กรณีศึกษา

Datadog มอบข้อมูลเชิงลึกเกี่ยวกับประสิทธิภาพในเชิงลึกหลายล้านรายการด้วย ProfilingManager

ใช้เวลาอ่าน 4 นาที
3 ผู้เขียน
Alice Yuan, Arti Arutiunov, Nikita Ogorodnikov

การถดถอยของประสิทธิภาพเป็นที่ทราบกันดีว่าจำลองได้ยาก ทำให้การถดถอยเป็นปัญหาคอขวดขนาดใหญ่สำหรับนักพัฒนาแอปบนอุปกรณ์เคลื่อนที่ แม้ว่าสัญญาณต่างๆ เช่น อัตรา ANR จะบ่งบอกถึงปัญหาที่เกิดขึ้นในเวอร์ชันที่ใช้งานจริง แต่การระบุบรรทัดโค้ดที่เฉพาะเจาะจงซึ่งส่งผลให้เกิดปัญหาด้านประสิทธิภาพนั้นในอดีตจำเป็นต้องมีการจำลองด้วยตนเองอย่างละเอียดถี่ถ้วนหรือการทดลองแบบลองผิดลองถูกโดยอาศัยการคาดเดา

Datadog ร่วมมือกับ Google เพื่อลดความยุ่งยากนี้ด้วยการผสานรวม ProfilingManager API (พร้อมใช้งานในอุปกรณ์ Android 15 ขึ้นไป) เข้ากับแพลตฟอร์ม Real User Monitoring (RUM) และ Continuous Profiling การผสานรวมนี้จะเปลี่ยนเวิร์กโฟลว์การแก้ไขข้อบกพร่อง ซึ่งช่วยให้นักพัฒนาแอปสามารถก้าวข้ามอาการระดับผิวเผินไปสู่การตรวจจับสาเหตุเบื้องหลังคอขวดด้านประสิทธิภาพได้

การใช้ประโยชน์จาก API ระดับระบบนี้ทำให้ Datadog สามารถประมวลผลโปรไฟล์การผลิตหลายล้านรายการต่อสัปดาห์ทั่วโลกตามข้อมูลภายในของ Datadog ในเดือนมิถุนายน 2026 ซึ่งช่วยให้ทีมวิศวกรมีระดับการมองเห็นใหม่เกี่ยวกับประสิทธิภาพในชีวิตจริง โดยที่ยังคงรักษาค่าใช้จ่ายรันไทม์ต่ำสำหรับการตรวจสอบประสิทธิภาพในระดับการผลิต

ผลกระทบของ ProfilingManager

ProfilingManager เป็นบริการของระบบที่เปิดตัวใน Android 15 ซึ่งช่วยให้แอปสามารถรวบรวมข้อมูลประสิทธิภาพ เช่น ตัวอย่างสแต็กการเรียกใช้ การติดตามฟิลด์ และฮีปดัมป์หน่วยความจำจากสภาพแวดล้อมฮาร์ดแวร์และซอฟต์แวร์ได้โดยตรงแบบเป็นโปรแกรม ความสามารถนี้เปลี่ยนกระบวนทัศน์ทางวิศวกรรมจากการจำลองสถานการณ์ด้วยตนเองในเชิงรับไปเป็นการวิเคราะห์ภาคสนามในเชิงรุก

AANDDM_DataDog_Quote_01.png

ตัวอย่างเช่น แอปการสื่อสารของ Google ใช้การติดตามภาคสนามเพื่อตรวจสอบสาเหตุที่เวลาเริ่มต้นแบบ Cold Start ช้าลงในฮาร์ดแวร์ที่ใหม่กว่าและมีประสิทธิภาพมากกว่า เมื่อเจาะลึกการติดตามที่รวบรวมจากภาคสนามและเปรียบเทียบการติดตามในอุปกรณ์ประเภทต่างๆ วิศวกรก็พบปัญหาการกำหนดเวลาที่ซ่อนอยู่ นั่นคือมีการเตรียมพร้อมบริการอ่านออกเสียงข้อความในเบื้องหลังโดยไม่จำเป็นในระหว่างการเริ่มต้นแอป การติดตามพบว่ากระบวนการเบื้องหลังนี้ผูกขาดการใช้คอร์ CPU ขนาดใหญ่ที่มีประสิทธิภาพสูงสุดของอุปกรณ์ ซึ่งบังคับให้เทรดหลักของแอปเข้าสู่โหมดสลีปขณะที่เกิดการอุ่นเครื่องล่วงหน้า

