系统稳定运行。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
177
195
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
647
264
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
270
94
暂无简介
Dart
623
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
378
3.34 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1