Se o Matrix Synapse ficar sem memória durante a sincronização dos clientes, primeiro confirme se o Linux realmente encerrou um processo do Synapse e, em seguida, meça o uso de memória durante uma /_matrix/client/v3/synccarga de trabalho normal. Se o crescimento do cache for a causa, faça um ajuste moderado no cache em vez de forçar imediatamente um limite extremamente baixo; respostas lentas do banco de dados podem gerar um acúmulo de solicitações que agrava o problema.
Em 10 de outubro de 2026, o histórico oficial de versões do Synapse listava a versão 1.162.0 (29 de setembro) como a versão estável mais recente e a 1.163.0rc1 como uma versão prévia. Atualizar uma instalação desatualizada é prudente, mas apenas o número da versão não diagnostica nem garante a correção de problemas de esgotamento de memória relacionados à sincronização.
1. Prove que se trata de uma falha de falta de memória.
Clientes que apresentam sincronização infinita, erro de gateway ou sessão desconectada não geram, por si só, um evento de falta de memória (OOM). Em uma instalação típica do systemd no Linux, verifique o registro do kernel e do serviço próximo ao momento em que o cliente falhou:
sudo journalctl -k --since "1 hour ago" | grep -Ei 'oom|out of memory|killed process'
sudo journalctl -u matrix-synapse --since "1 hour ago" --no-pager
Procure por uma mensagem de erro do kernel (OOM-killer) que mencione um processo do Synapse ou do Python, um status do systemd como oom-kill`systemd kill` ou um erro do Python MemoryError. Esses indicam diferentes mecanismos de falha: o kernel pode encerrar um processo quando um limite de memória do host ou do contêiner é atingido, enquanto MemoryErrorum erro do Python (OOM kill) pode surgir dentro do próprio Python antes de um erro de OOM em todo o sistema. O nome do serviço varia entre os pacotes; substitua-o pelo nome da sua unidade ou contêiner.
Em seguida, registre a pressão do host e os processos mais pesados enquanto reproduz uma sincronização normal:
free -h
ps -eo pid,rss,%mem,args --sort=-rss | head -n 12
systemctl show matrix-synapse -p MemoryCurrent -p MemoryMax
RSSA memória residente é medida em kilobytes, não sendo uma medida precisa da memória exclusiva de um aplicativo; páginas compartilhadas podem ser contabilizadas em múltiplos processos. No Docker, verifique também docker statso limite de memória configurado para o contêiner. Se o PostgreSQL, o Redis e vários processos do Synapse compartilharem o mesmo host, avalie o consumo de memória combinado deles em vez de culpar apenas o processo principal do Synapse.
2. Ajuste a memória cache de forma conservadora.
O Synapse mantém eventos recentes e dados de salas na memória para atender rapidamente às solicitações de sincronização. Seu caches.global_factorvalor padrão documentado é 0.5; diminuir esse fator geralmente reduz o tamanho do cache, mas aumenta a probabilidade de mais processamento no banco de dados. As perguntas frequentes do administrador do Synapse alertam que um cache excessivamente pequeno em um armazenamento lento pode gerar um acúmulo de solicitações e um uso geral de memória ainda maior.
Faça backup do cache ativo homeserver.yaml, verifique se existe um caches:bloco de cache e altere apenas os valores relevantes. Esta é uma configuração de teste para uma instância que apresenta uso crescente de cache, e não uma meta de ajuste universal.
caches:
global_factor: 0.3
sync_response_cache_duration: 1m
A configuração de cache de resposta de sincronização controla por quanto tempo /syncos resultados concluídos permanecem em cache; o Synapse documenta um 2mvalor padrão. Um período mais curto pode reduzir as respostas retidas, mas também pode aumentar o trabalho para clientes com conexões intermitentes. Não adicione uma segunda caches:chave se já existir uma. Se a sua instalação definir essa configuração SYNAPSE_CACHE_FACTORno ambiente de serviço ou contêiner, essa variável terá precedência sobre o fator YAML.
Valide o arquivo com o ambiente Python usado pela sua instalação do Synapse, ajustando o caminho de configuração conforme necessário:
python -m synapse.config -c /etc/matrix-synapse/homeserver.yaml
Reinicie somente após a validação. Para pacotes systemd no estilo Debian, isso geralmente é feito sudo systemctl restart matrix-synapsecom `systemctl restart systemd`; implantações em contêineres usam sua própria orquestração. Verifique o log do serviço imediatamente após a reinicialização para erros de configuração. A referência de configuração do Synapse também documenta a recarga de fatores de cache com ` SIGHUPsystemctl restart synapse`, mas isso não implica que outras configurações, incluindo a retenção de resposta de sincronização, sejam recarregáveis. Uma reinicialização controlada é mais clara ao alterar ambas as configurações.
