3倍+提升，高德地图极致性能优化之路

1.导读

随着移动互联网的成熟发展，移动应用技术上呈现出多样化的趋势，业务上倾向打造平台及超级入口，超级应用应运而生。但业务快速扩张与有限的系统资源必然是冲突的，如何实现多（能力服务的高增长）、快（体验流畅）、好（兼容稳定）、省（资源成本低），让大象也能跳舞，成为摆在超级应用面前必须解决的问题。

伴随着高德地图APP近几年的高速发展，也面临到这些问题，从2019年开始，我们开启了一系列性能优化专项，对高德地图APP进行了深入性能分析和极致优化，取得比较显著的效果。在这个过程中总结了一系列优化思路和技术方案，希望对同样面临超级应用性能问题的你有所帮助。

经过一系列优化动作，我们在保证业务需求正常迭代新增的基础上，启动、核心链路交互、行中内存、包大小等多方面均实现了性能的成倍提升，尤其是低端机上达到了3倍+的提升，从多个维度改善了用户性能体验。

• 启动攻坚：启动耗时降低70%+，实现2s地图元素完成展示，并管控保持在稳定低水位，呈下降趋势。
• 核心链路交互优化：在搜索、路线等链路上实现中高端机型秒开、低端机型2s内打开，整体提升用户流畅交互体验 。
• 行中内存优化：全机型优化了30%左右，提高稳定性。
• 包大小攻坚：双端体积降低20%，提高安装转换率。

2.性能优化业务背景

某段时间，高德地图APP面临着性能恶化、管控困难的问题。以启动耗时为例，双端启动等待体感明显，并且历史上治理后出现反复，整体呈上升趋势，我们思考问题背后的问题，主要有以下几个方面：

业务庞大

超级应用一般都经历这样的发展过程。首先，应用提供服务给用户，用户开始增长，增长的用户会产生更多的需求。应用为满足新增需求不断迭代，提供新的服务。新的服务推动用户进一步增长，进入下一个循环。正是在这个正循环发展中，应用像滚雪球一样越滚越大，终于成为超级应用。

然而，随着业务需求的不断增长，业务量和复杂度也随着上升，系统资源会越占越多。但机器资源是有限的，资源的争夺不可避免地会导致性能问题，从而影响用户体验和业务扩展，成为超级应用正循环发展的拦路虎。

高德地图也同样经历了这样的过程，随着这几年的快速发展，应用从手机扩展到了车机，平台从iOS、Android扩展了Windows和Liunx，覆盖10多种出行方式的同时，还在不断提供组队、视频、语音、AR等新服务。与此相应的是单端代码行超百万行，线程上百，任务上千，造成了持续的性能压力。

环境复杂

性能问题面临的另一个主要挑战是超级应用的环境复杂。一方面，随着移动设备的长线发展，系统碎片化情况越来越严重，Android系统横跨11个主版本，iOS横跨14个主版本，加之设备厂商对系统进行各种各样的改造，进一步增加了系统的碎片化；另一方面，用户移动设备的环境是非常不稳定的，电量、温度的变化以及其他应用的抢占都会造成内存、CPU、GPU等资源波动。复杂不可控的环境为一致的性能体验的保持增加了很大的难度。

但作为大用户体量的超级应用，任何环境的体验都要保证。特别是地图领域，用户习惯对不同产品直接对比，任何环境下性能体验问题，都会直接影响产品的整体口碑，导致用户流失。所以需要兼顾所有环境，不只是主流机型系统和场景，在长尾场景与机型系统上也必须流畅运行，这就要求超级应用这头大象不但要在舞台上跳舞，在凳子上、甚至在水里也能跳舞。

技术链路长

为了满足研发效率提升、产品动态化等多样需求，移动应用技术上除支持原生开发外，也要支持小程序、Web H5、C基础库等跨平台、容器化、动态化开发。从高德APP来看，最顶层业务除了OC、Java外，还支持JS开发。支撑层提供了AJX、小程序、原生、C等多种容器框架，同时还涉及JS、JNI等桥接层。最下面则用C++提供地图各个引擎能力，这里包括OpenGL、定位传感器融合等多种底层能力。技术链路自上而下开始变得长且复杂，链路上任何一环都可能导致性能问题，原有的单技术语言的排查工具已经无法定位明确性能卡点模块，为性能排查和管控带来挑战。

3.解法：低成本优化迁移，长线管控

基于上面的问题，原有传统的一招鲜的优化方案，显然解决不了需求日益增长和复杂环境下的性能一致体验。所以，我们在专项实践过程中，沉淀了一套自适应资源调度框架，解决历史性能问题的同时，能够在不影响现有的研发效率的情况下，低成本优化迁移，实现新业务高性能的开发。此外，从系统底层进行全维度资源监控，自动定位分发问题，来实现长线管控，避免先治理后反弹的情况。

