大量分析追蹤記錄

使用 ProfilingManager 收集多個追蹤記錄後，逐一探索這些記錄來找出效能問題，並非實際可行的做法。大量追蹤記錄分析可讓您同時查詢追蹤記錄資料集，以便：

• 找出常見的效能迴歸。
• 計算統計分布 (例如 P50、P90、P99 延遲時間)。
• 找出多個追蹤記錄的模式。
• 找出異常追蹤記錄，瞭解及偵錯效能問題。

本節說明如何使用 Perfetto Python 批次追蹤處理器，分析一組儲存在本機的追蹤記錄中的啟動指標，並找出離群值追蹤記錄，以便進一步分析。

設計查詢

首先，建立 PerfettoSQL 查詢，擷取要比較的指標。以下範例測量從 activityStart 到第一個算繪影格 (Choreographer#doFrame) 的應用程式控制啟動延遲時間，如圖 1 所示。

注意：執行大量查詢前，請先在 Perfetto UI 中對單一追蹤記錄進行測試，驗證結果。

圖 1. 從 activityStart 到第一個生成影格的追蹤記錄區段。

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 UI 中執行查詢，然後使用查詢結果產生偵錯追蹤記錄 (圖 2)，並在時間軸中以視覺化方式呈現 (圖 3)。

圖 2. 為啟動查詢建立偵錯追蹤記錄。

圖 3. 已為啟動查詢產生偵錯追蹤記錄。

設定 Python 環境

在本機電腦上安裝 Python 和必要程式庫：

pip install perfetto pandas plotly

建立大量追蹤記錄分析指令碼

下列指令碼範例使用 Perfetto 的 Python BatchTraceProcessor，在多個追蹤記錄中執行查詢。

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()

瞭解指令碼

執行 Python 指令碼時，系統會執行下列動作：

1. 指令碼會在本機目錄中搜尋所有後置字串為 .perfetto-trace 的 Perfetto 追蹤記錄，並將這些記錄做為分析的來源追蹤記錄。
2. 這項工具會執行大量追蹤記錄查詢，計算啟動時間的子集，也就是從 activityStart 追蹤記錄切片到應用程式產生第一個影格的時間。
3. 系統會使用小提琴圖繪製延遲時間 (以毫秒為單位)，以視覺化方式呈現啟動時間分布情形。

解讀結果

圖 4. 查詢啟動延遲時間的小提琴圖。

執行指令碼後，系統會產生小提琴圖，顯示具有兩個明顯延遲高峰的雙峰分布 (圖 4)。將滑鼠游標懸停在圖表中的個別資料點上，即可檢查 _path 檔案名稱，並比較各個峰值的追蹤記錄 (圖 5)：

• 高延遲追蹤記錄 (右側峰值)：在 Perfetto UI 中開啟這個群組的追蹤記錄，會顯示在啟動期間執行的額外 MyFlaggedFeature 切片 (圖 6)。
• 低延遲追蹤記錄 (左側峰值)：從較快的群組開啟追蹤記錄，確認沒有 MyFlaggedFeature (圖 7)，表示為部分使用者啟用的功能旗標導致啟動迴歸。

圖 5. 小提琴圖中的高延遲資料點。

圖 6.高延遲追蹤記錄啟動，並額外顯示 MyFlaggedFeature 切片。

圖 7. 低延遲追蹤啟動。

這個範例說明如何使用大量追蹤記錄分析，其他用途包括從欄位中擷取統計資料來評估影響、偵測迴歸等。

注意：本機批次追蹤記錄處理器 Python API 可分析數十或數百個追蹤記錄，具體取決於可用記憶體。如要分析數千筆追蹤記錄，請參閱 Perfetto Bigtrace 說明文件。