Das Abfragen von ProfilingManager-Profilen ähnelt dem Abfragen regulärer Perfetto-Profile. Eine Anleitung zum Abfragen von Profilen findest du unter Erste Schritte mit PerfettoSQL.
Ein wichtiger Unterschied zwischen regulären Perfetto-Traces und ProfilingManager-Traces besteht darin, dass ProfilingManager-Traces einen Trace-Redaktor durchlaufen. Dieser Redaktor entfernt aus Datenschutzgründen Informationen zu anderen Prozessen, die nicht mit deiner App zusammenhängen.
Einige Abfragen aus der Perfetto-Standardbibliothek können nicht für redigierte Traces verwendet werden. Das liegt daran, dass ProfilingManager nur Profiling-Daten für deine App und nicht für andere Prozesse erfasst. Daher ist die Anzahl der Abfragen, die du mit ProfilingManager verwenden kannst, geringer als die für vollständige Systemprofile, die mit dem lokalen Perfetto aufgezeichnet wurden.
Obwohl der Abfragebereich eingeschränkt ist, kannst du viele PerfettoSQL Abfragen und Tabellen aus der Perfetto-Standardbibliothek unverändert verwenden. Wir empfehlen dir, sie auszuprobieren.
Außerdem solltest du dir den Artikel Android-Traces analysieren ansehen, um sofort einsatzbereite Abfragen zu finden, die ohne Änderungen nützliche Leistungsdaten liefern.
Beispielabfragen für ProfilingManager
Um die Abfrage zu vereinfachen, findest du in diesem Abschnitt eine Liste von Abfragen, die mit ProfilingManager funktionieren. Du kannst diese Abfragen direkt verwenden oder als Beispiele für die Erstellung anderer Abfragen nutzen.
Die am häufigsten duplizierten Slices finden
Mit dieser Abfrage werden wiederholte Slices in einem Trace gefunden und nach ihrer Häufigkeit sortiert. Die am häufigsten duplizierten Slices werden zuerst angezeigt.
Das Finden von doppelter Arbeit ist eine gängige Methode, um unnötige Arbeit in einem Trace zu finden.
-- You only need to call this once in the session to create the function
DROP TABLE IF EXISTS find_duplicates;
CREATE PERFETTO FUNCTION find_duplicates(pattern STRING) RETURNS
TABLE(name STRING, count_slice LONG) AS SELECT name, COUNT(dur) as count_slice FROM slice WHERE name GLOB $pattern GROUP BY name HAVING COUNT(name) >= 2 ORDER BY count_slice DESC;
-- Subsequent calls can just use the function to find dupes
SELECT * FROM find_duplicates('*Text*')
Abfragen zu Rucklern
Langsame Frames finden
Mit dieser Abfrage werden Frames gefunden, bei denen die App zu lange braucht, um einen Frame zu generieren.Dabei wird eine erwartete Framerate von 60 Hz (16,6 ms) angenommen. Der Wert für dur ist auf 16.660.000 festgelegt, da die Slice-Dauern in Perfetto-Tabellen in Nanosekunden gespeichert werden.
INCLUDE PERFETTO module android.frames.timeline;
SELECT * FROM android_frames WHERE dur > 16660000;
Frames finden, die Ruckler verursachen
INCLUDE PERFETTO module android.frames.timeline;
SELECT * FROM actual_frame_timeline_slice WHERE jank_type = 'App Deadline Missed';
Diese Abfrage ist nützlich, um Stellen zu finden, an denen Ruckler im Trace auftreten, weil die App zu lange braucht, um einen Frame zu generieren. Das bedeutet, dass der UI-Thread keinen Frame generieren konnte. Unter extremen Umständen kann dies zu einem ANR führen.
Die am häufigsten duplizierten Objekte finden
Du kannst auch speicherbezogene Profile wie Heap-Dumps abfragen, um komplexere Speicheranalysen durchzuführen.
INCLUDE PERFETTO MODULE android.memory.heap_graph.heap_graph_class_aggregation;
SELECT * FROM android_heap_graph_class_aggregation WHERE obj_count >= 2
ORDER BY obj_count DESC LIMIT 100
Diese Abfrage gibt die 100 am häufigsten duplizierten Objekte zurück. So kannst du Objekte finden, die mehrmals instanziiert werden. Das kann Möglichkeiten zum Zwischenspeichern oder unbeabsichtigte Duplikate aufdecken.
Latenz beim Kaltstart
Du kannst auch nach Starts suchen. In diesem Abschnitt findest du eine ausführlichere Abfrage, mit der du die Kaltstartzeit in einem Trace schätzen kannst.
-- This function finds slices that match the given GLOB $pattern
CREATE OR REPLACE FUNCTION find_slices(pattern STRING) RETURNS
TABLE (name STRING, ts LONG, dur LONG) AS
SELECT name,ts,dur FROM slice WHERE name GLOB $pattern;
-- This function generates a slice that starts at $startSlicePattern and finishes at the slice matched by $endSlicePattern. If $inclusive is true, then the end slice dur will be added, otherwise, the end slice start time will be used.
CREATE OR REPLACE PERFETTO FUNCTION generate_start_to_end_slices(startSlicePattern STRING, endSlicePattern STRING, inclusive BOOL) RETURNS
TABLE(name STRING, ts LONG, dur LONG) AS
SELECT name, ts, MIN(startToEndDur) as dur
FROM
(SELECT S.name as name, S.ts as ts, E.ts + IIF($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;
-- Using these functions we can estimate cold startup time by generating a slice between bindApplication and first frame.
SELECT * from generate_start_to_end_slices('bindApplication','*Choreographer#doFrame [0-9]*', true)
Mit dieser Abfrage wird ein Slice generiert, das die Zeit zwischen zwei Slices darstellt, die die Startzeit definieren: bindApplication (normalerweise am Anfang eines Kaltstarts der App) und das erste Choreographer#doFrame-Slice (der erste generierte Frame). Mit dieser Messung wird die TTFF (Time to First Frame) beim Kaltstart geschätzt.