自适应资源调度框架

自适应资源调度框架在应用运行过程中，感知采集运行环境。然后对不同环境状态进行不同的调度决策，生成相应的性能优化策略，最终根据优化策略执行对应优化功能。与此同时，监测调度上下文以及调度策略执行效果，并将其反馈给调度决策系统，从而为进一步的决策调优提供信息输入。这样，可以做到在不同的运行环境下都能达到可预期的极致性能体验。并且，整个过程，对业务无需额外开发，做到无感接入，避免影响业务开发效率。

• 环境感知

感知环境分为硬件设备、业务场景、用户行为和系统状态四个维度：

• 硬件设备上，一方面通过集团实验室对已知设备进行评测跑分确定高中低端机型，另一方面在用户设备上本地对硬件进行实时算力评估。
• 业务场景上，将业务分为前台展示、后台运行、交互操作等几类，一般情况下前台正在进行交互操作的业务场景优先级最高，后台数据预处理业务场景优先级最低。对于同类别业务场景，根据业务UV、交易量、资源消耗等维度进行PK，确定细分优先级。
• 用户行为上，结合服务用户画像和本地实时推算，确定用户功能偏好和操作习惯，为下一步针对用户的精准优化决策做准备。
• 系统状态上，一方面通过系统提供接口获取诸如内存警告、温度警告及省电模式等来获取系统极端状态，另一方面通过对内存、线程、CPU和电量进行监控，来实时确定系统性能资源情况。

• 调度决策

感知到环境状态之后，调度系统将结合各种状态与调度规则，进行业务以及资源调配决策：

• 降级规则：在低端设备上或者系统资源紧张告警（如内存、温度告警）时，关闭高耗能功能或者低优先级功能。
• 避让规则：高优先级功能运行时，低优先级功能进行避让，如用户点击搜索框时到搜索结果完全展示到时间段内，后台低优任务进行暂停避让，保证用户交互体验。
• 预处理规则：依据用户操作及习惯进行预处理，如某用户通常在启动3s后，点击搜索，则在3s之前对该用户搜索结果进行预加载，从而在用户点击时呈现极致的交互体验效果。
• 拥塞控制规则：在设备资源紧张时，主动降低资源申请量，如CPU繁忙时，主动降低线程并发量；这样在高优任务到来时，避免出现资源紧缺申请不到资源性能体验问题。

• 策略执行

策略执行分为任务执行和硬件调优：其中任务执行，主要是通过内存缓存、数据库、线程池和网络库对相应任务的进行运行控制，来间接实现对各类资源的调度控制。而硬件调优，则是通过与系统厂商合作，直接对硬件资源进行控制，如CPU密集的高优业务开始运行时，将提高CPU频率，并将其运行线程绑定到大核上，避免线程来回切换损耗性能，最大化地调度系统资源来提升性能。

• 效果监测

在资源调度过程中对各个模块进行监测，并将环境状态、调度策略、执行记录、业务效果、资源消耗等情况反馈给调度系统，调度系则统以此来评判本次调度策略的优劣，以做进一步的调优。

全维度资源监控

由于技术链路长、关联模块复杂，原来出现性能问题时，需要所有相关方集中排查，check所有的改动代码，依赖个人经验判断代码的成本来定位问题，协作和排查成本都很高，导致性能管控有效落地阻力很大。所以我们就思考，性能问题的根本是硬件资源的竞争，那能不能逆向解题，反过来对资源成本进行监控，如果发现异常再回溯产生成本的代码，以及分发给相应owner.

那基于这个思路，在构建的时候，首先通过代码扫描建立代码模块关联库。然后，进行成本和调用栈采集。采集完成后，对基线版本和当前版本的成本进行对比，如果发现异常，则通过符号反解异常成本的调用栈直接定位到问题代码。另外，基于问题代码查找代码模块关联库，来定位问题模块，最后将问题准确分发给模块相应的owner，最终实现问题的自动定位和分发，支持团队并行解题。

管控流程体系

性能的有效长线管控，除了上面的资源监控平台，还需要配套的流程体系及组织保障。所以在APP的生命周期每个阶段都建立了从测试分析到修复验证的闭环管控。前置监控在迭代开发阶段，早发现早解决。在集成阶段监控每一个改动，保证及时处理。线上通过实时监控和动态下发，实现快速修复。

4.总结与思考

决心大于方案

超级应用的性能问题往往关联多方业务，需要多方团队协作，所以自上而下对性能的重视程度和优化决心是决定成败的关键，打通任督二脉，才能事半功倍，把优化方案顺利落地。

攻城难，守城更难

业务与技术都在快速迭代，要想保证优化成果防止反弹，管控是必须的，而管控就会有束缚和效率影响，管控过程中就难免会遇到各种各样的阻力。所以一方面技术上，建立标准规则，配合提效工具和优化流程，尽量避免影响业务开发。另一方面，团队需要具有共同认知，性能体验与功能体验同等重要，用户对比心智很强，性能体验往往与产品口碑直接挂钩。

性能优化永远在路上

目前，我们很多优化策略以及数据参数还是从实验室调校而来。未来，我们会进一步探索云端一体、端智能等技术，做到更懂用户，贴合业务和用户特点，实现性能体验的个性化提升。