Runtimes, máquinas virtuales y recolección de basura

← SE-020 · ↑ Parte 01 · 📚 Índice completo · SE-022 →

Punto profesional y fundamento pedagógico

Punto profesional. La clase existe para razonar sobre carga, memoria y recolección separando especificación de estrategia del runtime.

Por qué aparece aquí. Se sitúa después de Compilación, interpretación, bytecode y JIT y antes de Rendimiento, consumo energético y límites físicos: convierte el conocimiento anterior en una decisión observable que la clase siguiente podrá reutilizar. La continuidad se comprueba en el artefacto, no por compartir vocabulario.

Error conceptual que debe corregir. Suponer que gc.collect devuelve memoria al sistema o que toda VM recolecta igual.

Secuencia de aprendizaje. Dibuja raíces y referencias antes de observar memoria. Compara una versión que retiene objetos con otra que los procesa y descarta, fuerza una colección sin esperar que libere objetos alcanzables y localiza el borde que conserva la retención. Cierra separando vida del objeto de cierre oportuno del recurso externo.

Evidencia de aprendizaje. Runtime-memory.md con grafo de referencias, snapshots y recolección. Debe contener predicción previa, observación, explicación causal, contraejemplo, criterio de aceptación y una nota de qué dato haría cambiar la conclusión.

Límite de la conclusión. Los resultados de CPython no generalizan a otros runtimes y RSS no equivale a memoria rastreada.

Trazabilidad fuente → afirmación

Antes de empezar

SE-020 dejó el analizador local de eventos convertido a AST y bytecode. Esas representaciones necesitan un entorno que cargue módulos, cree objetos, maneje llamadas y errores y administre memoria. Hoy estudiarás ese runtime. SE-022 medirá sus costos sin confundirlos con el algoritmo.

Prerrequisitos

Proceso, pila conceptual, bytecode e incertidumbre de medición (SE-019–SE-020).

Problema auténtico

La memoria de un servicio crece y el equipo concluye “el garbage collector tiene una fuga”. Puede existir retención alcanzable, caché intencional, fragmentación o memoria nativa. Forzar colecciones reduce momentáneamente una señal sin explicar la causa.

Objetivos observables

Explicarás servicios de runtime, pila y heap; distinguirás especificación de VM e implementación; compararás conteo de referencias y trazado; observarás asignación y alcanzabilidad; separarás memoria de recursos externos.

Temas y por qué importan

Mapa conceptual

flowchart TD
 B[Bytecode del analizador local de eventos] --> V[Máquina virtual]
 V --> S[Pilas y marcos]
 V --> H[Heap de objetos]
 H --> G[Gestión automática]
 V --> N[Servicios del sistema]
 G --> H

El mapa separa áreas lógicas. Una especificación puede no imponer su ubicación física ni algoritmo de GC.

Conceptos y decisiones

1. El runtime hace visible una semántica

Un runtime implementa representación de valores, llamadas, excepciones, carga, resolución de nombres, asignación y otras convenciones. Puede incluir intérprete, JIT, bibliotecas y enlaces nativos. Su trabajo explica por qué dos implementaciones del mismo lenguaje pueden tener perfiles distintos sin violar la semántica.

2. Una máquina virtual es un contrato abstracto

La JVM especifica tipos, class files, instrucciones y áreas de ejecución, pero deja a la implementación políticas como el algoritmo de recolección. CPython tiene una máquina de bytecode propia con detalles distintos. “Corre en una VM” no informa automáticamente aislamiento de seguridad, portabilidad total ni costo.

3. Marcos y heap expresan vidas diferentes

Cada llamada crea estado lógico: parámetros, locales, retorno y operandos. Objetos cuya vida no coincide con una llamada se asignan en un heap administrado. Optimización puede evitar o mover asignaciones, por lo que este modelo orienta razonamiento pero no prueba ubicación física de cada valor.

4. Recolectar significa demostrar inalcanzabilidad según un modelo

Conteo de referencias recupera cuando el conteo llega a cero, pero ciclos requieren otro mecanismo. Un recolector por trazado parte de raíces y marca alcanzables; los demás pueden recuperarse. Hipótesis generacionales usan el patrón de que muchos objetos mueren jóvenes. Cada estrategia intercambia pausas, memoria, CPU y complejidad.