การแก้ปัญหาความท้าทายด้านระดับการเข้าถึงโค้ด Android

ก่อนที่จะใช้ ProfilingManager นั้น Real User Monitoring (RUM) ของ Datadog มุ่งเน้นไปที่ประสิทธิภาพการทำงานของแอปพลิเคชันระดับสูงและการวัดและส่งข้อมูลทางไกลระดับเซสชันเพื่อประเมินเส้นทางของผู้ใช้ ทีมวิศวกรสามารถตรวจสอบสัญญาณประสิทธิภาพของ Android เช่น เวลาที่ใช้ในการแสดงผลครั้งแรก, อัตรา ANR, โหลด CPU และเฟรมที่ค้าง ข้อมูลเชิงลึกเหล่านี้ครอบคลุมไปถึงการโต้ตอบแบบละเอียด เช่น เวลาในการตอบสนองของเครือข่าย การโต้ตอบแบบสัมผัส และการหยุดทำงานของเทรดหลัก อย่างไรก็ตาม แม้ว่าข้อมูลนี้จะเน้นให้เห็นอย่างชัดเจนว่าคอขวดด้านประสิทธิภาพใดที่เกิดขึ้นในภาคสนาม แต่ก็ไม่ได้ให้แนวทางที่ชัดเจนในการระบุสาเหตุของปัญหาเหล่านี้

AANDDM_DataDog_Quote_02.png

Datadog จึงต้องการเครื่องมือสร้างโปรไฟล์ที่สามารถบันทึกการติดตาม Android จากอุปกรณ์ที่ใช้งานจริงได้โดยตรงโดยส่งผลกระทบต่อประสิทธิภาพน้อยที่สุด หลังจากประเมินแนวทางอื่นๆ เช่น การเขียนโปรเซสเซอร์การติดตามของตนเองโดยใช้ Android Debug API ทีมได้เลือก ProfilingManager เนื่องจากเป็นโซลูชันที่มีประสิทธิภาพมากที่สุดในบรรดาตัวเลือกการทำโปรไฟล์ที่ประเมิน และลดภาระค่าใช้จ่ายในการตัดสินใจสุ่มตัวอย่างไปยังระบบปฏิบัติการ

ProfilingManager รองรับวิธีการรวบรวมข้อมูลที่หลากหลาย ซึ่งรวมถึงการติดตาม CPU, การสุ่มตัวอย่างสแต็กการเรียกใช้, การวิเคราะห์หน่วยความจำผ่านฮีปดัมป์ของ Java และโปรไฟล์ฮีปแบบเนทีฟ ซึ่งช่วยให้นักพัฒนาแอปสามารถทำโปรไฟล์บิลด์เวอร์ชันที่ใช้งานจริง อัปโหลดไฟล์การติดตามไปยังพื้นที่เก็บข้อมูลภายนอก และตรวจสอบไฟล์เหล่านั้นใน UI ของเครื่องมือวิเคราะห์การติดตาม Perfetto ในฐานะผู้ให้บริการ SaaS ทาง Datadog จะอัปโหลด แสดงภาพ และวิเคราะห์โปรไฟล์เหล่านี้ที่รวบรวมผ่าน SDK ของตน เพื่อให้มุมมองแบบรวมเกี่ยวกับประสิทธิภาพของแอปพลิเคชัน 

การรวมข้อมูลการตรวจวัดระยะไกลที่มีความแม่นยำสูงไว้ใน API ความสามารถในการสังเกตแบบรวมช่วยให้ ProfilingManager ช่วย Datadog และลูกค้าตรวจสอบ ตรวจสอบ และแก้ไขการถดถอยของประสิทธิภาพ Android ที่ซับซ้อนในเชิงรุกผ่านข้อได้เปรียบทางเทคนิคที่สำคัญ ดังนี้

