การวิเคราะห์การติดตามแบบกลุ่ม

เมื่อรวบรวมการติดตามหลายรายการโดยใช้ ProfilingManager การสำรวจการติดตามแต่ละรายการเพื่อค้นหาปัญหาด้านประสิทธิภาพจะทำได้ยาก การวิเคราะห์การติดตามแบบกลุ่ม ช่วยให้คุณค้นหาชุดข้อมูลของการติดตามพร้อมกันเพื่อทำสิ่งต่อไปนี้ได้

• ระบุการถดถอยของประสิทธิภาพที่พบบ่อย
• คำนวณการกระจายทางสถิติ (เช่น เวลาในการตอบสนองเปอร์เซ็นไทล์ที่ 50, 90, 99)
• ค้นหารูปแบบในหลายๆ ร่องรอย
• ค้นหาร่องรอยที่ผิดปกติเพื่อทำความเข้าใจและแก้ไขข้อบกพร่องด้านประสิทธิภาพ

ส่วนนี้แสดงวิธีใช้ Perfetto Python Batch Trace Processor เพื่อวิเคราะห์เมตริกการเริ่มต้นในชุดการติดตามที่จัดเก็บไว้ในเครื่อง และค้นหาการติดตามที่ผิดปกติเพื่อการวิเคราะห์ที่ละเอียดยิ่งขึ้น

ออกแบบการค้นหา

ขั้นตอนแรกในการวิเคราะห์แบบเป็นกลุ่มคือการสร้างการค้นหา PerfettoSQL

ในส่วนนี้ เราจะแสดงตัวอย่างการค้นหาที่วัดเวลาในการเริ่มต้นแอป โดยเฉพาะอย่างยิ่ง คุณสามารถวัดระยะเวลาตั้งแต่ activityStart จนถึงเฟรมแรกที่สร้างขึ้น (Choreographer#doFrame Slice รายการแรก) เพื่อวัดเวลาในการตอบสนองเริ่มต้นของแอปที่อยู่ภายใต้การควบคุมของแอป รูปที่ 1 แสดงส่วนที่จะค้นหา

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)

คุณสามารถเรียกใช้การค้นหาภายใน UI ของ Perfetto แล้วใช้ผลลัพธ์การค้นหา เพื่อสร้างแทร็กการแก้ไขข้อบกพร่อง (รูปที่ 2) และแสดงภาพภายใน ไทม์ไลน์ (รูปที่ 3)

ตั้งค่าสภาพแวดล้อม Python

ติดตั้ง Python ในเครื่องของคุณและไลบรารีที่จำเป็น

pip install perfetto pandas plotly

สร้างสคริปต์การวิเคราะห์การติดตามแบบเป็นกลุ่ม

สคริปต์ตัวอย่างต่อไปนี้จะเรียกใช้การค้นหาในหลายร่องรอยโดยใช้ Python BatchTraceProcessor ของ Perfetto

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()

ทำความเข้าใจสคริปต์

เมื่อเรียกใช้สคริปต์ Python ระบบจะดำเนินการต่อไปนี้

1. สคริปต์จะค้นหาในไดเรกทอรีในเครื่องเพื่อหาร่องรอย Perfetto ทั้งหมดที่ลงท้ายด้วย .perfetto-trace และใช้ร่องรอยเหล่านั้นเป็นร่องรอยต้นทางสำหรับการวิเคราะห์
2. โดยจะเรียกใช้การค้นหาการติดตามแบบกลุ่มซึ่งคำนวณชุดย่อยของเวลาเริ่มต้น ที่สอดคล้องกับเวลาจากactivityStartสไลซ์การติดตามไปยังเฟรมแรก ที่แอปสร้างขึ้น
3. โดยจะพล็อตเวลาในการตอบสนองเป็นมิลลิวินาทีโดยใช้ไวโอลินพล็อตเพื่อแสดงภาพ การกระจายเวลาเริ่มต้น

ตีความผลลัพธ์

หลังจากเรียกใช้สคริปต์แล้ว สคริปต์จะสร้างพล็อต ในกรณีนี้ พล็อตแสดงการกระจายแบบ 2 โหมดที่มีจุดสูงสุดที่แตกต่างกัน 2 จุด (รูปที่ 4)

จากนั้นหาความแตกต่างระหว่างประชากร 2 กลุ่ม ซึ่งจะช่วยให้คุณตรวจสอบ การติดตามแต่ละรายการได้อย่างละเอียดมากขึ้น ในตัวอย่างนี้ เราได้ตั้งค่าพล็อตเพื่อให้เมื่อวางเมาส์เหนือจุดข้อมูล (เวลาในการตอบสนอง) คุณจะระบุชื่อไฟล์ของ Trace ได้ จากนั้นคุณจะเปิดการติดตามรายการใดรายการหนึ่งที่เป็นส่วนหนึ่งของกลุ่มที่มีเวลาในการตอบสนองสูงได้

เมื่อเปิดการติดตามจากกลุ่มที่มีเวลาในการตอบสนองสูง (รูปที่ 5) คุณจะเห็นสไลซ์พิเศษชื่อ MyFlaggedFeature ทำงานระหว่างการเริ่มต้น (รูปที่ 6) ในทางกลับกัน การเลือกการติดตามจากกลุ่มประชากรที่มีเวลาในการตอบสนองต่ำกว่า (จุดสูงสุดทางซ้ายสุด) จะยืนยันว่าไม่มีสไลซ์เดียวกันนั้น (รูปที่ 7) การเปรียบเทียบนี้ แสดงให้เห็นว่าฟีเจอร์แฟล็กที่เฉพาะเจาะจงซึ่งเปิดใช้สำหรับผู้ใช้บางกลุ่มเป็นตัวกระตุ้น การถดถอย

ตัวอย่างนี้แสดงวิธีหนึ่งในหลายๆ วิธีที่คุณสามารถใช้การวิเคราะห์การติดตามแบบกลุ่ม กรณีการใช้งานอื่นๆ ได้แก่ การดึงสถิติจากฟิลด์เพื่อวัดผลกระทบ การตรวจหาการถดถอย และอื่นๆ