阅读本文大约需要4.5分钟。
背景
当一个应用的用户越来越多,业务越来越复杂,性能问题就会突显,特别是在低端机上的用户感受尤为明显,甚至会影响到应用的用户活跃度、停留时长等重要指标,提升应用在中低端机上的性能迫在眉睫。如何来对研发同学的优化做出合理的评测我们需要思考下面两点:
要避免“运动式”性能优化, 有不少团队在投入了大量时间和精力对应用进行专项治理之后,由于缺少常态化的管控和治理手段,最终导致性能震荡式波动恶化;
线上的埋点日志数据不能完全反应用户对应用的真实体验和感受;
而影响用户体验最重要的一个指标就是启动耗时(启动+首屏),特别是应用拉新的时候,关于如何测量启动耗时,一般有两个方向:一是通过技术埋点,但基于技术埋点记录数据很难衡量用户真实体感(线上统计数据好?真实体感却差?),而且也无法基于技术埋点获取竞品数据;另一个是通过录屏分帧测试,但是人工录屏逐帧分析会有人为感知误差(结束位边界认知不一致),而且人工性能专项测试持续交付ROI不高,比如录制10次,抽取关键帧取平均值,差不多要花费将近一个小时,采样次数越多,耗时越久。由于最近一段时间在看机器学习的书,所以在想能不能拿这个案例来实践一下。
在此之前我也调研了一下业内已有的类似方案:有通过OCR文字识别的、也有通过图像对比的,其中图像对比的方案如果是整图对比,视频启动过程中的广告、首页海报是变化的,这样无法准确识别;另外如果是部分对比,那么应用完整启动后第一屏不完全展示的地方,每次不一定在同一处,于是我参考了各种方案后,结合自己的想法,就把整个方案实现了一遍,接下来详细介绍一下此方案。
整体流程
阶段一主要是采集数据,将视频转换为图片,生成训练数据和测试数据
阶段二主要是训练模型
阶段三主要是通过训练好的模型进行预测并计算启动时间
环境准备
由于整个方案我是通过Python实现的,所以本地需要安装好Python环境,这里我使用的是Mac电脑所以默认带的Python环境,但如果要用到Python3需要自己升级,另外要安装pip工具:
brew install pip3
安装scikit-learn,一个简单的机器学习框架,以及依赖的科学计算软件包numpy和算法库scipy:
pip3 install scikit-learn
pip3 install numpy
pip3 install scipy
图片处理库OpenCV和imutils:
pip3 install opencv-contrib-python
pip3 install imutils
对视频文件进行分帧处理的ffmpeg:
brew install ffmpeg
安装airtest框架(网易的一个跨平台的UI自动化框架):
pip3 install -U airtest
安装poco框架(网易的一个跨平台的UI自动化框架):
pip3 install pocoui
注意:需要将Android手机开发者选项中的触摸反馈开关打开,这样就可以准确识别出点击应用icon的时刻。
阶段一
首次安装
由于应用第一次安装会有各种权限弹框,为了避免影响测试准确性,我们需要把第一次安装时候的弹框点掉,然后杀掉应用重新启动计算冷启动时间。
另外要模拟用户真实体感,首先要模拟用户真实的点击应用启动的过程,这时候不能通过adb直接唤起应用,我是通过poco框架来实现点击桌面应用icon的。
poco = AndroidUiautomationPoco()
poco.device.wake()
poco(text='应用名字').click()
poco(text='下一步').click()
poco(text='允许').click()
poco(text='允许').click()
poco(text='允许').click()
os.system("adb shell am force-stop {}".format(package_name))
启动录屏
用adb命令开启录屏服务,—time-limit 20 表示录屏20秒,一般情况下20秒启动加首页基本能完成,如果是在低端机上可以适当延长时间。
录屏通过单独线程启动。
subprocess.Popen("adb shell screenrecord --time-limit 20 /sdcard/sample.mp4", shell=True, stdout=subprocess.PIPE, stderr=subprocess.STDOUT)
启动应用
测试前对被测应用进行安装,然后在点击完权限弹框后,杀掉进程重新点击桌面icon启动应用。
os.system("adb install -r {}".format(apk_path))
poco(text="应用名字").click()
等录屏结束后杀掉进程,然后重复上面的启动过程,根据采样率决定重复几次。
os.system("adb shell am force-stop {}".format(package_name))
视频分帧
将录制好的视频从手机中拉取到本地,然后通过ffmpeg进行分帧处理。
os.system("adb pull /sdcard/sample.mp4 {}".format(video_local_path))
os.system("ffmpeg -i {} -r 60 {}%d.jpeg".format(video_local_path, test_path))
-r 指定抽取的帧率,即从视频中每秒钟抽取图片的数量。60代表每秒抽取60帧。
提取训练集和测试集数据