  • การวินิจฉัยเซสชันแบบละเอียด: ProfilingManager ช่วยเพิ่มความสามารถในการแก้ไขข้อบกพร่องโดยการส่งข้อมูลการติดตามระดับระบบปฏิบัติการโดยตรง ซึ่งช่วยเอาชนะความท้าทายด้านระดับการเข้าถึงและการจัดแนวที่มักพบในการบันทึกที่กำหนดเองด้วยบริการของระบบ หากต้องการเจาะลึกยิ่งขึ้น นักพัฒนาแอปสามารถดาวน์โหลดการติดตามเหล่านี้จาก Datadog เพื่อตรวจสอบเพิ่มเติมในเครื่องมือแสดงภาพ เช่น Perfetto UI
  • ทริกเกอร์การส่งข้อมูลทางไกลอัตโนมัติ: Datadog ช่วยลดความจำเป็นในการสร้างตรรกะการรวบรวมข้อมูลที่กำหนดเองโดยใช้ประโยชน์จากเหตุการณ์ของระบบแบบเนทีฟเพื่อเริ่มการบันทึกการติดตามที่จุดเพิ่มประสิทธิภาพที่สำคัญ แม้ว่าการเปิดตัวครั้งแรกจะมุ่งเน้นไปที่สัญญาณ APP_FULLY_DRAWN แต่เราก็มีแผนที่จะขยายความสามารถในการสังเกตนี้ให้ครอบคลุมทริกเกอร์ ANR, OOM และ COLD_START ด้วย
  • ภาพรวมการติดตามเชิงรุก: ProfilingManager ใช้อินเทอร์เฟซกับบริการ Perfetto ระดับระบบ (ติดตาม) โดยตรงเพื่อใช้โมเดลการบันทึกเบื้องหลังเชิงรุกที่ออกแบบมาเพื่อบันทึกปัญหาที่คาดเดาไม่ได้ ซึ่งช่วยให้นักพัฒนาแอปเห็นภาพเหตุการณ์ที่นำไปสู่ความผิดปกติของประสิทธิภาพได้อย่างแม่นยำ โดยให้ข้อมูลเชิงลึกในระดับที่เหนือกว่าสิ่งที่ทำได้ผ่านการใช้เครื่องมือด้วยตนเอง
  • การตรวจหาจุดคอขวดในวงกว้าง: Datadog สามารถสังเคราะห์การตรวจวัดระยะไกลจากฐานลูกค้าทั่วโลกของ Datadog เพื่อค้นหาการถดถอยที่เกิดขึ้นภายใต้การกำหนดค่าฮาร์ดแวร์ที่ไม่ซ้ำกันและสภาพแวดล้อมเครือข่ายที่ผันแปรเท่านั้น
  • ความเสถียรของทรัพยากรที่ระบบบังคับใช้: API ใช้ประโยชน์จากการเก็บรวบรวมการติดตามการสุ่มตัวอย่างเพื่อให้มั่นใจว่าผลกระทบต่อประสิทธิภาพและประสบการณ์ของผู้ใช้จะยังคงไม่เป็นที่สังเกต
  • การควบคุมข้อมูลในอุปกรณ์: ProfilingManager จะกรองข้อมูลที่ไม่เกี่ยวข้องออกจากกระบวนการอื่นๆ ในอุปกรณ์ก่อนที่จะส่งโปรไฟล์ไปยังแอป ซึ่งจะช่วยลดขนาดไฟล์และทำให้มั่นใจว่าระบบจะให้เฉพาะข้อมูลที่เกี่ยวข้องกับกระบวนการของแอปเท่านั้น

ประมวลผลโปรไฟล์หลายล้านรายการต่อสัปดาห์เพื่อเพิ่มประสิทธิภาพแอปในชีวิตจริง

datadog-profiling-blogpost-final.png
ตัวอย่างการวัดเวลาที่ใช้ในการแสดงผลครั้งแรกของ Datadog ด้วยการสุ่มตัวอย่างสแต็กที่ขับเคลื่อนโดย ProfilingManager

