Si Matrix Synapse manque de mémoire pendant la synchronisation des clients, vérifiez d'abord si Linux a bien interrompu un processus Synapse, puis mesurez la mémoire utilisée lors d'une /_matrix/client/v3/synccharge de travail normale. Si la croissance du cache est en cause, effectuez un ajustement modéré de sa taille plutôt que de forcer immédiatement une limite extrêmement basse ; des réponses lentes de la base de données peuvent engendrer un engorgement des requêtes et aggraver le problème.
Au 10 octobre 2026, l' historique officiel des versions de Synapse indique que la version 1.162.0 (29 septembre) est la dernière version stable et la version 1.163.0rc1 une préversion. Il est prudent de mettre à jour une installation obsolète, mais un numéro de version à lui seul ne permet ni de diagnostiquer ni de garantir la résolution d'un problème de saturation de la mémoire lié à la synchronisation.
1. Prouvez qu'il s'agit d'une erreur de mémoire insuffisante
Les clients affichant une synchronisation infinie, une erreur de passerelle ou une session déconnectée ne génèrent pas automatiquement un événement OOM (mémoire insuffisante). Sur une installation Linux systemd standard, consultez les journaux du noyau et des services à proximité de l'heure de la défaillance du client :
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
Recherchez un message d'erreur du noyau (OOM-killer) mentionnant un processus Synapse ou Python, un statut systemd tel que `OOM-killer` oom-kill, ou une erreur Python MemoryError. Ces messages indiquent différents mécanismes de défaillance : le noyau peut interrompre un processus lorsqu'une limite de mémoire de l'hôte ou du conteneur est atteinte, tandis qu'une MemoryErrorerreur OOM peut survenir au sein de Python avant une interruption système. Le nom du service varie selon les paquets ; remplacez-le par le nom réel de votre unité ou conteneur.
Ensuite, enregistrez la pression exercée sur l'hôte et les processus les plus volumineux tout en reproduisant une synchronisation ordinaire :
free -h
ps -eo pid,rss,%mem,args --sort=-rss | head -n 12
systemctl show matrix-synapse -p MemoryCurrent -p MemoryMax
RSSLa mémoire résidente, exprimée en kilo-octets, ne représente pas une mesure précise de la mémoire utilisée par une application en particulier ; les pages partagées peuvent être comptabilisées dans plusieurs processus. Sur Docker, vérifiez également docker statsla limite de mémoire configurée pour le conteneur. Si PostgreSQL, Redis et plusieurs instances de Synapse partagent l'hôte, évaluez leur empreinte mémoire combinée plutôt que d'incriminer uniquement le processus Synapse principal.
2. Optimisez la mémoire cache avec prudence.
Synapse conserve délibérément en mémoire les événements récents et les données des salles afin de traiter rapidement les requêtes de synchronisation. Sa caches.global_factorvaleur par défaut documentée est de0.5 ; la réduire diminue généralement la taille du cache, mais augmente le risque de sollicitation accrue de la base de données. La FAQ pour administrateurs de Synapse avertit qu'un cache trop petit sur un stockage lent peut engendrer des requêtes en attente et une utilisation globale de la mémoire encore plus importante.
Sauvegardez la configuration active homeserver.yaml, vérifiez l'existence d'un caches:bloc et modifiez uniquement les valeurs concernées. Il s'agit d'une configuration d'essai pour une instance présentant une utilisation croissante du cache, et non d'une cible d'optimisation universelle.
caches:
global_factor: 0.3
sync_response_cache_duration: 1m
Le paramètre de cache des réponses de synchronisation détermine la durée de conservation /syncdes résultats traités ; Synapse fournit une 2mvaleur par défaut. Une durée plus courte peut réduire le nombre de réponses conservées, mais aussi augmenter la charge pour les clients disposant de connexions intermittentes. N'ajoutez pas de seconde caches:clé si une existe déjà. Si votre installation définit une variable SYNAPSE_CACHE_FACTORdans son environnement de service ou de conteneur, cette variable est prioritaire sur la valeur YAML.
Validez le fichier avec l'environnement Python utilisé par votre installation Synapse, en ajustant le chemin de configuration si nécessaire :
python -m synapse.config -c /etc/matrix-synapse/homeserver.yaml
Ne redémarrez qu'après validation. Pour les paquets systemd de type Debian, cette validation est souvent effectuéesudo systemctl restart matrix-synapse ; les déploiements de conteneurs utilisent leur propre orchestration. Consultez immédiatement le journal du service pour détecter d'éventuelles erreurs de configuration. La documentation de configuration de Synapse indique également comment recharger les facteurs de cache avec ` SIGHUPcache-reload`, mais cela n'implique pas que d'autres paramètres, comme la conservation des réponses de synchronisation, soient rechargeables. Un redémarrage contrôlé est plus clair lorsque les deux paramètres sont modifiés.
