百度App Android启动性能优化-工具篇

一. 前言

启动性能是APP的极为重要的一环，启动阶段出现卡顿、黑屏问题，会影响用户体验，导致用户流失。百度APP在一些比较低端的机器上也有类似启动性能问题，为保留存，需要对启动流程做深入优化。现有的性能工具，无法高效的发现、定位性能问题，归因分析和防劣化成本很高，需要对现有工具进行二次开发，提升效率。

丨 1.1 工具选型

做好性能优化，不仅需要趁手的工具，而且对工具的要求还很高，具体来说，必需满足要求：

高性能，保证自身高性能，以防带偏优化方向
多维度，能监控多维度信息，帮助全面发现问题
易用性，方便的可视化界面，方便分析

目前业界主流的APP性能探测工具有TraceView、CPU Profiler、Systrace、Perfetto。

	性能损耗	监控维度	易用性	缺陷
TraceView	性能损耗大，支持Trace采集模式，MethodTracing和Sampling，MethodTracing模式需要禁掉JIT，记录所有方法调用，性能损耗大；Sampling模式通过堆栈采样，需要挂起线程，也存在性能能问题，而且耗时计算不够精准，和采样频率相关	支持采集所有Java/kotlin方法耗时	火焰图分析	性能差
CPU Profiler	性能损耗较大，TraceView的替代工具，同样支持MethodTracing和Sampling模式，存在类似的性能损耗大的问题	支持采集所有Java/kotlin方法耗时；支持采集C/C++方法的耗时；	火焰图分析	性能差
Systrace	性能损耗小，Android 4.0默认集成性能工具，基于Android系统层的atrace实现，atrace能力最终是通过Linux内核的性能工具ftrace实现；采样监控，Android系统在Framework层关键点加了Trace收集代码，APP需手动添加Trace收集；内核支持和部分方法采样收集，性能损耗低	支持采集Framework关键点耗时； APP耗时需手动添加；支持采集锁等待、binder调用和IO等信息；支持ftrace数据源，包括CPU调度信息和系统调用等内核相关信息；	火焰图分析	APP耗时监控需要手动添加采样代码，耗时耗力
Perfetto	性能损耗小，Android 9.0全新的性能工具套件，Systrace的升级版，实现类似，同样性能损耗较低	支持Systrace所有监控维度；支持内存和电量信息监控；	火焰图分析支持写SQL分析	同Systrace

Perfetto提供了强大的Trace分析模块：Trace Processor，可以把多种类型的日志文件（Android systrace、Perfetto、linux ftrace）通过解析、提取其中的数据，结构化为SQLite数据库，并且提供基于SQL查询的Python API，可通过python实现自动化分析；同时有良好的可视化页面，可通过可视化页面查看火焰图和写SQL进行Trace分析。

从性能、监控维度的丰富程度和提供的配套的分析和可视化工具来选择，Perfetto是最好的选择，但前期由于Perfetto是9.0以后默认内置服务但是默认不可用，Android 11服务才默认可用，对低版本系统支持不够，所以我们选择了Systrace+Perfetto工具结合，可覆盖所有Android系统。随着Perfetto持续迭代，增加了对低版本Android系统支持，百度APP也全面切换到了Perfetto为基础采集和分析性能工具。

丨 1.2 二次开发

丨 Trace采集

Perfetto收集App的Trace是通过Android系统的atrace收集，需要自己手动添加Trace收集代码，添加Trace采集方式如下：

Java/Kotlin：提供了android.os.Trace类，通过在方法开始和结束点成对添加Trace.beginSection和Trace.endSection；
NDK：通过引入trace.h，通过ATrace_beginSection() / Atrace_endSection()添加Trace；
Android系统进程：提供了ATRACE_*宏添加Trace，定义在libcutils/trace.h；

在Android Framework和虚拟机内部会默认添加一些关键Trace，APP层需要手动添加，监控APP启动流程，有海量的方法，手动添加耗时耗力。百度APP大部分逻辑都是Java/Kotlin编写，Java/Kotlin代码会编译成字节码，在编译期间，可通过gradle transform修改字节码，我们需要开发一套自动插桩的gradle插件，在编译时自动添加APP层Trace收集代码，实现监控APP层所有方法。

