Das Abfragen von ProfilingManager-Profilen ähnelt dem Abfragen regulärer Perfetto-Profile. Weitere Informationen zum Abfragen von Profilen finden Sie unter Erste Schritte mit PerfettoSQL.
Ein wichtiger Unterschied zwischen regulären Perfetto-Traces und ProfilingManager-Traces besteht darin, dass ProfilingManager-Traces durch einen Trace-Redaktor geleitet werden. Aus Datenschutzgründen werden mit diesem Redaktor Informationen zu anderen Prozessen entfernt, die nicht mit Ihrer App in Verbindung stehen.
Einige Abfragen aus der Perfetto-Standardbibliothek können nicht für anonymisierte Traces verwendet werden. Das liegt daran, dass ProfilingManager nur Profiling-Daten für Ihre App und nicht für andere Prozesse erfasst. Daher ist die Anzahl der Abfragen, die Sie mit ProfilingManager verwenden können, geringer als bei vollständigen Systemprofilen, die mit dem lokalen Perfetto aufgezeichnet wurden.
Obwohl der Abfragebereich eingeschränkt ist, können Sie viele PerfettoSQL-Abfragen und -Tabellen aus der Perfetto Standard Library unverändert verwenden. Wir empfehlen Ihnen daher, sie auszuprobieren.
Wir empfehlen Ihnen außerdem, sich Android-Traces analysieren anzusehen. Dort finden Sie einsatzbereite Abfragen, die ohne Änderungen nützliche Leistungsdaten liefern.
ProfilingManager-Beispielabfragen
Um die Abfrage zu vereinfachen, finden Sie in diesem Abschnitt eine Liste von Abfragen, die mit ProfilingManager funktionieren. Sie können diese Abfragen direkt verwenden oder als Beispiele für die Erstellung anderer Abfragen nutzen.
Die am häufigsten duplizierten Abschnitte finden
Mit dieser Abfrage werden wiederholte Slices in einem Trace gefunden und nach Häufigkeit sortiert. Die am häufigsten duplizierten Slices werden zuerst angezeigt.
Doppelte Arbeit ist eine häufige Ursache für unnötige Arbeit in einem Trace.
-- 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 mit Ruckeln
Langsame Frames finden
Mit dieser Abfrage werden Frames gefunden, bei denen Ihre App zu lange zum Generieren eines Frames benötigt, wobei eine erwartete Framerate von 60 Hz (16,6 ms) angenommen wird. Der Wert für dur ist auf 16.660.000 festgelegt, da die Dauer von Slices in Perfetto-Tabellen in Nanosekunden gespeichert wird.
INCLUDE PERFETTO module android.frames.timeline;
SELECT * FROM android_frames WHERE dur > 16660000;
Falsch gerenderte Frames finden
INCLUDE PERFETTO module android.frames.timeline;
SELECT * FROM actual_frame_timeline_slice WHERE jank_type = 'App Deadline Missed';
Diese Abfrage ist nützlich, um Stellen im Trace zu finden, an denen es zu Rucklern kommt, weil die App zu lange braucht, um einen Frame zu generieren. Das bedeutet, dass der UI-Thread kein Frame generieren konnte. Unter extremen Umständen kann dies einer ANR vorausgehen.
Am häufigsten duplizierte Objekte finden
Sie können 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 können Sie Objekte finden, die mehrmals instanziiert werden. Das kann Ihnen helfen, sie zu cachen oder unbeabsichtigte Duplikate zu erkennen.
Latenz beim Kaltstart
Sie können auch nach Start-ups suchen. In diesem Abschnitt finden Sie eine ausführlichere Abfrage, mit der sich die Kaltstartzeit in einem Trace schätzen lässt.
-- 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 Segment generiert, das die Zeit zwischen zwei Segmenten darstellt, die die Startzeit definieren: bindApplication (normalerweise am Anfang eines Kaltstarts der App) und das erste Choreographer#doFrame-Segment (der erste generierte Frame). Dieser Messwert schätzt effektiv die TTFF (Time to First Frame) bei Kaltstarts.