西瓜视频稳定性治理体系建设三：Sliver 原理及实践-优快云博客

西瓜视频稳定性治理体系系列文章

背景

卡顿和 ANR 问题一直是 Android 性能优化的重点问题，直接关系到用户体验。当主线程的消息执行耗时过长时，轻则出现不流畅，不跟手，重则有肉眼可见的卡顿感，最严重则是发生 ANR，系统会弹出弹窗提示用户等待或关掉程序，严重影响用户体验。

对于卡顿的监控，现有的方案大多是在消息执行前埋点，当消息耗时过长时进行抓栈操作，ANR 的监控则是通过监听 SIGQUIT 信号并判断进程状态，在 ANR 时拿到各线程堆栈及各类辅助信息来定位问题。这种抓堆栈的方案对于单点长耗时是有效果的，比如锁等待和死锁，但是对于由多个消息和函数耗时累积造成的 ANR，一次堆栈是无法定位问题的，所以经常会出现 ANR 堆栈不准的情况。

西瓜视频的 Android TOP 1 ANR 就是聚类到了 nativePollOnce，根据 ANR 前的消息调度耗时可以看到存在许多长耗时消息，这些长消息是造成 ANR 的根本原因，而不是真的阻塞在了 nativePollOnce。分析发现其实这部分问题都是由于抓栈时机滞后导致的，从感知到 ANR 到完成抓栈存在一定的时间间隔，很容易错过现场，而 nativePollOnce 是主线程中执行频率最高的函数，抓栈很容易落到这里，所以导致很多 ANR 都是 nativePollOnce 的堆栈。另外传统的监控方案对于多个耗时消息累积导致的 ANR 也很难做到有效监控，单次抓栈大概率无法明确问题。所以如果能拿到 ANR 前的一段时间的 Method Trace，那么就能看到主线程到底在做什么，进而准确定位问题。

现状

Android 可用的 trace 工具有很多，如 Android Studio 的 Profiler（与代码内的 Debug.startMethodTracing 效果类似），Uber 开源的 Nanoscope，Facebook 开源的 Profilo，Systrace 也可以统计一些关键节点的耗时。按照各个工具抓取函数耗时的实现原理，可以分为两类：埋点型和采样型。

埋点型

Systrace、Debug.startMethodTracing 和 Nanoscope 都属于埋点型，埋点型就是在函数执行的出入口记录时间和方法名，这样就能获取到程序运行时都执行了哪些方法和对应的耗时。

Systrace 是分析系统性能的工具，包含了 CPU、IO、内核运行信息等。Systrace 通过一些关键路径上的埋点，抓取的时候拿到这些关键路径的耗时，将数据结合起来对性能做综合分析。Systrace 抓取 App 函数耗时需要额外进行埋点适配（Trace.traceBegin 与 Trace.traceEnd），且 Framework 的绝大部分函数无法抓取。
Debug.startMethodTracing 是在 ArtMethod 的解释器出入口做了埋点，在虚拟机内设置了一个 instrumentation 监听函数的进入与退出，当函数是解释执行时，就可以获取到函数执行耗时。但此方案仅限于解释执行，所以为了抓取到完整的 trace，开启该功能时，虚拟机会将目标应用设置成仅解释执行，禁用掉机器码执行和 JIT，这样会严重影响运行性能，得到的数据也会失真。
Nanoscope 不同于其他两类方案，它不仅在解释器中埋点，还对编译器做了修改，当函数被编译成机器码时，会在方法的出入口增加机器码逻辑，用来记录编译后的方法的执行。这样做的好处就是，无需限制程序为解释执行，性能得到了保障，但由于修改了编译器代码，所以需要刷定制后的 ROM 才能使用 Nanoscope，失去了通用性。

除了这三种方案外，直接通过字节码插桩对应用内方法加埋点也可以达到目的，但是插桩会导致性能损耗、占用内存以及包大小增加的问题，且无法支持 Framework 堆栈，这里不再详细讨论。

采样型

Debug.startMethodTracingSampling 和 Profilo 属于采样型，其原理是每隔一定的时间，抓取一次线程的堆栈，通过在程序运行时不断的抓取，最终组合形成 trace 数据。

Debug.startMethodTracingSampling 是通过创建一个独立线程，在循环内对所有线程进行抓栈并记录数据。该方案每次抓栈前都会 SuspendAll，等待所有线程抓栈完毕再 ResumeAll，并且在线程挂起时间内，还要进行堆栈的处理，以及文件的写入，导致每次采样所有线程都需要等待很长时间，性能损耗较大。
Profilo 的方案较为新颖，创建定时器不断的向目标线程发送 SIGPROF 信号，在注册的信号回调内执行抓栈操作。这样做的好处是性能损耗较低，可以直接在当前线程抓栈，损耗近似为抓栈耗时，缺点是方案复杂适配成本高，Profilo 的抓栈方案使用了大量的固定偏移，兼容性稳定性以及后续扩展性较差。

采样抓栈的限制也比较明显，采样间隔过大，trace 的精度会变低，而采样间隔过小，性能损耗就会增大。优点是可控性强，大部分情况下短耗时函数我们并不关心，而合适的采样间隔可以保证只监控长耗时函数。