丨防劣化

随着优化持续上线，对性能指标会有一定的正向收益，但是随着版本持续迭代，会有各种劣化问题，为保住优化成果，我们在线下每个版本发布之前都需要做真机启动性能测试，测试流程：

打包：需要打出自动插桩的包，需要一个基准包（上次发布版本的release分支的插桩包）和一个测试包（master分支的插桩包），用来做真机测试。 真机测试：用基准包和测试包手动跑启动相关case，启动Perfetto Trace抓取脚本，抓取Trace日志，会输出基准包Trace日志和测试包Trace日志，用作对比分析。

对比分析：Trace日志通过https://ui.perfetto.dev/ 打开可生成的火焰图，通过火焰图进行对比分析，找到存在的劣化问题，这个流程是最耗时的，需要对比分析的调用栈非常繁杂。

分发问题：梳理相关劣化问题，分发跟进对应业务负责同学。这一整套流程完成，需要2人天，而对比分析工作量最大，需要实现自动化分析Trace日志功能，自动发现新增耗时、耗时劣化、锁等待等问题。

Perfetto提供了强大的Trace分析模块：Trace Processor，把多种类型的日志文件（Android systrace、Perfetto、linux ftrace）通过解析、提取其中的数据，结构化为SQLite数据库，并且提供基于SQL查询的python API，可通过python实现自动化分析。

为提高效率，需基于Trace Processor的python API，开发一套Trace自动分析工具集，实现快速高效分析版本启动劣化问题。

二. Perfetto介绍

百度APP启动性能优化工具是基于Perfetto二次开发，下面对Perfetto的架构和原理做相应的介绍。

丨 2.1 整体介绍

‍

Perfetto整体介绍

Perfetto是Google开源的一套性能检测和分析框架。按照功能可分成3大块，Record traces（采集）、Analyze traces（分析）、Visualize traces（可视化）。

丨 Record traces

Trace采集能力，支持采集多种类型的数据源，支持内核空间和用户空间数据源。

内核空间数据源是Perfetto内置的，需要系统权限，主要的数据源包括：

Linux ftrace：支持收集内核事件，如cpu调度事件和系统调用等；
/proc和/sys pollers：支持采样进程或者系统维度cpu和内存状态；
heap profilers：支持采集java和native内存信息；

用户空间数据采集，Perfetto 提供了统一的Tracing C++库，支持用户空间数据性能数据收集，也可用atrace在用户层添加Trace收集代码采集用户空间Trace。

丨 Analyze traces

Trace分析能力，提供Trace Processor模块可以把支持的Trace文件解析成一个内存数据库，数据库实现基于SQLite，提供SQL查询功能，同时提供了python API，百度APP也是基于Trace Processor开发了一套Trace自动化分析工具集。

丨 Visualize traces

Perfetto还提供了一个全新的Trace可视化工具，工具是一个网站：https://ui.perfetto.dev/ 。在可视化工具中可导入Trace文件，并且可使用Trace Processor和SQLite的查询和分析能力。

丨 2.2 Perfetto采集

丨采集指令

./record_android_trace -c atrace.cfg -n -o trace.html

record_android_trace：Perfetto提供的Trace采集帮助脚本，对低版本Trace采集做了兼容，Android 9以上会通过adb调用默认内置Perfetto执行文件，Android 9以下会根据不同的CPU架构下载外置的Perfetto可执行文件，把可执行文件push到 /data/local/tmp/tracebox，最后通过adb指令启动Perfetto Trace采集，通过这个脚本能够支持所有机型的Trace采集。

-c path：指定trace config配置文件，配置Trace采集时长、buffer_size、buffer policy、data source配置等；

-o path：指定Trace文件输出路径。

丨 Trace config

Trace config配置当次采集的一些核心配置，采集时长、trace buffer size、buffer policy和data source配置等；示例：

buffers: {
    size_kb: 522240
    fill_policy: DISCARD
}
data_sources: {
    config {
        name: "linux.ftrace"
        ftrace_config {
            ftrace_events: "sched/sched_switch"
            atrace_categories: "dalvik"
            atrace_categories: "view"
            atrace_apps: "com.xx.xx"
        }
    }
}
duration_ms: 30000