我们一般把数据按照80%和20%的比例分为训练集和测试集,这里我们可以录制10组数据,把其中8组作为训练集,2组作为测试集。
阶段二
人工标注训练集数据
由于我们是通过图片分类算法来对启动各个阶段进行识别的,所以首先要定义启动的阶段都有哪些,这里我分为5个阶段:
0_desk:桌面阶段
1_start:点击icon图标的阶段
2_splash:闪屏页出现的阶段
3_loading:首页加载的阶段
4_stable:首页渲染稳定的阶段
由于应用还会有广告页、业务弹框、首页动态变化等,这些暂时先忽略,不影响整体的测试思路。
特征提取与描述子生成
这里选择SIFT特征,SIFT特征具有缩放、旋转、光照不变性,同时对图像几何变形有一定程度的鲁棒性,使用Python OpenCV扩展模块中的SIFT特征提取接口,就可以提取图像的SIFT特征点与描述子。
词袋生成
词袋生成,是基于描述子数据的基础上,生成一系列的向量数据,最常见就是首先通过K-Means实现对描述子数据的聚类分析,一般会分成100个聚类、得到每个聚类的中心数据,就生成了100个词袋,根据每个描述子到这些聚类中心的距离,决定了它属于哪个聚类,这样就生成了它的直方图表示数据。
SVM分类训练与模型生成
使用SVM进行数据的分类训练,得到输出模型,这里通过sklearn的线性SVM实现了分类模型的训练与导出。
import cv2
import imutils
import numpy as np
import os
from sklearn.svm import LinearSVC
from sklearn.externals import joblib
from scipy.cluster.vq import *
from sklearn.preprocessing import StandardScaler
# Get the training classes names and store them in a list
train_path = "dataset/train/"
training_names = os.listdir(train_path)
# Get all the path to the images and save them in a list
# image_paths and the corresponding label in image_paths
image_paths = []
image_classes = []
class_id = 0
for training_name in training_names:
dir = os.path.join(train_path, training_name)
class_path = imutils.imlist(dir)
image_paths += class_path
image_classes += [class_id] * len(class_path)
class_id += 1
# 创建SIFT特征提取器
sift = cv2.xfeatures2d.SIFT_create()
# 特征提取与描述子生成
des_list = []
for image_path in image_paths:
im = cv2.imread(image_path)
im = cv2.resize(im, (300, 300))
kpts = sift.detect(im)
kpts, des = sift.compute(im, kpts)
des_list.append((image_path, des))
print("image file path : ", image_path)
# 描述子向量
descriptors = des_list[0][1]
for image_path, descriptor in des_list[1:]:
descriptors = np.vstack((descriptors, descriptor))
# 100 聚类 K-Means
k = 100
voc, variance = kmeans(descriptors, k, 1)
# 生成特征直方图
im_features = np.zeros((len(image_paths), k), "float32")
for i in range(len(image_paths)):
words, distance = vq(des_list[i][1], voc)
for w in words:
im_features[i][w] += 1
# 实现动词词频与出现频率统计
nbr_occurences = np.sum((im_features > 0) * 1, axis=0)
idf = np.array(np.log((1.0 * len(image_paths) + 1) / (1.0 * nbr_occurences + 1)), 'float32')
# 尺度化
stdSlr = StandardScaler().fit(im_features)
im_features = stdSlr.transform(im_features)
# Train the Linear SVM
clf = LinearSVC()
clf.fit(im_features, np.array(image_classes))
# Save the SVM
print("training and save model...")
