🐍 Caso 05 — Python 3.12 con presion de memoria comparada#

Implementacion operativa del caso 05 para mostrar como una fuga silenciosa degrada un proceso largo frente a una variante que controla su estado.

⬅️ Caso 05 · ⚖️ Comparativa de los 7 stacks · 🐍 Perfil de Python · 🧬 Todos los perfiles

🎯 Que resuelve#

Modela un proceso de lotes que recibe documentos y payloads de tamano variable:

batch-legacy retiene buffers, hace crecer el estado acumulado y deja subir la presion de recursos;
batch-optimized limita el cache, limpia estado tras cada item y mantiene el proceso dentro de umbrales sanos.

💼 Por que importa#

Este caso sirve para evidenciar un problema comun en incidentes largos: no siempre hay una excepcion clara. Muchas veces el servicio solo se va degradando hasta que alguien lo reinicia. La presion de memoria es silenciosa hasta que no lo es.

🔬 Analisis Tecnico de la Implementacion (Python)#

Python tiene recolector de basura automatico, pero no elimina el problema de fugas: una referencia activa impide que gc reclame el espacio, sin importar cuanto tiempo pase.

Problema de Fragmentacion y Fugas (legacy): La funcion run_batch_legacy() itera sobre cada item y genera un payload con b64encode(os.urandom(size_bytes)).decode(), luego lo acumula en una lista global retained_buffers sin ningun limite. Cada llamada a la ruta agrega items * size_kb KB al estado del proceso. Al mantener referencias vivas en retained_buffers, el recolector de basura de Python no puede liberar esos bloques: el objeto existe y tiene al menos un referenciador. El retained_kb crece de forma O(N*calls) hasta que el servidor alcanza el umbral critical (16384 KB) y empieza a devolver HTTP 503.
Ciclo de Memoria Constante (optimized): Implementa una politica de Eviccion FIFO con complejidad espacial O(1). En lugar de retener los buffers base64, la funcion calcula hashlib.sha256(payload.encode()).hexdigest() y lo guarda como identificador compacto (64 bytes, no size_kb KB). Para mantener el cache acotado a 24 entradas maximas, usa if len(digest_cache) > 24: digest_cache.pop(next(iter(digest_cache))). Tras procesar cada item, llama explicitamente a del payload para eliminar la referencia local, permitiendo que el GIL libere el bloque en el siguiente ciclo del recolector. El retained_kb permanece cerca de cero independientemente de cuantos batches se procesen.

🧱 Servicio#

app → API Python 3.12 con estado local acumulado por modo y metricas de presion.

🚀 Arranque#

bash

docker compose -f compose.yml up -d --build

Puerto local: 835 (modo aislado, ver opciones abajo).

Como consumir (dos opciones)#

Hub Python (recomendado, 8200 en compose.python.yml): este caso queda servido en http://localhost:8200/05/... junto a los otros 11 casos.

Modo aislado (835 en este compose.yml): levanta solo este caso, util cuando la medicion necesita procesar limpio (sin otros casos compartiendo runtime).

🔎 Endpoints#

bash

curl http://localhost:8200/05/
curl http://localhost:8200/05/health
curl "http://localhost:8200/05/batch-legacy?items=50&size_kb=128"
curl "http://localhost:8200/05/batch-optimized?items=50&size_kb=128"
curl http://localhost:8200/05/state
curl "http://localhost:8200/05/runs?limit=10"
curl http://localhost:8200/05/diagnostics/summary
curl http://localhost:8200/05/metrics
curl http://localhost:8200/05/metrics-prometheus
curl http://localhost:8200/05/reset-lab

🧪 Escenarios utiles#

items=50&size_kb=128 → varias llamadas seguidas para ver como sube retained_kb en legacy.
items=100&size_kb=64 → lotes mas grandes para alcanzar el umbral critical y provocar HTTP 503.
Llamar batch-optimized en las mismas condiciones y comparar retained_kb constante.

🧭 Que observar#

como sube retained_kb en batch-legacy tras varias ejecuciones y nunca baja;
si retained_kb se mantiene cerca de 0 en batch-optimized sin importar cuantos batches;
cuando pressure_level pasa de healthy a warning o critical;
la diferencia entre peak_request_kb (por llamada) y el estado retenido acumulado.

⚖️ Nota de honestidad#

Python tiene GC automatico, pero no elimina el problema de retener referencias activas. El laboratorio reproduce la senal operativa importante: crecimiento silencioso de estado, degradacion progresiva y necesidad de limites y limpieza explicita.