批量跟踪分析

使用 ProfilingManager 收集多个跟踪记录后，逐个探索这些跟踪记录以查找性能问题变得不切实际。通过批量跟踪分析，您可以同时查询跟踪记录数据集，以便：

• 识别常见的性能回归。
• 计算统计分布（例如 P50、P90、P99 延迟时间）。
• 在多个跟踪记录中查找模式。
• 查找离群跟踪记录，以了解和调试性能问题。

本部分演示了如何使用 Perfetto Python 批量跟踪记录处理器分析一组本地存储的跟踪记录中的启动指标，并找出离群跟踪记录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，您可以测量从 activityStart 到生成的第一个帧（Choreographer#doFrame 切片的首次出现）的时长，以测量应用控制范围内的应用启动延迟时间。图 1 显示了要查询的部分。

注意： 在运行批量跟踪记录查询之前，我们建议您先在 Perfetto 界面中对单个跟踪记录测试 SQL 查询，以验证结果。

图 1. 从“activityStart”到生成的第一帧的跟踪记录部分。

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），并在时间轴中直观呈现（图 3）。

图 2. 为启动查询创建调试轨道。

图 3. 为启动查询生成了调试跟踪记录。

设置 Python 环境

在本地机器上安装 Python 及其所需的库：

pip install perfetto pandas plotly

创建批量跟踪分析脚本

以下示例脚本使用 Perfetto 的 Python BatchTraceProcessor 在多个跟踪记录中执行查询。

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后缀为 .perfetto-trace 的所有 Perfetto 轨迹，并将其用作分析的源轨迹。
2. 它会运行批量跟踪查询，计算启动时间中对应于从 activityStart 跟踪切片到应用生成的第一个帧的时间的子集。
3. 它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. 查询的启动延迟时间的小提琴图。

执行脚本后，脚本会生成一个图。在这种情况下，图表会显示具有两个明显峰值的双峰分布（图 4）。

接下来，找出两个总体之间的差异。这有助于您更详细地检查各个跟踪记录。在此示例中，图表已设置好，当您将鼠标悬停在数据点（延迟时间）上时，可以识别跟踪文件名。然后，您可以打开高延迟组中的一个跟踪记录。

当您打开高延迟组中的跟踪记录（图 5）时，您会发现启动期间运行了一个名为 MyFlaggedFeature 的额外切片（图 6）。 相反，从延迟时间较短的群体（最左侧的峰值）中选择一个跟踪记录，可以确认该切片不存在（图 7）。此比较表明，为一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数据点。

图 6. 高延迟跟踪记录启动，其中包含一个额外的“MyFlaggedFeature”切片。

图 7. 低延迟跟踪启动。

此示例演示了使用批量跟踪分析的众多方法之一。 其他应用场景包括从现场提取统计信息以衡量影响、检测回归等。

注意： 本地批量跟踪记录处理器 Python API 可以分析数十或数百个跟踪记录。不过，其可伸缩性取决于计算机的内存。如需分析数千个跟踪记录，请参阅 Perfetto Bigtrace 文档来部署可扩缩的集群。