‍buffers：设置当次采集的内存trace buffer配置，size_kb，配置当次 trace buffer大小，单位kb；fill_policy，配置trace buffer的策略，RING_BUFFER，trace buffer满了后，新的内容会把最老的内容覆盖，DISCARD，trace buffer满了以后，新的trace会直接丢弃。

duration_ms：trace采集时长，单位ms，到达指定时长后，会停止收集Trace。

data_sources：name，当前data source名称，如linux.ftrace表示ftrace的配置；ftrace_config，ftrace的配置；ftrace_events，配置需要抓取的ftrace事件，内核空间trace；atrace_categories，配置需要收集的atrace category，用户空间Trace；atrace_apps，配置需要采集trace的应用进程包名。

丨原理简介

启动性能重点关注方法耗时，Perfetto采集方法耗时trace依赖atrace和ftrace实现。相关实现如下：

Perfetto采集Trace原理

Perfetto通过atrace设置用户空间category（数据类型），包括APP自定义 Trace 事件、系统view Trace、系统层 gfx 渲染相关 Trace等，其最终都是通过调用 Android SDK 提供 Trace.beginSection 或者 ATrace宏记录到同一个文件 /sys/kernel/debug/tracing/trace_marker 中，ftrace 会记录该写入操作时间戳。其中Android Framework里面一些重要的模块都加了Trace收集，用户APP代码需要手动加入；

内核空间数据主要一些和系统内核相关数据，如sched（CPU调度信息）、binder（binder驱动）、freq（CPU频率）等信息，Perfetto通过控制一些文件节点实现打开和关闭；最终两种类型数据会写入ftrace RingBuffer中，Perfetto通过读取ftrace RingBuffer数据，实现Trace收集。

丨 ftrace

ftrace是trace采集的核心实现，ftrace其实也是Perfetto的支持的一个data source，通过ftrace可实现收集用户空间和系统空间trace数据。

ftrace是linux系统内核的trace工具，其中RingBuffer是ftrace的基础，所有的trace原始数据都是通过RingBuffer记录的；

ftrace使用tracefs file system用来控制ftrace的配置和Trace日志输出，ftrace目录：/sys/kernel/debug/tracing（内核4.1之前）或者 /sys/kernel/tracing（内核4.1之后）。

部分文件说明：

文件	描述
tracing_on	设置是否写入trace到ringbuffer，写入0表示disable，写入1表示enable，注意：这个disable仅仅是不写入ringbuffer。
events/*	events目录包含很多ftrace支持采集的内核数据类型，也同通过写入文件节点启停事件收集，如开启cpu调度trace收集，可通过写入events/sched/enable文件节点，写入0表示disable，写入1表示enable
buffer_size_kb	设置每个cpu的ringbuffer的size，单位是KB
trace	这个文件输出可读格式的Trace文件，所有的Ftrace ringbuffer数据，不是一个消费者，读完ringbuffer数据，不会清空ringbuffer
trace_pipe	和trace文件一样，但是是个消费者，读完数据会清空读取的ringbuffer
trace_marker	将用户空间与内核中发生的事件同步，往这个文件写入字符串，会写入ftrace buffer
per_cpu	目录里包含每个cpu的trace信息
per_cpu/cpu0/buffer_size_kb	设置当前cpu的ringbuffer的size，单位KB
per_cpu/cpu0/trace	和根目录trace类似，但是这个trace只是当前cpu的ringbuffer数据
per_cpu/cpu0/trace_pipe	和根目录trace_pip类似，但是这个trace只是当前cpu的ringbuffer数据
per_cpu/cpu0/trace_pipe_raw	和per_cpu/cpu0/trace_pipe类似，只是数据格式是二进制

ftrace如何通过在相应的文件节点写入信息和读取，实现ftrace的配置和Trace日志的输出？

ftrace使用了tracefs文件系统注册file_operations结构体，对文件进行系统调用会关联对应的函数指针，实现ftrace配置和ftrace Trace日志读取功能，相关代码实现：