joblib.dump((clf, training_names, stdSlr, k, voc), "startup.pkl", compress=3)
预测验证
加载预先训练好的模型,使用模型在测试集上进行数据预测,测试结果表明,对于启动阶段的图像分类可以获得比较好的效果。
下面是预测方法的代码实现:
import cv2 as cvimport numpy as npfrom imutils import pathsfrom scipy.cluster.vq import *from sklearn.externals import joblibdef predict_image(image_path, pkl): # Load the classifier, class names, scaler, number of clusters and vocabulary clf, classes_names, stdSlr, k, voc = joblib.load("eleme.pkl") # Create feature extraction and keypoint detector objects sift = cv.xfeatures2d.SIFT_create() # List where all the descriptors are stored des_list = [] im = cv.imread(image_path, cv.IMREAD_GRAYSCALE) im = cv.resize(im, (300, 300)) kpts = sift.detect(im) kpts, des = sift.compute(im, kpts) des_list.append((image_path, des)) descriptors = des_list[0][1] for image_path, descriptor in des_list[0:]: descriptors = np.vstack((descriptors, descriptor)) test_features = np.zeros((1, k), "float32") words, distance = vq(des_list[0][1], voc) for w in words: test_features[0][w] += 1 # Perform Tf-Idf vectorization nbr_occurences = np.sum((test_features > 0) * 1, axis=0) idf = np.array(np.log((1.0 + 1) / (1.0 * nbr_occurences + 1)), 'float32') # Scale the features test_features = stdSlr.transform(test_features) # Perform the predictions predictions = [classes_names[i] for i in clf.predict(test_features)] return predictions
阶段三
采集新的启动视频
和阶段一采用的方式一样。
用模型进行预测
和阶段二预测验证的做法一样。
计算启动时间
根据预测结果,确定点击应用icon阶段的图片和首页渲染稳定之后的图片,获取两个图片直接的帧数差值,如果前面以60帧抽取图片,那么总耗时 = 帧数差值 * 1/60,具体计算这部分的代码实现如下:
from airtest.core.api import *from dingtalkchatbot.chatbot import DingtalkChatbotfrom poco.drivers.android.uiautomation import AndroidUiautomationPocowebhook = 'https://oapi.dingtalk.com/robot/send?access_token='robot = DingtalkChatbot(webhook)def calculate(package_name, apk_path, pkl, device_name, app_name, app_version): sample = 'sample/screen.mp4' test_path = "dataset/test/" if not os.path.isdir('sample/'): os.makedirs('sample/') if not os.path.isdir(test_path): os.makedirs(test_path) try: os.system("adb uninstall {}".format(package_name)) os.system("adb install -r {}".format(apk_path)) poco = AndroidUiautomationPoco() poco.device.wake() time.sleep(2) poco(text='应用名').click() poco(text='下一步').click() poco(text='允许').click() poco(text='允许').click() poco(text='允许').click() os.system("adb shell am force-stop {}".format(package_name)) subprocess.Popen("adb shell screenrecord --time-limit 20 /sdcard/sample.mp4", shell=True, stdout=subprocess.PIPE, stderr=subprocess.STDOUT) poco(text="应用名").click() time.sleep(20) os.system("adb pull /sdcard/sample.mp4 {}".format(sample)) os.system("adb uninstall {}".format(package_name)) os.system("ffmpeg -i {} -r 60 {}%d.jpeg".format(sample, test_path)) image_paths = [] class_path = list(paths.list_images(test_path)) image_paths += class_path start = [] stable = [] for image_path in image_paths: predictions = predict_image(image_path, pkl) if predictions[0] == '1_start': start += [str(image_path.split('/')[2]).split('.')[0]] elif predictions[0] == '4_stable': stable += [str(image_path.split('/')[2]).split('.')[0]] start_time = int(sorted(start)[0]) stable_time = int(sorted(stable)[0]) print("耗时:%.2f 秒" % ((stable_time - start_time) / 60)) robot.send_text( msg="启动耗时自动化测试结果:\n被测设备:{}\n被测应用:{}\n被测版本:{}\n".format(device_name, app_name, app_version) + "启动耗时:%.2f 秒" % ( (stable_time - start_time) / 60), is_at_all=True) except: shutil.rmtree(test_path) if os.path.exists(sample): os.remove(sample)if __name__ == "__main__": calculate("package_name", "app/app-release.apk", "startup.pkl", "小米MIX3", "应用名", "10.1.1")
持续集成
根据上面测试方法提供的参数,通过Jenkins配置任务,训练好模型,将以上三个阶段通过Python脚本的形式封装好,另外再配置好WebHook跟打包平台关联好,即可实现自动验证分析计算最新包的首屏加载耗时。
效果
通过人工录屏,然后用QuickTime分帧查看时间轴,计算出的首屏加载耗时跟这套方案得到的结果误差基本在100毫秒以内,但这个过程一次取数需要15分钟左右,而现在这套方案一次取数只需要3分钟左右,效率明显提升,还避免了不同人操作采集标准不一致的问题。
想要明白些道理,遇见些有趣的事 —— 离岛
![237aa3181f851946ca9c7b99e900e806.png](https://i-blog.csdnimg.cn/blog_migrate/2c4bd7a131dd28e316bb62235aa0b192.jpeg)