การผสานรวม API การทำโปรไฟล์ระดับระบบเข้ากับ SDK การตรวจสอบทั่วโลกจำเป็นต้องแก้ปัญหาด้านโครงสร้างพื้นฐาน เนื่องจาก ProfilingManager สร้างการติดตามประสิทธิภาพที่มีรายละเอียดสูง ทีมวิศวกรของ Datadog จึงต้องสร้างไปป์ไลน์ที่สามารถแยกวิเคราะห์และวิเคราะห์โปรไฟล์เหล่านี้ในฝั่งเซิร์ฟเวอร์ในวงกว้าง นอกเหนือจากการรวบรวมโปรไฟล์แล้ว Datadog ยังเน้นย้ำถึงความสำคัญของการสร้างสมดุลระหว่างความถี่ในการสุ่มตัวอย่างกับการรวบรวมข้อมูลให้เพียงพอเพื่อสร้างข้อมูลเชิงลึกที่มีความหมายเกี่ยวกับแอปพลิเคชันของคุณ Datadog อาศัยการจำกัดอัตราคำขอในตัวของ ProfilingManager เป็นมาตรการป้องกันความเสถียรที่สำคัญ ซึ่งช่วยป้องกันไม่ให้คำขอการตรวจวัดระยะไกลที่มากเกินไปสร้างภาระให้กับอุปกรณ์ของผู้ใช้มากเกินไป 

ทีมได้ทำการวิเคราะห์แอปพลิเคชัน Android แบบเนทีฟของ Datadog เองและแอปพลิเคชันของลูกค้ารายแรกสุดที่เปิดรับนวัตกรรมจำนวนมากเป็นเวลาหลายเดือน โดยรวบรวมโปรไฟล์หลายล้านรายการเพื่อให้มั่นใจว่าประสบการณ์การเปิดตัวจะรวดเร็วและไม่มีข้อผิดพลาด รวมถึงปรับแต่งอัลกอริทึมการตรวจจับประสิทธิภาพ ปัจจุบัน การผสานรวมเวอร์ชันที่ใช้งานจริงสามารถปรับขนาดได้อย่างราบรื่นในอุปกรณ์ Android หลากหลายรุ่น 

บทสรุป

การผสานรวม ProfilingManager API ของ Android ช่วยให้ Datadog สามารถปิดช่องว่างด้านระดับการเข้าถึงระหว่างระบบแบ็กเอนด์กับแอปพลิเคชันไคลเอ็นต์มือถือสำหรับลูกค้าได้สำเร็จ Datadog ประมวลผลโปรไฟล์หลายล้านรายการทุกสัปดาห์โดยใช้ทรัพยากรของอุปกรณ์เพียงเล็กน้อย จึงช่วยให้นักพัฒนาแอป Android ได้รับข้อมูลเชิงลึกระดับโค้ดที่จำเป็นต่อการวิเคราะห์ข้อบกพร่องด้านประสิทธิภาพที่ซับซ้อนได้ทันที ซึ่งช่วยให้นักพัฒนาแอปสร้างแอปพลิเคชันที่ราบรื่นยิ่งขึ้นและปรับปรุงสัญญาณประสิทธิภาพของแอปใน Play Store ได้ หากต้องการนำ ProfilingManager API ไปใช้ในเฟรมเวิร์กความสามารถในการสังเกตประสิทธิภาพโดยตรง โปรดดูเอกสารประกอบ

ในอนาคต Datadog ตั้งเป้าที่จะทำให้ข้อมูลการทำโปรไฟล์ Android เป็นอินพุตระดับเฟิร์สคลาสสำหรับตัวแทนการเขียนโค้ดเพื่อแก้ไขปัญหาคอขวดด้านประสิทธิภาพโดยอัตโนมัติ ซึ่งจะช่วยปิดวงจรความคิดเห็นระหว่างการตรวจจับและการแก้ไข Datadog กำลังพยายามทำให้การทำโปรไฟล์ Android พร้อมใช้งานสำหรับนักพัฒนาแอปในวงกว้าง

หากต้องการเริ่มใช้ฟีเจอร์การตรวจสอบผู้ใช้จริงของ Datadog ที่ขับเคลื่อนโดย ProfilingManager โปรดไปที่การตรวจสอบผู้ใช้จริงบนอุปกรณ์เคลื่อนที่ของ Datadog

เขียนโดย
อ่านต่อ