5. Memoria automática no administra todos los recursos

Un archivo, socket o transacción tiene vida externa. Que un objeto quede inalcanzable no garantiza cierre oportuno. Se usan context managers y cierre explícito. Finalizadores pueden ejecutarse tarde o bajo restricciones y no sustituyen propiedad clara.

Caso conductor: objetos temporales del analizador local de eventos

El analizador local de eventos crea miles de diccionarios temporales al parsear eventos. tracemalloc compara dos versiones: conservar todos en una lista y procesar en streaming. La primera mantiene referencias alcanzables; llamar gc.collect() no debe liberarlas. El rediseño reduce retención y conserva el resultado.

Definiciones de trabajo

• runtime: servicios que implementan ejecución de un lenguaje;
• máquina virtual: arquitectura abstracta ejecutada por software o hardware;
• raíz: referencia inicial para un trazado de alcanzabilidad;
• objeto alcanzable: objeto conectado desde raíces según referencias;
• finalización: acción asociada al fin de vida, no garantía de liberación inmediata.

Glosario

Heap almacena objetos de vida dinámica. Frame representa una llamada. Pause es intervalo de trabajo del recolector que puede afectar la aplicación.

Ejemplo mínimo

Dos objetos se referencian mutuamente. Quitar nombres externos deja un ciclo: conteo de referencias solo no llega a cero; un recolector de ciclos puede detectarlo.

Ejemplo profesional

Un servicio guarda respuestas en una caché sin límite. Los objetos son alcanzables; no es fallo del GC. Se define tamaño, expiración, métrica y comportamiento al saturarse.

Práctica guiada

Usa como base el laboratorio ejecutable de la Parte 01; trabaja sobre una copia o conserva tus salidas en el directorio work/SE-021/.

1. Crea runtime_probe.py con objetos temporales y una versión que los retiene.
2. Mide instantáneas con tracemalloc; registra versión y tamaño de entrada.
3. Usa gc.get_count() y gc.collect() solo como observación documentada.
4. Explica por qué la lista retenida impide liberar.
5. Abre un archivo con with y contrasta vida del recurso con la del objeto.
6. Entrega object-lifecycle.md, snapshots.txt, runtime_probe.py.

Ejercicios

1. Dibuja raíces y objetos de un ciclo.
2. Compara una pausa corta frecuente con otra larga infrecuente según carga.
3. Explica por qué una VM no es necesariamente un sandbox.

Reto verificable

Otra persona identifica qué objetos permanecen alcanzables y reproduce la diferencia de pico. Debe proponer dos explicaciones alternativas antes de culpar al GC.

Preguntas frecuentes

¿del libera memoria inmediatamente?

Elimina una referencia; el efecto depende de referencias restantes, runtime y asignador.

¿GC elimina fugas?

Recupera objetos inalcanzables; una referencia olvidada conserva el objeto legítimamente.

Fallo controlado y diagnóstico

Retén objetos en una lista global y fuerza GC. Registra que siguen alcanzables, elimina la causa y vuelve a medir. No uses entradas capaces de agotar memoria.

Errores comunes y cómo corregirlos

Entorno y archivos clave

Python 3.11+, gc, tracemalloc; entradas acotadas. Limpieza: cerrar recursos y eliminar work/SE-021/.

Seguridad, ética y accesibilidad

No fuerces agotamiento ni inspecciones datos sensibles en snapshots. Publica tablas textuales y unidades.

Transferencia

Lee la JVM Specification y separa lo prescrito de la política de un recolector concreto.

Evaluación y evidencia

Se exigen grafo de alcanzabilidad, medición acotada, manejo de recurso y límites.

Fuentes

• Python gc y tracemalloc definen observaciones usadas.
• JVM Specification SE 27, Run-Time Data Areas distingue contrato y algoritmo no prescrito.

Límites y siguiente paso

No perfila memoria nativa ni compara recolectores productivos. SE-022 diseña mediciones de rendimiento y energía.

← SE-020 · ↑ Parte 01 · SE-022 →