// 创建文件，关联file_operations
struct dentry *trace_create_file(const char *name,
                 umode_t mode,
                 struct dentry *parent,
                 void *data,
                 const struct file_operations *fops)
{
    struct dentry *ret;

    ret = tracefs_create_file(name, mode, parent, data, fops);
    if (!ret)
        pr_warn("Could not create tracefs '%s' entry\n", name);

    return ret;
}

// 定义操作trace文件系统调用对应的函数指针
static const struct file_operations tracing_fops = {
  .open    = tracing_open,
  .read    = seq_read,
  .write    = tracing_write_stub,
  .llseek    = tracing_lseek,
  .release  = tracing_release,
};

trace_create_file("trace", TRACE_MODE_WRITE, d_tracer,
        tr, &tracing_fops);

丨Perfetto采集ftrace数据

下面介绍一下完整采集流程：

通过adb的方式启动执行perfetto，指定Trace config，配置buffer_size、buffer policy、data source ftrace配置；
Perfetto读取Trace config配置，写入ftrace文件节点，配置收集的数据类型和设置ftrace每个cpu的ringbuffer size，并且定期读取per_cpu/cpu0/trace_pipe_raw内容，即定期读取每个cpu的ringbuffer数据，解析转换成对应的probuf格式，写入Producer和tracing service的共享内存中，tracing service会把共享内存的trace数据拷贝到trace buffer。
采集结束，停止trace收集，把tracing service的trace buffer数据读取出来，生成文件，通过Perfetto web ui查看。

丨 2.3 Perfetto分析

Perfetto分析模块，其核心是Trace Processor，其功能如下：

Trace Processor

解析Trace文件、提取其中的数据，结构化为SQLite的内存数据库，并且提供基于SQL查询的API，通过写SQL的方式，查询对应的方法耗时，同时提供Python API。

支持的trace数据格式：

Perfetto native protobuf format
Linux ftrace
Android systrace
Chrome JSON (including JSON embedding Android systrace text)
Fuchsia binary format
Ninja logs (the build system)

三. 自动插桩工具

自动插桩工具是一个gradle编译插件，全方法Trace插桩，保证Trace闭合，支持监控系统类，同时需要考虑包体积和性能问题。

丨 3.1 自动插桩

Android系统会内置一些Trace，在APP代码需要手动添加，耗时耗力，需要实现一个自动插桩工具，自动在APP的方法添加Trace代码。

插桩代码：


class Test {
   public void test() {
       Trace.benginSection("test");
       // 方法体
       // ...
       Trace.endSection();
   }
}

自动插桩工具是利用Gradle Transform（Gradle Transform是Android官方提供给开发者在项目构建阶段中由class到dex转换之前修改class文件的一套api），开发的一个Gradle编译插件。利用ASM字节码操作框架，遍历所有的类的方法，在方法开始和结束点插入收集Trace的代码，实现APP全方法监控。

丨 3.2 Did Not Finish问题

自动插桩工具投入使用后，遇到了Did Not Finish的问题，如果出现这种问题，整个Trace都错乱了，如下图所示：

Did Not Finish，表示方法没有结束，经过定位，是因为Trace.benginSection和Trace.endSection没有成对调用。为什么会出现这种问题呢？

示例问题代码：


class Test {
    public void test() throws Exception {
         Trace.benginSection("test");
         // 方法体，代码出现异常，外部调用方法catch住
         testThrowException();// 这个方法抛出异常，代码返回，endSection不会调用
         // endSection可能存在不调用的情况
         Trace.endSection();
        }
}

运行期间，方法可能存在主动抛出异常和运行时异常的情况，如存在这种情况，Trace.endSection就得不到调用，就会存在问题。

如何保证Trace.benginSection和Trace.endSection的成对调用？

理想的解决方案是使用try-finally块整体包裹整个方法体，在方法开始点插入Trace.benginSection在finally块插入Trace.endSection，Java虚拟机会保证finally块的代码在try块代码结束前都会调用，可以保证Trace.benginSection和Trace.endSection的成对调用。

