作者 |  錢文玲(悠醬)

一、背景

1.前端性能優(yōu)化的業(yè)務(wù)意義

前端的本質(zhì)價值是什么?

我認為是 給用戶創(chuàng)造良好的交互體驗。前端性能對用戶體驗、對業(yè)務(wù)跳失率的影響，在業(yè)界已有共識，不言而喻。根據(jù) Google 的數(shù)據(jù)，如果移動站點的加載時間超過 3 秒，53% 的用戶會放棄訪問。

加載時間從 1s 延長到 3s 時，跳失率增加32%加載時間從 1s 延長到 5s 時，跳失率增加90%——用戶還沒看到辛苦優(yōu)化的頁面，就走了一部分 。

抵達率優(yōu)化應(yīng)該在轉(zhuǎn)化率之前，用戶能夠正常訪問網(wǎng)頁，網(wǎng)頁的內(nèi)容才能產(chǎn)生價值。所以在優(yōu)化著陸頁內(nèi)容、提高轉(zhuǎn)化率之前，要先保障抵達率。抵達率太低，哪怕頁面轉(zhuǎn)化100%，整體的轉(zhuǎn)化效果也會很差。

2.測試把控難點

現(xiàn)在流行的，運營自行搭建頁面+自行多端投放 方式，使我們的不可控。

原先發(fā)現(xiàn)性能問題主要通過感受+性能跑測數(shù)據(jù)，或者運營以業(yè)務(wù)要挾、或者質(zhì)疑受機器等因素影響、或者相互推諉主要瓶頸點，使優(yōu)化無法落實。

部分性能優(yōu)化困難，影響性能點比較復(fù)雜，實行優(yōu)化的收益不可預(yù)知，也阻礙了優(yōu)化的落實。

二、前端性能優(yōu)化 測試視角的解法

很多人都以為，前端性能優(yōu)化，重點在“前端”優(yōu)化，“測試”很難起到主導(dǎo)作用。試著換個角度，從整個研發(fā)團隊視角看，前端做運動員專項治理，測試做裁判員專項評測，這套機制，是否更能切實做到優(yōu)化，達成的數(shù)據(jù)也更讓大家信賴?再者，測試不止局限于此，還可做隊醫(yī)、分析師。。。。

1.可持續(xù)優(yōu)化閉環(huán)

以下持續(xù)優(yōu)化閉環(huán)，是我們摸索著實行了一年多，有效且高效的解法。

從上圖看，整個過程為：

step0、前端事先進行埋點，(一般前端做了sdk，直接引入即可)step1、測試通過性能黑榜，發(fā)現(xiàn)最為突出的重點性能問題頁面(首屏平均時長&秒開率，PV&業(yè)務(wù)意義， 多項結(jié)合度量)step2、協(xié)助前端一起專業(yè)分析問題頁面，找出性能瓶頸點step3、前端更有策略地針對性治理step4、查看性能趨勢變化，驗證優(yōu)化效果step5、假設(shè)已達到優(yōu)化預(yù)期，或者有更糟糕的頁面把之前頁面擠下去，繼續(xù)關(guān)注黑榜前列的頁面(即跳到step1，繼續(xù)輪轉(zhuǎn))

我們可以發(fā)現(xiàn)，測試通過發(fā)現(xiàn)、分析、驗證 三板斧，驅(qū)動推進頁面性能優(yōu)化。

2.效果明顯

從2021年10月份開始迭代以來，共發(fā)現(xiàn)了8類嚴重性能問題。

包括：端外(支付寶)性能問題，外投&跨端性能問題，pha架構(gòu)性能問題，運營不規(guī)范配置導(dǎo)致、其他業(yè)務(wù)原因?qū)е碌男阅軉栴}等。

并且快速有效，在業(yè)務(wù)方或其他同學(xué)提過來之前，我們都已經(jīng)發(fā)現(xiàn)并有了分析，在優(yōu)化節(jié)奏上更具有主動性。

三、性能問題的發(fā)現(xiàn)

