EN

Android 中的卡顿丢帧原因概述 - 方法论

字数统计: 3.7k阅读时长: 13 min
2019/09/05
loading

技术复核 · 2026-10-13。 本文保留 2019 年厂商优化组的工作经验与当时的行业观点。技术部分补充 Android 12(API 31)FrameTimeline、JankStats 与 Macrobenchmark 的适用边界;Looper 日志语义按 AOSP android-9.0.0_r1 / android-16.0.0_r1 核对,Matrix 功能以 v2.1.0 文档为版本示例。本文未进行新的设备测量。

Android 手机使用中的卡顿问题,手机厂商和 App 开发商都会重视,内部一般会有基础组或者优化组负责分析和优化。

第三方工具如腾讯 Matrix 可以提供应用侧性能线索。厂商也会有自己的监控方案,借助系统源码和相应调试权限获取更深层数据;实际可见范围仍取决于系统版本、内核配置、构建类型和采集开关。

流畅度不能只用一秒内的平均 FPS 表示。相同的平均 55 FPS,可能包含一次明显停顿,也可能是较均匀的帧间隔,体验并不相同。要结合目标更新节奏、实际呈现间隔和输入响应看问题。60/90/120 Hz 的刷新间隔分别约为 16.67/11.11/8.33 ms,但它们不是所有线程合计的固定 CPU 时间预算;静止界面也不需要每个刷新周期都提交新内容。

引起卡顿的原因可能来自 App、系统、内核或显示链路。本系列分为四篇:

“先定位场景,再沿关键路径查原因”的方法仍然适用。新采集优先使用 Perfetto/System Trace;在 Android 12+ 且采到对应帧数据时,用 FrameTimeline 对照 expected/actual frame、deadline 和呈现关系。旧 Systrace 仍可帮助阅读历史记录,但仅更换查看器不会给旧 Trace 补出未采集的数据。下面把不同工具能回答的问题分开说明。

1. 流畅度相关工作内容概述

作为手机厂商优化组的一员, 我有必要在开始之前简单描述一下我们工作的流程 . 系统开发的过程中, 有很多引起 Android 卡顿的原因,但是用户和测试感受最直观的是正在使用的应用掉帧和不流畅 . 由于测试和用户没有办法直接确定卡顿的原因, 所以一般会直接将 Bug 提到我们这边, 所以我们的角色更像是一个卡顿问题接口人, 负责分析引起卡顿的原因, 再把 Bug 分配给对应的模块负责人去解决, 如框架 \ App \ 多媒体 \ Display \ BSP 等.

所以直接由我们来解决的问题并不是很多, 我们更多的时候是通过专门的分析工具, 结合源码来定位和分析问题, 最多使用的工具如下:

  1. Perfetto/System Trace、ftrace:把帧、线程调度、Binder、内核事件放到时间线上,前提是设备允许且已采到对应事件。
  2. strace:观察指定进程或线程的系统调用及返回结果,不等于全系统性能 Trace;附加进程也受权限限制,并有观测开销。
  3. Android Studio Profiler:调用栈采样适合找 CPU 热点;Java/Kotlin 方法录制使用插桩,适合追查具体调用,不能把两种结果当成同一口径。
  4. MAT 与内存工具:MAT 用于 Java heap 离线对象/引用分析;native 分配、进程占用和系统内存压力要分别看相应 profiler、meminfo、回收或 LMK 证据。
  5. LogReport 与日志:保留 Main/System/Event/Kernel/Crash 及厂商 Power/Performance 等日志、截图和视频,同时记录各自的时钟、时间范围和缺失项。
  6. 复现视频与本地复现:帮助还原操作与视觉症状,再与同一次复现的 Trace 对齐。

确定卡顿的根本原因, 这需要对 Android App 开发 \ Android Framework 知识 \ Display 知识 \ Linux Kernel 知识有一定的了解, 知道基本的工作流程, 并能熟练使用对应的工具, 区分不同的场景, 迅速找到问题的原因, 然后和相关模块的负责人一起讨论优化.

对于一些系统全局性的方案则需要与对应的模块负责人一起分析和解决, 必要的时候我们也会开发一些 Feature 来解决问题 .