示例代码：


class Test {
   public void testMethod(boolean a, boolean b) {
     try {
            Trace.beginSection("com.sample.systrace.TestNewClass.testMethod.()V");
            if (!a) {
                throw new RuntimeException("test throw");
            }
            Log.e("testa", "com.sample.systrace.TestNewClass.testMethod.()V");
            if (b) {
                return;
            }
            Log.e("testb", "com.sample.systrace.TestNewClass.testMethod.()V");
        } finally {
            Trace.endSection();
        }
    }
}

在字节码层面是没有finally关键字对应的字节码指令，为了搞明白finally的具体实现逻辑，对编译的字节码反编译：


public void testMethod(boolean, boolean);
descriptor: (ZZ)V
flags: ACC_PUBLIC
Code:
  stack=3, locals=4, args_size=3
     0: ldc           #15                 // String com.sample.systrace.TestNewClass.testMethod.(ZZ)V
     2: invokestatic  #21                 // Method android/os/Trace.beginSection:(Ljava/lang/String;)V
     5: iload_1
     6: ifne          19
     9: new           #23                 // class java/lang/RuntimeException
    12: dup
    13: ldc           #25                 // String test throw
    15: invokespecial #27                 // Method java/lang/RuntimeException."<init>":(Ljava/lang/String;)V
    18: athrow    // 手动抛出异常，没有添加finally块的字节码指令
    19: ldc           #29                 // String testa
    21: ldc           #31                 // String com.sample.systrace.TestNewClass.testMethod.()V
    23: invokestatic  #37                 // Method android/util/Log.e:(Ljava/lang/String;Ljava/lang/String;)I
    26: pop
    27: iload_2
    28: ifeq          35
    31: invokestatic  #40                 // Method android/os/Trace.endSection:()V
    34: return    // if(b)如果b为true的一个return指令，上一个指令添加了invokestatic，即增加了Trace.endSection调用
    35: ldc           #42                 // String testb
    37: ldc           #31                 // String com.sample.systrace.TestNewClass.testMethod.()V
    39: invokestatic  #37                 // Method android/util/Log.e:(Ljava/lang/String;Ljava/lang/String;)I
    42: pop
    43: invokestatic  #40                 // Method android/os/Trace.endSection:()V
    46: return    // 代码正常结束点，也插入了invokestatic，即增加了Trace.endSection调用
    47: astore_3  // 开始异常处理，抛出异常之前也插入了invokestatic，即增加了Trace.endSection调用
    48: invokestatic  #40                 // Method android/os/Trace.endSection:()V
    51: aload_3
    52: athrow   
  Exception table:    // 异常表，只要行号，from-to之间字节码指令发生异常，则跳转到target行进行处理
     from    to  target type 
         0    46    47   Class java/lang/Throwable // 处理的异常类型
  LocalVariableTable:
    Start  Length  Slot  Name   Signature
        5      42     0  this   Lcom/sample/systrace/TestNewClass;
        5      42     1     a   Z
        5      42     2     b

通过从以上反编译的字节码和相关注释可知，try-finally块在字节码的实现如下：

其实本质就是一个try-catch块，catch块捕获的异常类型为Throwable；
在正常结束点（各类return指令）前，把finally块的指令冗余的添加到各类return指令之前，保证正常退出；
异常结束点处理，主动抛出异常或者运行时异常，都统一由catch块处理，会在抛出异常之前插入finally块的指令。

对应的Java代码实现：


classTest { 
   public void testMethod(boolean a, boolean b) {
    try {
      Trace.beginSection("com.sample.systrace.TestNewClass.testMethod.()V");
      if (!a) {
          throw new RuntimeException("test throw");
      }
      Log.e("testa", "com.sample.systrace.TestNewClass.testMethod.()V");
      if (b) {
          Trace.endSection();
          return;
      }
      Log.e("testb", "com.sample.systrace.TestNewClass.testMethod.()V");
      Trace.endSection();
    } catch(throwable e) {
      Trace.endSection();
      throw e;
    }
}

