বাল্কে ট্রেস বিশ্লেষণ করুন

ProfilingManager ব্যবহার করে একাধিক ট্রেস সংগ্রহ করার পরে, পারফর্ম্যান্স সংক্রান্ত সমস্যা খুঁজে পেতে সেগুলি আলাদাভাবে এক্সপ্লোর করা অবাস্তব হয়ে ওঠে। বাল্ক ট্রেস বিশ্লেষণ আপনাকে একসাথে ট্রেসের ডেটাসেট কোয়েরি করতে দেয় যাতে:

• সাধারণ পারফর্ম্যান্স রিগ্রেশন শনাক্ত করুন।
• পরিসংখ্যানগত ডিস্ট্রিবিউশন গণনা করুন (যেমন, P50, P90, P99 লেটেন্সি)।
• একাধিক ট্রেস জুড়ে প্যাটার্ন খুঁজুন।
• পারফর্ম্যান্স সংক্রান্ত সমস্যা বুঝতে ও ডিবাগ করতে আউটলায়ার ট্রেস খুঁজে বের করুন।

এই বিভাগে দেখানো হয়েছে যে কীভাবে Perfetto Python Batch Trace Processor ব্যবহার করে স্থানীয়ভাবে সেভ করা ট্রেসের সেট জুড়ে স্টার্টআপ মেট্রিক্স বিশ্লেষণ করা যায় এবং আরও গভীরভাবে বিশ্লেষণ করার জন্য আউটলায়ার ট্রেস খুঁজে পাওয়া যায়।

কোয়েরি ডিজাইন করুন

প্রথমে, একটি PerfettoSQL কোয়েরি তৈরি করুন যা আপনার তুলনা করতে চাওয়া মেট্রিক এক্সট্র্যাক্ট করে। নিম্নলিখিত উদাহরণটি activityStart থেকে প্রথম রেন্ডার করা ফ্রেম (Choreographer#doFrame) পর্যন্ত অ্যাপ-নিয়ন্ত্রিত স্টার্টআপ লেটেন্সি পরিমাপ করে, যেমনটি ছবি ১-এ দেখানো হয়েছে।

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)

আপনি Perfetto UI-এর মধ্যে কোয়েরি এক্সিকিউট করতে পারবেন এবং তারপরে কোয়েরির ফলাফল ব্যবহার করে ডিবাগ ট্র্যাক (ছবি ২) তৈরি করতে এবং টাইমলাইনের (ছবি ৩) মধ্যে এটি ভিজ্যুয়ালাইজ করতে পারবেন।

Python এনভায়রনমেন্ট সেট-আপ করা

আপনার লোকাল মেশিনে Python ইনস্টল করুন এবং এর প্রয়োজনীয় লাইব্রেরি:

pip install perfetto pandas plotly

বাল্ক ট্রেস বিশ্লেষণ স্ক্রিপ্ট তৈরি করুন

নিচে দেওয়া স্যাম্পেল স্ক্রিপ্ট Perfetto-এর Python BatchTraceProcessor ব্যবহার করে একাধিক ট্রেসে কোয়েরি এক্সিকিউট করে।

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

# Collect all trace files in the local directory
traces = glob.glob('*.perfetto-trace')

if not traces:
    print("No .perfetto-trace files found in the current directory.")
    exit(1)

if __name__ == '__main__':
    # Process all traces in parallel to aggregate metrics across runs
    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)
        # Plot the distribution of startup times, tracking trace file paths on
        # hover
        violin = px.violin(df, x='dur_ms', hover_data='_path', title='startup time', points='all')
        violin.show()

স্ক্রিপ্টটি বুঝুন

আপনি Python স্ক্রিপ্ট রান করলে, এটি নিম্নলিখিত অ্যাকশনগুলি করে:

1. স্ক্রিপ্টটি আপনার লোকাল ডিরেক্টরিতে .perfetto-trace সাফিক্স সহ সব Perfetto ট্রেস সার্চ করে এবং বিশ্লেষণের জন্য সোর্স ট্রেস হিসেবে ব্যবহার করে।
2. এটি একটি বাল্ক ট্রেস কোয়েরি রান করে যা activityStart ট্রেস স্লাইস থেকে আপনার অ্যাপের মাধ্যমে জেনারেট করা প্রথম ফ্রেমের সময় অনুযায়ী স্টার্ট-আপ সময়ের সাবসেট গণনা করে।
3. এটি ভায়োলিন প্লট ব্যবহার করে মিলিসেকেন্ডে লেটেন্সি প্লট করে যাতে স্টার্টআপ টাইমের ডিস্ট্রিবিউশন ভিজ্যুয়ালাইজ করা যায়।

ফলাফল ব্যাখ্যা করো

স্ক্রিপ্টটি রান করলে একটি ভায়োলিন প্লট তৈরি হয় যা দুটি স্বতন্ত্র লেটেন্সি পিক সহ একটি বাইমোডাল ডিস্ট্রিবিউশন দেখায় (চিত্র ৪)। প্লটে প্রতিটি ডেটা পয়েন্টের উপর মাউস নিয়ে গিয়ে _path ফাইলের নাম দেখুন এবং প্রতিটি পিক থেকে ট্রেস তুলনা করুন (ছবি ৫):

• হাই-লেটেন্সি ট্রেস (ডানদিকের পিক): Perfetto UI-তে এই গ্রুপ থেকে ট্রেস খুললে স্টার্টআপের সময় চলা অতিরিক্ত MyFlaggedFeature স্লাইস দেখা যায় (ছবি ৬)।
• কম-লেটেন্সি ট্রেস (বাঁদিকের পিক): দ্রুততর গ্রুপ থেকে ট্রেস খুললে নিশ্চিত করা যায় যে MyFlaggedFeature অনুপস্থিত (ছবি ৭), যা ইঙ্গিত করে যে ব্যবহারকারীদের সাবসেটের জন্য চালু করা ফিচার ফ্ল্যাগ স্টার্টআপ রিগ্রেশনের কারণ।

এই উদাহরণটি দেখায় যে আপনি কীভাবে বাল্ক ট্রেস বিশ্লেষণ ব্যবহার করতে পারেন তার অনেক উপায়ের মধ্যে একটি। অন্যান্য ব্যবহারের ক্ষেত্রে প্রভাব পরিমাপ করার জন্য ফিল্ড থেকে পরিসংখ্যান বের করা, রিগ্রেশন শনাক্ত করা এবং আরও অনেক কিছু অন্তর্ভুক্ত।