2. 性能问题分析的一些工具和套路

先确认用户看到的现象和发生时间,再缩小到帧或操作区间。Trace 给出线索,还需要调用栈、源码或受控对照来验证原因。

  1. 定位帧与关键路径。 记录 App/系统版本、设备、刷新率、操作和冷热状态。在支持并采集了 FrameTimeline 的场景,关联 App surface 与 SurfaceFlinger 的对应帧;再看主线程、RenderThread、Binder 对端、GPU/fence 等相关轨道。App 主线程和 SurfaceFlinger 主线程是入口,不能仅靠两条线程确定所有卡顿。游戏、独立 Surface 或缺少帧数据的场景,需要检查相应渲染路径;没有轨道不等于没有卡顿。
  2. 区分执行与等待。 长 slice 的墙钟时间可能包含 CPU 执行、Runnable 等待调度、锁/Binder/I/O 等阻塞。结合 调度事件 和依赖链判断,再决定去查 App、system_server、SurfaceFlinger、HWC/显示驱动还是资源竞争。App deadline missed 是定位方向,不自动证明 App 代码独自造成问题。旧 Systrace 系列 仍可作为阅读基础。
  3. 沿源码验证热点。 Android Studio 的 调用栈采样 当前入口要求 API 26+,样本能显示热点,但不是每次方法调用的完整记录。Java/Kotlin 方法录制 有插桩开销,官方建议把录制限制在约 5 秒以内。自定义 Trace section 标记选定的业务区间,不是自动完整调用栈。App/Framework 断点可以验证控制流,却会暂停执行,不能用暂停后的帧耗时代表正常性能;Framework 调试还需相应系统构建、符号和权限。
  4. 用日志补上下文。 截图能确认界面,不能单独证明卡顿时长;EventLog 也不保证覆盖全部用户操作。先对齐时间,再看异常、进程状态、内存与 CPU 记录。按 AOSP Looper,Slow delivery 衡量消息计划执行时刻 msg.when 到分发开始的延迟;Slow dispatch 衡量分发开始到结束的耗时,可能包含等待,不等于 CPU 执行时间。阈值、开关与日志抑制会影响输出,没看到日志不等于没有延迟。
  5. 复现并比较。 高速录像有助于观察显示节奏,但拍摄帧率、显示刷新率及录屏自身开销都影响结果。固定设备、版本、温度/负载和操作步骤,多次采集并保留异常与正常样本;优化后用同样条件对照,不能只挑最好的一次。

旧文列出的状态命令仍可作为辅助入口,具体输出和权限以设备为准。它们是采样时的状态或一定时间窗的统计,不能自动还原之前那一帧:

命令 能提供的线索与边界
adb shell dumpsys activity oom 进程重要性与 OOM adjustment 等信息,不是 OOM/LMK 已发生的证明
adb shell dumpsys meminfo 进程/系统内存统计;不能只看一个值就判定泄漏或卡顿根因
adb shell cat /proc/buddyinfo 各节点/zone 中不同 order 的空闲块数,块大小为 2^order × PAGE_SIZE;辅助看物理内存分配/碎片,不是总可用内存或卡顿分数
adb shell dumpsys cpuinfo CPU 使用情况的统计窗口,不等于卡顿瞬间的每线程调度状态
adb shell dumpsys input 输入系统状态,具体字段随版本变化
adb shell dumpsys window 窗口、焦点等状态;需与同时间段输入/帧记录关联

参考 dumpsys 文档 与 Linux v6.6 proc 文档。权限不足、数据源未开启和采集丢失要记作缺失,不能填成零负载。

3. 通过性能数据分析

由于用户反馈的不确定性, 和内部测试的不完备性, 通过系统或者 App 的性能埋点数据来做分析, 是改进系统的一个好的方法 . 一方面不用用户主动参与, 一方面有大量的数据可以来做分析, 看趋势 .

线上性能数据可以帮助识别高频场景,但统计结果取决于设备覆盖、版本、采样比例和指标定义,不能把不同口径的“卡顿率”直接合并。

下面是原文保留的 2019 年 Matrix 功能图,不是当前兼容性清单。以 Matrix v2.1.0 为例,Android 部分包含 Trace Canary、Resource Canary、IO Canary、SQLite Lint、APK Checker 等;选择和配置插件、处理 Issue 回调与业务上报仍需应用接入。图中“兼容 Android P”等旧标注不能推导为所有新版本均已兼容。

2019 年 Matrix 功能图

手机厂商由于有代码权限, 所以可以采集到更多的数据, 比如 Kernel 相关的数据 : cpu 负载 \ io 负载 \ Memory 负载 \ FSync \ 异常监控 \ 温度监控 \ 存储大小监控 等, 每一个大项又都有几十个小项 . 所以可以监控的数据会非常多, 遇到问题也可以从多个技术指标去分析 . 这就需要在这方面经验非常丰富的团队, 去定义这些监控指标, 确定最终要收集那些信息, 收集上来的数据如何去分析等.

