大量追蹤記錄分析

使用 ProfilingManager 收集多個追蹤記錄後，逐一檢查這些記錄來找出效能問題就變得不切實際。大量追蹤分析功能可讓您同時查詢追蹤資料集，以便：

  • 找出常見的效能迴歸問題。
  • 計算統計分布情形 (例如 P50、P90、P99 延遲時間)。
  • 找出多個追蹤記錄的模式。
  • 找出離群追蹤記錄，瞭解及偵錯效能問題。

本節說明如何使用 Perfetto Python 批次追蹤記錄處理器，分析一組本機儲存的追蹤記錄中的啟動指標，並找出離群值追蹤記錄，以進行更深入的分析。

設計查詢

如要執行大量分析，首先要建立 PerfettoSQL 查詢。

在本節中，我們將提供一個查詢範例，用來測量應用程式啟動延遲時間。具體來說，您可以測量從 activityStart 到產生第一個影格 (第一次出現 Choreographer#doFrame 切片) 的時間長度，藉此測量應用程式啟動延遲，這項指標在您的應用程式控制範圍內。圖 1 顯示要查詢的部分。

追蹤記錄的時間軸檢視畫面，會醒目顯示從 activityStart 事件到第一個 Choreographer#doFrame 事件的持續時間。
圖 1. 從 `activityStart` 到產生第一個影格的追蹤區段。
CREATE OR REPLACE PERFETTO FUNCTION find_slices(pattern STRING) RETURNS
TABLE (name STRING, ts LONG, dur LONG) AS
SELECT name,ts,dur FROM slice WHERE name GLOB $pattern;

CREATE OR REPLACE PERFETTO FUNCTION generate_start_to_end_slices(startSlicePattern STRING, endSlicePattern STRING, inclusive BOOL) RETURNS
TABLE(name STRING, ts LONG, dur LONG) AS
SELECT name, ts, MIN(startToEndDur) as dur
FROM
  (SELECT S.name as name, S.ts as ts, E.ts + IIF($inclusive, E.dur, 0) - S.ts as startToEndDur
  FROM find_slices($startSlicePattern) as S CROSS JOIN find_slices($endSlicePattern) as E
  WHERE startToEndDur > 0)
GROUP BY name, ts;

SELECT ts,name,dur from generate_start_to_end_slices('activityStart','*Choreographer#doFrame [0-9]*', true)

您可以在 Perfetto UI 中執行查詢，然後使用查詢結果產生偵錯軌 (圖 2)，並在時間軸中以視覺化方式呈現 (圖 3)。

螢幕截圖：顯示如何使用 Perfetto UI 建立啟動查詢的偵錯軌跡。
圖 2. 建立啟動查詢的偵錯軌。
Perfetto UI 中的時間軸檢視畫面，顯示啟動查詢產生的偵錯軌跡。
圖 3：為啟動查詢產生的偵錯軌跡。

設定 Python 環境

在本機電腦上安裝 Python 和必要程式庫：

pip install perfetto pandas plotly

建立大量追蹤記錄分析指令碼

下列範例指令碼會使用 Perfetto 的 Python BatchTraceProcessor，在多個追蹤記錄中執行查詢。

from perfetto.batch_trace_processor import BatchTraceProcessor
import glob
import plotly.express as px

traces = glob.glob('*.perfetto-trace')

if __name__ == '__main__':
    with BatchTraceProcessor(traces) as btp:
        query = """
        CREATE OR REPLACE PERFETTO FUNCTION find_slices(pattern STRING) RETURNS
        TABLE (name STRING, ts LONG, dur LONG) AS
        SELECT name,ts,dur FROM slice WHERE name GLOB $pattern;

        CREATE OR REPLACE PERFETTO FUNCTION generate_start_to_end_slices(startSlicePattern STRING, endSlicePattern STRING, inclusive BOOL) RETURNS
        TABLE(name STRING, ts LONG, dur LONG) AS
        SELECT name, ts, MIN(startToEndDur) as dur
        FROM
          (SELECT S.name as name, S.ts as ts, E.ts + IIF($inclusive, E.dur, 0) - S.ts as startToEndDur
          FROM find_slices($startSlicePattern) as S CROSS JOIN find_slices($endSlicePattern) as E
          WHERE startToEndDur > 0)
        GROUP BY name, ts;

        SELECT ts,name,dur / 1000000 as dur_ms from generate_start_to_end_slices('activityStart','*Choreographer#doFrame [0-9]*', true)
        """
        df = btp.query_and_flatten(query)

        violin = px.violin(df, x='dur_ms', hover_data='_path', title='startup time', points='all')
        violin.show()

瞭解指令碼

執行 Python 指令碼時，系統會執行下列動作：

  1. 這個指令碼會在您的本機目錄中搜尋所有以 .perfetto-trace 為後置字元的 Perfetto 追蹤記錄，並將這些記錄做為分析的來源追蹤記錄。
  2. 這項查詢會執行大量追蹤作業，計算與啟動時間子集對應的時間，也就是從 activityStart 追蹤記錄切片到應用程式產生的第一個影格。
  3. 系統會使用小提琴圖繪製延遲時間 (以毫秒為單位)，以視覺化方式呈現啟動時間的分布情形。

解讀結果

小提琴圖，顯示查詢到的啟動延遲時間分布情形。
圖 4. 查詢啟動延遲時間的小提琴圖。

執行指令碼後，指令碼會產生繪圖。在本例中，圖表顯示雙峰分布，有兩個明顯的峰值 (圖 4)。

接著，找出這兩個母體的差異。這有助於您更詳細地檢查個別追蹤記錄。在本例中，圖表已設定完畢，因此當您將游標懸停在資料點 (延遲時間) 上時，可以識別追蹤檔案名稱。接著，您可以開啟屬於高延遲群組的其中一個追蹤記錄。

從高延遲群組開啟追蹤記錄時 (圖 5)，您會發現啟動期間執行的額外切片，名為 MyFlaggedFeature (圖 6)。反之，從低延遲群體 (最左側的尖峰) 選取追蹤記錄，即可確認缺少相同切片 (圖 7)。這項比較結果指出，為部分使用者啟用的特定功能標記會觸發迴歸。

圖表醒目顯示高延遲追蹤記錄。
圖 5. 小提琴圖中的高延遲資料點。
追蹤記錄會醒目顯示因 MyFlaggedFeature 切片而導致的高延遲啟動。
圖 6. 高延遲追蹤啟動，並使用額外的 `MyFlaggedFeature` 切片。
追蹤記錄：醒目顯示低延遲啟動，但不含 MyFlaggedFeature 切片。
圖 7：低延遲追蹤啟動。

這個範例說明如何使用大量追蹤記錄分析，這只是其中一種方式。其他用途包括從欄位中擷取統計資料來評估影響、偵測迴歸等。