[PYTHON] __slots__ 사용으로 메모리 사용량을 40% 이상 줄이는 방법과 해결 원리

__slots__ 사용

 

 

파이썬은 개발의 편의성을 극대화한 언어이지만, 대규모 데이터를 다루는 환경에서는 메모리 효율성 문제에 직면하곤 합니다. 특히 수만 개, 수백만 개의 인스턴스를 생성해야 하는 서비스라면 파이썬 객체 하나가 차지하는 '보이지 않는 비용'을 반드시 제어해야 합니다. 오늘 다룰 __slots__는 단순한 문법적 설탕을 넘어, 파이썬의 동적 특성을 제어하여 물리적인 메모리 점유율을 획기적으로 낮추는 강력한 해결책입니다.

---

1. 일반 클래스의 메모리 관리 방식: __dict__의 오버헤드

파이썬의 일반적인 클래스 인스턴스는 자유로운 속성 추가를 지원하기 위해 __dict__라는 딕셔너리 구조를 내부에 가집니다. 이 딕셔너리는 해시 테이블(Hash Table) 구조로 작동하며, 다음과 같은 특징 때문에 메모리를 많이 소모합니다.

• 동적 확장성: 언제든 새로운 속성을 추가할 수 있도록 여유 공간을 미리 확보합니다.
• 해시 테이블 비용: 키-값 쌍을 저장하기 위한 인덱싱 및 해싱 과정에서 메모리 낭비가 발생합니다.
• 객체 오버헤드: 딕셔너리 그 자체가 하나의 독립적인 파이썬 객체이므로 기본적으로 수백 바이트의 기본 용량을 차지합니다.

---

2. __slots__가 메모리를 절감하는 내부적 핵심 이유

__slots__를 선언하면 파이썬 인터프리터는 해당 클래스에 대해 __dict__ 생성을 중단합니다. 대신, 클래스 정의 시점에 명시한 속성들만을 위한 고정된 크기의 배열(Array) 구조를 메모리에 할당합니다. 이것이 메모리 절감의 핵심적인 차이입니다.

(1) 딕셔너리에서 디스크립터(Descriptor)로의 전환

__slots__에 정의된 변수들은 C 수준에서 최적화된 '멤버 디스크립터'를 통해 직접 관리됩니다. 객체 내부의 값에 접근할 때 딕셔너리 검색 과정을 거치지 않고, 메모리 주소 오프셋을 통해 즉시 접근하므로 속도 면에서도 이득을 봅니다.

(2) 동적 할당의 제한과 고정 메모리 점유

인스턴스마다 딕셔너리를 생성하지 않고, 객체 구조체 내부에 값을 저장할 공간만 딱 맞게 할당합니다. 이로 인해 인스턴스당 수십 바이트에서 수백 바이트의 메모리 누수를 원천 봉쇄할 수 있습니다.

---

3. __dict__ vs __slots__ 상세 비교 및 수치 차이

비교 항목	일반 클래스 (__dict__)	__slots__ 적용 클래스	비고 (해결 및 차이)
내부 저장 구조	해시 테이블 (Mutable Dict)	정적 배열 (Fixed Array)	구조적 차이
메모리 사용량	매우 높음 (객체당 약 150~200B 추가)	매우 낮음 (필요한 값만큼만 점유)	약 40~60% 절감 가능
속성 추가 자유도	무제한 추가 가능	선언된 속성만 사용 가능	안정성 향상
접근 속도	해시 검색으로 인해 상대적 느림	오프셋 직접 참조로 매우 빠름	성능 최적화

---

4. Sample Example: 실제 메모리 절감 효과 측정 방법

실제로 __slots__가 얼마나 많은 메모리를 아껴주는지 sys.getsizeof와 pympler 라이브러리(또는 단순 객체 생성 비교)를 통해 확인할 수 있는 예제 코드입니다.

import sys

class NormalMember:
    def __init__(self, name, age):
        self.name = name
        self.age = age

class SlottedMember:
    __slots__ = ('name', 'age')
    def __init__(self, name, age):
        self.name = name
        self.age = age

# 1. 인스턴스 생성
normal = NormalMember("Chaewon", 25)
slotted = SlottedMember("Chaewon", 25)

# 2. 메모리 크기 비교 (단순 getsizeof는 내부 dict를 포함하지 않을 수 있음)
# 실제 체감 성능은 수만 개의 객체를 생성했을 때의 총 프로세스 메모리 점유율로 확인합니다.
print(f"Normal Instance Dict Size: {sys.getsizeof(normal.__dict__)} bytes")
try:
    print(f"Slotted Instance Dict: {slotted.__dict__}")
except AttributeError:
    print("Slotted Instance has no __dict__! (Memory Saved)")

# 3. 100만 개 객체 생성 시 차이 시뮬레이션 (수치적 해석)
# Normal: (객체 기본 + Dict 구조) * 1,000,000
# Slotted: (객체 기본 + Slots 배열) * 1,000,000
    

---

5. __slots__ 사용 시 주의사항 및 해결 방안

강력한 효과만큼이나 제약 사항도 명확합니다. 이를 모르고 사용하면 예기치 못한 에러를 마주할 수 있습니다.

1. 상속 문제: 부모 클래스에서 __slots__를 사용했더라도 자식 클래스에서 선언하지 않으면 다시 __dict__가 생성됩니다. 상속 체인 전체에서 적용해야 효과를 봅니다.
2. 다중 상속: 여러 부모가 각자 다른 __slots__를 가지면 충돌이 발생할 수 있으므로 설계 시 주의가 필요합니다.
3. 동적 속성 제한: 런타임에 새로운 속성을 추가해야 하는 유연한 구조에는 적합하지 않습니다.

---

6. 결론 및 실무 적용 가이드

__slots__는 단순한 최적화 기법을 넘어 파이썬 메모리 관리의 정수입니다. 데이터 분석, 수천 명의 동시 접속자를 처리하는 게임 서버, 대규모 로그 수집기 등 '동일한 구조의 객체를 대량으로 생성'해야 하는 환경이라면 선택이 아닌 필수입니다. 딕셔너리의 유연함을 포기하는 대신 얻는 압도적인 메모리 절감과 속도 향상은 서비스 운영 비용 절감으로 직결될 것입니다.

 

참고 문헌 및 출처:

• Python Documentation - Data Model: __slots__
• High Performance Python (Micha Gorelick & Ian Ozsvald)
• CPython Internal: Objects/typeobject.c implementation notes