综上，为了保证Trace.beginSection和Trace.endSection成对调用，参考了虚拟机实现try-finally，完美的插桩方案如下：

方法开始点只有一个，在方法开始点添加Trace.beginSection即可；
方法结束点会有多个，结束点存在两种情况，正常结束和异常结束，针对正常结束点（各类return指令）前添加Trace.endSection；异常结束（主动抛出异常或者运行时异常），则用try-catch住整个方法体，catch异常类型为Throwable，在catch块中添加Trace.endSection，并且抛出捕获的异常。

丨 3.3 监控系统类方法

自动插桩方案，只能对APP的代码编译的字节码进行插桩，由于Android系统和Java提供的系统类的字节码不参与打包，不能进行插桩，但还是想监控系统相关的类的一些不合理的调用。比如在主线程调用Object.wait，强制主线程进行等待，放弃CPU的使用权，线程进入sleep状态，等待其他线程notify或者wait的超时，可能会导致严重的性能问题。

为了监控此系统类问题，需要把调用系统Object.wait的代码，前后进行插桩，如下所示：


boolean isMain = Looper.getMainLooper() == Looper.myLooper();
  try {
      if (isMain) {
          Trace.beginSection("Main Thread Wait");
      }
      lock.wait(timeout, nanos);
  } finally {
      if (isMain) {
          Trace.endSection();
      }
  }

直接在每个方法里调用了Object.wait的方法调用处进行以上的插桩逻辑，插桩实现异常复杂，容易出错，而且这种实现会在每个Object.wait调用处进行相同逻辑的插桩，会增加指令数量，导致包体积增加。

为了实现Object.wait方法监控，同时减少插桩复杂读，最终决定采用字节码指令替换的方案，即在字节码层面把调用Object.wait方法指令，替换成自定义的wait方法，功能和系统的wait一样，只是添加了自定义的Trace。

Object类定义的wait方法有三个：


boolean isMain = Looper.getMainLooper() == Looper.myLooper();
  try {
      if (isMain) {
          Trace.beginSection("Main Thread Wait");
      }
      lock.wait(timeout, nanos);
  } finally {
      if (isMain) {
          Trace.endSection();
      }
  }

重写后的自定义的增加监控的wait方法，增加Trace监控代码，最终还是调用系统的Object.wait方法：


public static void wait(Object lock, long timeout, int nanos) throws InterruptedException {
    // 监控主线程wait
    boolean isMain = Looper.getMainLooper() == Looper.myLooper();
    try {
        if (isMain) {
            Trace.beginSection("Main Thread Wait");
        }
        lock.wait(timeout, nanos);
    } finally {
        if (isMain) {
            Trace.endSection();
        }
    }
}

public static void wait(Object lock) throws InterruptedException {
    wait(lock, 0L, 0);
}

public static void wait(Object lock, long timeout) throws InterruptedException {
    wait(lock, timeout, 0);
}

在字节码里调用类方法指令有：INVOKEVIRTUAL（调用类实例方法）、INVOKESTATIC（调用静态方法）、INVOKESPECIAL（调用构造函数），这里我们主要关注下INVOKEVIRTUAL和INVOKESTATIC。

方法调用主要有两步：

参数加载，按照参数顺序从左到右加载方法指令的依赖的参数到操作数栈；
方法调用，执行INVOKEVIRTUAL或者INVOKESTATIC，指定类名、方法名、方法签名，调用方法。

其中INVOKEVIRTUAL是类实例方法调用，需要依赖对象引用，最先入操作数栈的是类对象引用，然后才是方法参数。

调用Object.wait(long timeout, int nanos)的字节码指令：


ALOAD 4 # 加载对象引用
LLOAD 1 # 加载long timeout
ILOAD 3 # 加载int nanos
INVOKEVIRTUAL java/lang/Object.wait (JI)V # 调用Object实例方法

重写的wait方法是静态方法，有个细节，第一个入参必须是一个Object对象，不能换位置，对应字节码：

ALOAD 4 # 加载对象引用
LLOAD 1 # 加载long timeout
ILOAD 3 # 加载int nanos
INVOKESTATIC com/baidu/systrace/SystraceInject.wait (Ljava/lang/Object;JI)V # 调用SystraceInject.wait的静态方法

