System Informer内存泄漏问题分析与修复
问题背景
System Informer(原名Process Hacker)是一款功能强大的系统监控工具,近期用户报告该软件存在严重的内存泄漏问题。典型表现为软件运行过程中内存占用持续增长,从最初的几GB逐渐膨胀到40GB以上,最终导致整个系统运行缓慢。用户反馈该问题在3.0.7422版本中出现,运行环境为Windows 10系统。
问题诊断过程
初步排查
技术人员首先建议用户尝试禁用所有插件来排查问题,但测试发现即使禁用所有插件后,内存泄漏问题依然存在,排除了插件导致问题的可能性。
深入分析
为了精确定位问题,技术人员指导用户使用Windows Performance Recorder(WPR)工具捕获ETW(Event Tracing for Windows)跟踪数据,特别是虚拟内存分配(VAlloc)和堆(Heap)相关的跟踪信息。这类跟踪可以记录软件运行过程中所有的内存分配和释放操作。
由于用户无法成功使用Windows Performance Analyzer(WPA)分析捕获的数据,技术人员通过检查用户提供的跟踪文件,最终定位到问题根源在于设备的支持功能模块中存在内存泄漏。
问题根源
分析发现,内存泄漏的具体原因是设备提供程序(device provider)中HDEVINFO句柄未被正确释放。在System Informer的设备树实现中:
- 每个设备项都引用这个HDEVINFO句柄,以便能够独立查询设备信息
- 虽然树对象释放时会解除对这个句柄的引用
- 但树中的每个设备项却没有正确解除对句柄的引用
这种设计原本是为了支持设备属性对话框等功能,确保在树的其他部分可能被解除引用时,仍能保持对设备信息的访问能力。然而实现上的疏忽导致了句柄泄漏。
解决方案
技术人员提交了修复代码(commit 9f440fe6de25ea59013eddaba2bc1c0bf7fb5615),主要修改包括:
- 确保设备树中每个设备项都能正确解除对HDEVINFO句柄的引用
- 保持原有功能不受影响的前提下,完善内存管理逻辑
该修复已包含在3.0.7432版本中发布。对于暂时无法升级的用户,可以通过以下临时解决方案缓解问题:
- 打开System Informer
- 进入"选项 > 高级"设置
- 将"EnableDeviceSupport"值设为0
- 重启软件
技术启示
这个案例展示了几个重要的软件开发实践:
- 资源管理:对于系统句柄这类资源,必须确保在不再需要时及时释放
- 复合对象设计:当对象之间存在复杂的引用关系时,需要特别注意资源生命周期管理
- 诊断工具使用:ETW跟踪是诊断Windows平台内存问题的强大工具
- 防御性编程:对于可能长期运行的系统工具软件,内存管理需要格外谨慎
这类问题也提醒我们,在开发系统级工具时,不仅要关注功能实现,还需要特别注意资源管理,避免因长期运行积累的小问题最终影响整个系统的稳定性。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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