批量跟踪分析

使用 ProfilingManager 收集多个轨迹后，逐个探索这些轨迹以查找性能问题变得不切实际。借助批量轨迹分析，您可以同时查询轨迹数据集，以：

• 识别常见的性能回归问题。
• 计算统计分布（例如，P50、P90、P99 延迟时间）。
• 查找多个轨迹中的模式。
• 查找离群轨迹，以了解和调试性能问题。

本部分演示了如何使用 Perfetto Python 批量轨迹 处理器分析一组本地存储的轨迹中的启动指标 并找到离群轨迹以进行更深入的分析。

设计查询

执行批量分析的第一步是创建 PerfettoSQL 查询。

在本部分中，我们将提供一个用于衡量应用启动延迟时间的示例查询。 具体而言，您可以衡量从 activityStart 到生成第一帧（首次出现 Choreographer#doFrame 切片）的时长，以衡量应用启动延迟时间（在应用控制范围内）。图 1 显示了要查询的部分。

注意： 在运行批量轨迹查询之前，我们建议您在 Perfetto 界面中对单个轨迹测试 SQL 查询，以验证结果。

图 1. 从 `activityStart` 到生成第一帧的轨迹部分。

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)

您可以在 Perfetto 界面中执行查询，然后使用查询 结果生成调试轨迹（图 2）并在 时间轴内直观呈现（图 3）。

图 2. 为启动查询创建调试轨迹。

图 3. 为启动查询生成的调试轨迹。

设置 Python 环境

在本地机器上安装 Python 及其必需的库：

pip install perfetto pandas plotly

创建批量轨迹分析脚本

以下示例脚本使用 Perfetto 的 Python BatchTraceProcessor在多个轨迹中执行查询。

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()

了解脚本

运行 Python 脚本时，它会执行以下操作：

1. 该脚本会在本地目录中搜索所有以 .perfetto-trace 为后缀的 Perfetto 轨迹，并将它们用作分析的源轨迹。
2. 它会运行批量轨迹查询，以计算与从 activityStart 轨迹切片到应用生成的第一帧的时间对应的启动时间子集。
3. 它会使用小提琴图绘制以毫秒为单位的延迟时间，以直观呈现启动时间的分布情况。

解释结果

图 4. 查询到的启动延迟时间的小提琴图。

执行脚本后，该脚本会生成一个图。在本例中，该图显示了具有两个不同峰值的双峰分布（图 4）。

接下来，找出这两个群体之间的差异。这有助于您更详细地检查各个轨迹。在本示例中，该图的设置方式是，当您将鼠标悬停在数据点（延迟时间）上时，可以识别轨迹文件名。然后，您可以打开属于高延迟时间组的其中一个轨迹。

当您打开高延迟时间组中的轨迹（图 5）时，您会发现一个名为 MyFlaggedFeature 的额外切片在启动期间运行（图 6）。 相反，从低延迟时间群体（最左侧的峰值）中选择轨迹会确认缺少相同的切片（图 7）。此比较表明，为部分用户启用的特定功能标志会触发回归。

图 5. 小提琴图中的高延迟时间数据点。

图 6. 高延迟时间轨迹启动，并包含额外的 `MyFlaggedFeature` 切片。

图 7. 低延迟时间轨迹启动。

此示例演示了使用批量轨迹分析的众多方法之一。 其他用例包括从字段中提取统计信息以衡量影响、检测回归等。

**注意**： 本地批量轨迹处理器 Python API可以分析数十个或 数百个轨迹。不过，其可扩缩性取决于计算机的 内存。如需分析数千个轨迹，请参阅 Perfetto Bigtrace 文档 以部署可扩缩的集群。