3. Verifique se há acúmulo de sincronizações lentas.
Se o consumo de memória continuar aumentando enquanto os clientes permanecem travados, reduzir ainda mais os caches pode ser contraproducente. Compare o momento do aumento do RSS com a pressão da CPU, a E/S de disco e a atividade do banco de dados. Um host sobrecarregado ou consultas lentas do PostgreSQL podem causar mais solicitações simultâneas em andamento, cada uma das quais pode reter dados até ser concluída.
Primeiro, verifique se o banco de dados está respondendo e se o espaço em disco e as operações de E/S estão íntegros. O Synapse de produção foi projetado para PostgreSQL, e não para SQLite, conforme documentado na referência de configuração do Synapse . Se esta for uma instância antiga com suporte a SQLite, planeje uma migração de banco de dados compatível com um backup testado; não tente uma troca de banco de dados em produção como solução emergencial para problemas de memória.
Se você reduziu global_factoro valor de cache para um nível extremo anteriormente e a latência de sincronização piorou, restaure o valor anterior ou teste uma configuração moderadamente mais alta, monitorando os tempos de resposta e o uso total de memória. O FAQ do administrador do Synapse observa explicitamente que mais cache pode ajudar quando servidores lentos estão causando filas. Não existe um valor fixo de RAM que seja seguro e adequado para todas as quantidades de salas, cargas de federação e configurações de implantação.
Para implantações com múltiplos processos em alta demanda, identifique se o processo principal ou um worker de sincronização específico está apresentando crescimento excessivo. Os workers permitem que o tráfego de sincronização do cliente seja distribuído, mas cada worker também precisa de memória; portanto, adicionar workers sem capacidade adicional pode agravar a pressão de falta de memória (OOM) do host. Siga a documentação do worker do Synapse em vez de rotear solicitações de clientes para workers arbitrários sem a configuração compartilhada necessária.
4. Considere o ajuste automático de cache somente se os pré-requisitos forem atendidos.
Em um sistema onde uma configuração adequada de jemalloc já é suportada e verificada, o Synapse fornece o seguinte cache_autotuning: Ele requer todos os três valores documentados max_cache_memory_usage— `java.py` target_cache_memory_usage, `java.py` e min_cache_ttl`java.py` — e usa a remoção de cache para manter o uso do cache próximo ao destino. As figuras a seguir são ilustrativas e devem ser dimensionadas para deixar espaço para o Python, o banco de dados, outros serviços e picos de solicitações ativas:
caches:
cache_autotuning:
max_cache_memory_usage: 512M
target_cache_memory_usage: 384M
min_cache_ttl: 5m
Combine este bloco com as configurações de cache existentes em vez de substituí-las. Esses números representam orçamentos de cache, não limites de RSS do processo ; usá-los não garante que o processo permanecerá abaixo de 512 MiB. A referência de configuração do Synapse exige o jemalloc para este recurso, e as perguntas frequentes do administrador do Synapse alertam que o alocador do Python pode interferir na contabilização do jemalloc, potencialmente exigindo [algo específico] PYTHONMALLOC=malloc. Como os caminhos de pré-carregamento e o empacotamento do alocador variam, verifique a biblioteca e o ambiente de inicialização reais da sua implantação antes de alterar [ LD_PRELOADalgo específico]. Não copie cegamente um caminho de biblioteca específico da arquitetura.
5. Verifique se a sincronização está estável.
Após cada alteração, execute a mesma atividade realista do cliente que anteriormente desencadeou a falha: reconecte um cliente existente, permita uma sincronização inicial quando possível e aguarde várias sincronizações incrementais normais. Registre o pico de RSS de todos os processos do Synapse, a atividade de swap, a capacidade de resposta do banco de dados e se o kernel registra outro evento de falta de memória (OOM). Uma breve queda imediatamente após a reinicialização não é evidência de uma correção duradoura; os caches naturalmente iniciam zerados.
Se o monitoramento estiver ativado, compare o uso de memória do processo e o comportamento das requisições ao longo do tempo usando o endpoint de métricas do Synapse. A documentação de monitoramento do Synapse explica que os workers expõem métricas independentemente e devem ser monitorados separadamente; mantenha os endpoints de métricas privados ou protegidos, em vez de publicar dados internos abertamente.
A alteração funcionou se os clientes concluírem a sincronização sem reconexões repetidas, os registros não mostrarem novos consumos de memória e a memória se estabilizar em um nível sustentável sob a mesma carga de trabalho. Se os erros de falta de memória (OOM) persistirem apesar da latência de sincronização adequada e dos caches cuidadosamente ajustados, a próxima etapa prática é aumentar a RAM disponível ou reduzir a carga de trabalho por host, usando o consumo máximo medido em vez de um tamanho de servidor recomendado arbitrariamente.