下面关于厂商研发方式的评价保留为 2019 年的个人观察,不作为当前厂商能力排名。至于后续的优化工作, 就考验各个厂商的研发能力了, 正如伟琳在这篇文章:那些年,我们一起经历过的 Android 系统性能优化 所说, 目前能力比较强的手机厂商, 都在底层各个模块, 结合硬件做优化, 因为最后还是都是资源的分配 ; 而一些研发实力不是很强的厂商, 则重点还是围绕在根据场景分配资源.

线上趋势和本地回归可以结合使用,但要保留各自口径:Android Vitals 的覆盖和指标定义、JankStats 的应用 Window 统计、自研 APM 不能视作同一套原始帧数据。JankStats 在 API 24+ 利用 FrameMetrics,较早版本采用其他机制;它使用可配置的 jank 启发式,不等于 SurfaceFlinger FrameTimeline 的呈现判断。记录场景和版本分布,才能判断趋势来自优化还是样本变化。

把可疑操作转成可重复的 Macrobenchmark FrameTimingMetric 场景后,比较相同条件下的分布与帧数。该指标自库版本 1.1.0 提供;frameOverrunMs 需要 API 31,描述相对帧 deadline 的超出量;frameDurationCpuMs 描述 UI 线程和 RenderThread 的 CPU 侧产帧区间,不代表完整 GPU/显示延迟。低版本没有 frameOverrunMs 时保留“不可用”,不填零。本地 benchmark 不会自动回放某位线上用户的完整现场,也不能只靠一轮 P99 就宣称全量用户获益。

4. 总结

这里简单概述了一下流畅性问题的一般分析思路和分析工具, 而且由于我的方向主要在 Framework 和 App, 所以很多东西都是从上层的角度来说的, 想必 Kernel 优化团队会有更好的角度和分析 .

下面是原文引用的 2019 年行业观点,保留作历史背景;其中品牌、芯片与生态分类不用于判断当前产品性能。各个厂商的优化大家可以看看这篇总结, 那些年,我们一起经历过的 Android 系统性能优化, 华米 OV 都有涉及, 下面摘录了一段总结, 大家可以看看

展望一下,这里想把手机厂商分为三类:

  1. 一类是苹果,自己研发芯片和核心元件,有自己的OS和生态;
  2. 二类是三星、华为,自己研发芯片和核心元件(当然华为和三星还是有所区别),共享 Android OS 和生态,当然三星在本土化这一块做的是不如华为和其他 Top 厂商的;
  3. 三类是其他 Android 手机厂商,芯片和核心元件来自于不同供应商,共享 Android OS和生态;

从技术层面看:

  1. 苹果始终会是在性能的第一阵营,可以顺利推行从硬件到 OS 到 APP 级别的任何性能保障方案;
  2. 三星、华为属于第二阵营,可以实现芯片-OS层面的整合优化;
  3. 其他 Top Android 手机厂商差距不会太大,他们有多个不同的 SoC 供应商,方案有差异,非常芯片底层的地方,往往不会去涉及,更多是做纯软件层面的策略性的优化,有价值但是不容易形成壁垒,注意这个不容易形成壁垒指的是在 top 厂商中间,一些小的厂商往往还是心有余而力不足。不过还是很期待看到有更多的突破出现。

这也是流畅性的一个系列文章中的一篇, 可以点击下面的链接查看本系列的其他文章.

本文知乎地址

由于博客留言交流不方便,点赞或者交流,可以移步本文的知乎界面
知乎 - Android 中的卡顿丢帧原因概述 - 方法论

关于我 && 博客

下面是个人的介绍和相关的链接,期望与同行的各位多多交流,三人行,则必有我师!

  1. 博主个人介绍 :里面有个人的微信和微信群链接。
  2. 本博客内容导航 :个人博客内容的一个导航。
  3. 个人整理和搜集的优秀博客文章 - Android 性能优化必知必会 :欢迎大家自荐和推荐 (微信私聊即可)
  4. Android性能优化知识星球:付费社群已于 2026 年停止运营,不再招收新成员;此处保留历史介绍。

一个人可以走的更快 , 一群人可以走的更远

微信扫一扫

CATALOG
  1. 1. 1. 流畅度相关工作内容概述
  2. 2. 2. 性能问题分析的一些工具和套路
  3. 3. 3. 通过性能数据分析
  4. 4. 4. 总结
  5. 5. 本文知乎地址
  6. 6. 关于我 && 博客