从上面的字节码分析，自定义方法SystraceInject.wait参数和系统方法Object.wait参数顺序保持一致，保证操作数栈入栈顺序一致，参数加载流程一致，所以，我们只需要替换方法调用指令即可实现替换，遍历APP所有方法的字节码指令，替换方法目标wait方法调用的指令，INVOKEVIRTUAL java/lang/Object.wait (JI)V 替换为 INVOKESTATIC com/baidu/systrace/SystraceInject (Ljava/lang/Object;JI)V，即可实现监控主线程wait问题。

同理，其他需要动态替换的系统类也可用相同的方式进行替换，也可实现对系统方法调用的监控。

丨 3.4 包尺寸和性能问题

自动插桩工具会对百度APP所有方法进行插桩，会导致包尺寸增加10M左右大小，为了减少包尺寸，需要对插桩的方法进行一些过滤，如一些确定不耗时的方法，比如简单的get、set方法、空方法。

在分析的过程中，还发现一些插桩导致的性能问题，如下图所示：

EventBus组件使用rxjava实现，调用层级非常深，在分析的过程中会认为EventBus组件非常耗时，但是经过优化EventBus组件，自定义实现了一套高性能的EventBus组件，通过AB实验查看整个启动流程只快了50ms，收益没有预期的大。

通过源码分析，收集App的trace，java/kotlin使用android.os.Trace，把trace信息最终会写入/sys/kernel/tracing/trace_marker中，写入ftrace RingBuffer。这种方式有一定的性能损耗，这是因为每个事件都涉及到一个字符串化、一个JNI调用，以及一个用户空间<->内核空间的写入trace_marker的系统调用（最耗时的部分）。

为解决此类问题，在自动插桩工具增加黑名单机制，可通过配置文件，配置类名或者包名，指定类或者包下的所有类不进行插桩，达到减少性能损耗和包体积的效果。

四. Trace自动分析工具

Trace自动分析工具主要是为了提升分析效率，基于基准版本自动化分析耗时劣化和锁问题。工具基于Trace Processor提供的Python API，可自己写SQL脚本查询内存数据库表中的Trace数据。

百度APP基于Trace Processor开发了一系列的自动分析工具集：

分析大于指定耗时阈值的方法列表；
对比分析版本耗时劣化、新增耗时问题；
支持统计TOP N异步线程CPU耗时；
支持分析主线程锁问题（monitor contention 前缀）；

丨 4.1 核心表

自动化分析是基于内存数据库表，其使用的核心表如下：

自动分析使用的表

process：进程信息表，通过进程名，可拿到内存表中进程唯一upid；

thread：线程信息表，通过upid可以查询到进程下的所有线程，同时线程唯一表示使用utid表示；

thread_track：线程上下文，和utid绑定，可以通过track_id关联slice表，表示指定线程下的时间片事件；

sched_slice：cpu调度线程表，一条记录表示cpu调度一个线程的时间片，可用于计算线程被cpu调度时长，表结构：

列名	类型	描述
id	SchedSliceTable::Id	id
type	string	事件类型
ts	int64_t	开始调度时间戳，单位：nanoseconds
dur	int64_t	cpu调度时长，单位：nanoseconds
utid	uint32_t	线程唯一表示utid
cpu	uint32_t	调度的cpu编号
end_state	string	线程结束状态
priority	int32_t	调度优先级

slice：线程时间片表，和线程关联，关联一个track_id，记录用户空间的线程时间片事件，可用统计方法耗时，表结构：

列名	类型	描述
id	SchedSliceTable::Id	id
type	string	事件类型
ts	int64_t	开始调度时间戳，单位：nanoseconds
dur	int64_t	时间片时长，单位：nanoseconds
arg_set_id	uint32_t
track_id	TrackTable::Id	thread_track表id，表示关联的线程
category	string	slice的类别
name	string	Trace#beginSection(name)，写入的字符串，可以是方法签名
depth	uint32_t	表示当前调用的深度
stack_id	int64_t
parent_stack_id	int64_t
parent_id	SchedSliceTable::Id	上层的slice的id