通過線上用戶的真實采集，并制定能反應(yīng)用戶體感的指標，進行性能黑榜和全局趨勢分析。

從重點單點角度，我們通過性能黑榜;從整體視角，我們通過整體趨勢分析。

1.性能數(shù)據(jù)的采集

（1）幾個名詞解釋

ARMS前端監(jiān)控專注于對Web場景、小程序場景的監(jiān)控，從頁面打開速度(測速)、頁面穩(wěn)定性(JS診斷錯誤)和外部服務(wù)調(diào)用成功率(API)這三個方面監(jiān)測Web和小程序頁面的健康度。

SLS日志服務(wù)為Log、Metric、Trace等數(shù)據(jù)提供大規(guī)模、低成本、實時的平臺化服務(wù)。日志服務(wù)一站式提供數(shù)據(jù)采集、加工、查詢與分析、可視化、告警、消費與投遞等功能。

ODPS即MaxCompute，是適用于數(shù)據(jù)分析場景的企業(yè)級SaaS模式云數(shù)據(jù)倉庫。

FBI是阿里內(nèi)的智能大數(shù)據(jù)分析和可視化平臺，下面的所有截圖都是在FBI平臺配置圖表而成，還未對外開放。

（2）全過程

arms-sdk結(jié)合前端的自定義埋點，在海量用戶訪問的同時，就會自動上報數(shù)據(jù)到sls日志庫，整體過程如下圖：

• 針對H5搭建頁的埋點，使用通用方案，一次性埋點即可，前端后續(xù)無需額外埋。
• sls日志報表查實時數(shù)據(jù)，用于實時分析，實時驗證。
• ODPS數(shù)據(jù)長期存儲已計算完指標的數(shù)據(jù)，用于記錄、比較、趨勢分析。

2.性能指標的確定

（1）統(tǒng)計范圍--用戶視角

所有前臺頁面，每個用戶每次瀏覽的有效數(shù)據(jù)(完全加載<15s 內(nèi)有效)

指標的影響因子：從用戶視角，頁面流量越大，則對整體數(shù)據(jù)的影響越大(也就是權(quán)重越大)

這樣做的好處：流量越大數(shù)值越嚴重的，優(yōu)化的效果(正反饋)越明顯，確定了治理性能問題的優(yōu)先級。

（2）三個指標

結(jié)合淘系、以及集團其他部門的

（3）性能黑榜

為何要用性能黑榜來作為主要發(fā)現(xiàn)手段?我們通常可推理得：

• 排在性能黑榜前列的，必然是性能問題最突出的，相對方便分析
• (可根據(jù)各自業(yè)務(wù)，加個樣本量的篩選，如我們看每日pv 10w以上的)
• 再結(jié)合樣本量(pv正相關(guān))數(shù)據(jù)，樣本量非常大的，性能優(yōu)化的收益必然也是非常大的
• 模塊化組件開發(fā)盛行的今天，優(yōu)化某個模塊或場景的問題，收益點不僅僅在當前頁面，也在其他用了同樣模塊或場景的頁面
• 榜單形式，更能引起老板、對應(yīng)前端負責(zé)同學(xué)、對用戶體驗關(guān)注的同學(xué)的重視

（4）整體性能趨勢分析

整體趨勢分析，即是為在整體角度，看我們的頁面性能趨勢，它是重要的度量指標。這里我們把所有的流量都納入，沒有頁面的區(qū)分，為的是基于用戶維度，流量大的頁面權(quán)重自然會更大。

從上圖看，1月初到2月中旬的數(shù)據(jù)正在持續(xù)惡化，必須要采取措施治理!

四、性能問題的分析

(下文以2022年2月A頻道頁面為例，均為dummy仿造后數(shù)據(jù)，也不代表整體情況)

1.如何衡量性能問題嚴重性

衡量性能問題嚴重性，是為了讓大家意識到優(yōu)化的必要性，以及急迫性

（1）進入性能黑榜前幾名

同3.1.性能黑榜，不贅述

（2）看完全加載時長分布

見下圖“可交互時長分布圖”，一個記錄代表一個用戶。

即使不去統(tǒng)計，我們都能很明顯的看出來，這個A頻道頁面：

<1.5s的比例很低

1.5~3s占比最大

>3s的比例相對而言很高，居然還有這么高比例在8s以上?