3. Vérifiez si des synchronisations lentes s'accumulent.
Si la mémoire continue d'augmenter tandis que les clients restent bloqués, réduire davantage la taille des caches peut s'avérer contre-productif. Comparez l'évolution de la consommation de mémoire avec la charge du processeur, les E/S disque et l'activité de la base de données. Un serveur surchargé ou des requêtes PostgreSQL lentes peuvent entraîner un plus grand nombre de requêtes simultanées, chacune pouvant conserver des données jusqu'à son achèvement.
Vérifiez d'abord que la base de données répond correctement et que l'espace disque et les E/S sont opérationnels. Synapse en production est conçu pour PostgreSQL et non pour SQLite, comme indiqué dans la documentation de configuration de Synapse . S'il s'agit d'une instance plus ancienne utilisant SQLite, planifiez une migration de base de données prise en charge avec une sauvegarde testée ; n'essayez pas de remplacer la base de données à chaud comme solution de contournement d'urgence en cas de manque de mémoire.
Si vous avez précédemment abaissé global_factorla valeur de cache à un niveau extrême et que la latence de synchronisation s'est aggravée, rétablissez la valeur précédente ou testez une valeur légèrement supérieure en surveillant les temps de réponse et la mémoire totale. La FAQ de l'administrateur Synapse indique clairement qu'un cache plus important peut être utile lorsque des serveurs back-end lents provoquent des files d'attente. Il n'existe pas de cible de RAM fixe et sûre qui convienne à tous les nombres de salles, à toutes les charges de fédération et à toutes les configurations de déploiement.
Dans un environnement multiprocessus à forte activité, identifiez si la charge augmente au niveau du processus principal ou d'un processus de synchronisation spécifique. Les processus permettent de répartir le trafic de synchronisation client, mais chacun d'eux consomme de la mémoire. Par conséquent, l'ajout de processus sans capacité supplémentaire peut aggraver les problèmes de mémoire insuffisante (OOM) sur l'hôte. Suivez la documentation relative aux processus Synapse plutôt que d'acheminer les requêtes client vers des processus arbitraires sans la configuration partagée requise.
4. Envisagez le réglage automatique du cache uniquement si les conditions préalables sont remplies.
Sur un système où une configuration jemalloc appropriée est déjà prise en charge et vérifiée, Synapse fournit une solution cache_autotuning. Celle-ci requiert les trois valeurs documentées max_cache_memory_usage— , target_cache_memory_usage, et min_cache_ttl— et utilise l'éviction du cache pour maintenir l'utilisation du cache autour d'une cible. Les figures suivantes sont données à titre indicatif et doivent être dimensionnées de manière à laisser suffisamment d'espace pour Python, la base de données, les autres services et les pics de requêtes actives :
caches:
cache_autotuning:
max_cache_memory_usage: 512M
target_cache_memory_usage: 384M
min_cache_ttl: 5m
Fusionnez ce bloc avec les paramètres de cache existants au lieu de les remplacer. Ces valeurs correspondent à des budgets de cache, et non à des limites RSS de processus ; leur utilisation ne garantit pas que le processus restera sous la barre des 512 Mio. La documentation de configuration de Synapse requiert jemalloc pour cette fonctionnalité, et la FAQ de l'administrateur Synapse met en garde contre le risque d'interférences entre l'allocateur Python et la gestion de jemalloc, pouvant nécessiter des modifications PYTHONMALLOC=malloc. Les chemins de préchargement et les packages de l'allocateur variant, vérifiez la bibliothèque et l'environnement de démarrage de votre déploiement avant toute modification LD_PRELOAD. Ne copiez pas aveuglément un chemin de bibliothèque spécifique à une architecture.
5. Vérifiez que la synchronisation est stable.
Après chaque modification, reproduisez l'action client réaliste qui a déclenché la panne : reconnectez un client existant, effectuez une synchronisation initiale si possible, puis attendez la fin de plusieurs synchronisations incrémentales normales. Enregistrez le flux RSS maximal de tous les processus Synapse, l'activité du swap, la réactivité de la base de données et vérifiez si le noyau enregistre un autre événement OOM. Une brève baisse de performance immédiatement après le redémarrage n'indique pas une correction durable ; les caches sont naturellement initialisés à froid.
Si la surveillance est activée, comparez l'utilisation de la mémoire et le comportement des requêtes au fil du temps à l'aide du point de terminaison de métriques de Synapse. La documentation de surveillance de Synapse explique que les workers exposent des métriques indépendamment et doivent être surveillés séparément ; il est recommandé de garder les points de terminaison de métriques privés ou protégés plutôt que de publier des données internes publiquement.
La modification a fonctionné si les clients ont terminé la synchronisation sans reconnexions répétées, si les journaux ne signalent aucune nouvelle consommation excessive de mémoire et si la mémoire se stabilise à un niveau acceptable sous la même charge de travail. Si les erreurs de mémoire insuffisante persistent malgré une latence de synchronisation acceptable et des caches optimisés, la prochaine étape pratique consiste à augmenter la RAM disponible ou à réduire la charge de travail par hôte, en se basant sur la consommation maximale mesurée plutôt que sur une taille de serveur recommandée arbitrairement.