丨 4.2 方法耗时统计

分析性能问题，最重要的是统计方法耗时，自动化分析工具统计方法耗时有两种口径：

Wall Duration：方法整体耗时，包含等待CPU调度（sleep、等待IO、时间片耗尽）和CPU执行方法指令耗时，统计方法实际运行时长；

CPU Duration：CPU执行方法指令耗时，不包含等待调度的时间，统计方法自身指令执行的真实耗时；

Wall Duration = CPU Duration + 等待调度时长，通过分析方法的Wall Duration和CPU Duration可以分析出方法耗时是因为方法自身逻辑耗时，还是因为执行过程中存在锁、IO或者线程抢占的问题。

丨 Wall Duration统计

Wall Duration是根据slice表中的dur字段统计方法整体耗时；

丨 CPU Duration统计

CPU Duration统计需要结合slice表和sched_slice表动态计算，CPU调度的最小单位是线程，方法运行在线程，所以计算方法CPU耗时的思路就是统计在方法运行这段时间，所有CPU调度方法所在线程的累积时长，即为方法的CPU执行耗时。slice表，统计了方法开始时间戳、时长和track_id(可通过thread_track表找到对应的线程Id)，可确定线程Id、开始和结束时间戳；sched_slice表包含了CPU调度线程信息，包括调度的CPU编号、线程id、时长和开始时间戳，通过线程Id、开始和结束时间戳，可以把这段时间内调度指定线程Id的记录，累加即可，需要注意处理一些边际条件。如下图所示，CPU duration需要把sched_slice1和sched_slice2累加。

丨 4.3 问题分析

百度APP目前自动化trace分析主要分析主线程耗时劣化，分析方法是基于一个基准版本（如线上版本release分支包）做为参照，与测试版本的每个主线程调用进行对比分析。自动分析支持分析以下几类问题：

丨主线程锁

主要分析synchronize关键字导致的锁问题，虚拟机会通过atrace添加Trace信息，Trace信息有固定前缀monitor contention，并且会说明占用锁的线程ID，直接分析slice表name字段前缀为monitor contention。

丨方法耗时劣化

此类问题关注的是主线程的方法耗时劣化，通过对比基准版本和测试版本，耗时劣化是指测试的版本对比基准版本耗时有增加，到了一定阈值（当前阈值10ms），会认为是耗时劣化问题。

丨方法CPU耗时劣化

此类问题劣化问题和方法耗时劣化类似，统计的是方法的CPU耗时。

丨新增方法耗时

此类问题关注的是主线程的新增方法耗时，测试版本新增方法的耗时到达一定阈值（目前是5ms），会认为是新增耗时问题。

五. 最佳实践

百度APP基于自动插桩工具和Trace自动化分析工具，构建了一套线下防劣化监控流水线，流程如下：

其中的打包流程使用的是自动插桩工具，Trace自动分析用的是Trace自动分析工具。流水线自动打包，自动启动测试抓取trace，自动化分析和根据堆栈自动分发问题，无需人工介入，只需投入很少人力处理一些需要豁免的问题（方法改名、系统锁、线程调度问题等），对比之前单次性能人工测试和人工分析需要2人天，极大提升了效率。

性能测试报告：

报告中的指标计算和问题分析都是有Trace自动化分析工具产出，同时问题详情会有详细的劣化数据和堆栈，能快速定位劣化问题。

六. 小结

百度APP启动性能工具基于perfetto结合自动插桩和自动化分析能力，支持采集APP全Java/kotlin方法Trace日志，同步支持自动化分析劣化问题，能极大提升效率。由于是全Java/kotlin方法插桩还存在影响包体积问题，同时采集trace也存在一定性能损耗，后续还需要持续优化（继续减少不必要插桩、控制采集层级、接入Perfetto SDK采集等）。

参考资料

[1] Perfetto官方文档：

https://perfetto.dev/docs/

[2] Perfetto源码：

https://github.com/google/perfetto

[3] Ftrace原理解析：

https://blog.csdn.net/u012489236/article/details/119494200

[4] Ftrace官方文档：

https://www.kernel.org/doc/html/latest/trace/ftrace.html

[5] Linux内核源码：

https://elixir.bootlin.com/linux/latest/source/kernel/trace/trace.c#L8783