（3）看時長分布比例

和開發(fā)說明問題嚴重性時，這個會很有代入感，比如見下圖，10%的Android用戶在4.9s以上，是不是可以認為他們大部分都跳失了?

（4）看和總體數(shù)據(jù)的對比

下圖不用算都能明顯發(fā)現(xiàn)，秒開率和 整體數(shù)據(jù)差異實在太大

2.分析性能瓶頸-分析思路

首先要明確，性能分析主要是給相關(guān)頁面的前端、開發(fā)同學(xué)看，給關(guān)心問題的測試同學(xué)看，所以我們可以拆分的更細節(jié)、更專業(yè)。可以先分前端、后端2個大類：

3.分析性能瓶頸-前端環(huán)節(jié)

（1）分終端分析

業(yè)務(wù)因素(具體不表)，分終端是重點。

從可交互時長、秒開率、3秒+率、5秒+率，分別分析，都能論證--支付寶端問題更明顯。

（2）分階段分析

下圖將t1~t9 每個階段打點情況可視化，并分析重點環(huán)節(jié)的差值(打點邏輯由前端定義)

見圖2可以明顯觀察到：

• 接口耗時太久，且2.12后變差明顯(可以去追溯下2.12發(fā)生了什么);
• LBS獲取耗時很久，高于平均1倍以上，而取lbs是A頻道頁的關(guān)鍵邏輯

（3）分高中低端機分析

我們根據(jù)手淘的高中低端機評判標準，埋點獲得數(shù)據(jù)。平均時長，高中低各自占比，以及低端時長分布(也可選中高端)。下圖可發(fā)現(xiàn)，低端機比例很低(需要思考是否有必要重點優(yōu)化)，但低端機超過3秒以上的比例遠高于其他的(和總體的完全時間分布對比) 。

（4）其他分析

包括：機型、系統(tǒng)等，可做參考

4.分析性能瓶頸-后端環(huán)節(jié)

（1）后端接口分析

主要從后端維度來分析

服務(wù)端鏈路邏輯，需要另做具體分析

分頁面的處理邏輯，需要結(jié)合業(yè)務(wù)邏輯來看

這里可見，下圖盡管是開始發(fā)起請求-》收到請求的全過程，但也嚴重超標(幾乎是標準值的2倍)

（2）網(wǎng)絡(luò)傳輸消耗分析

整個接口過程：

請求連接(apiConnect)--》服務(wù)端處理(apiRequest)--》數(shù)據(jù)下載(apiResponse)細節(jié)不表了

5.分析結(jié)論關(guān)鍵思路

1、數(shù)據(jù)差值越大的，樣本量越多的，性能數(shù)據(jù)優(yōu)化越明顯2、結(jié)合業(yè)務(wù)意義3、為前端分析提供方向，更細節(jié)分析，還是要依賴前端的專業(yè)分析

還是以A頻道為例，從數(shù)據(jù)差值看，接口和lbs，和均值差異最大。從樣本量看，支付寶 流量占有一定比例，因此，我們優(yōu)化的重點在：接口、LBS、支付寶端。

五、性能問題的驗證

主要通過單頁面性能趨勢分析，主要2個作用：

• 驗證性能優(yōu)化效果，做到可量化
• 及時洞察到頁面性能向差的趨勢，更具有主動性

1.性能惡化及時反饋

再如下圖，今年1月，一次業(yè)務(wù)需求，致使性能變差，通過每周定時性能報表發(fā)送群里，馬上發(fā)現(xiàn)。推薦大家把性能趨勢圖，定時發(fā)送到群內(nèi)，更及時發(fā)現(xiàn)。

2.性能優(yōu)化效果驗證

參考鏈接：https://zhuanlan.zhihu.com/p/51673262