Android发热监控实践｜得物技术

picture.image

一、背景

二、发热定义

三、指标获取

1. 温度


2. CPU使用率


3. GPU使用率


4. 系统服务使用


5. 线程堆栈

四、监控方案

五、收益

六、未来展望

七、总结

一

背景

相信移动端高度普及的现在，大家或多或少都会存在电量焦虑，拥有过手机发热发烫的糟糕体验。而发热问题是一个长时间、多场景的指标存在，且涉及到端侧应用层、手机 ROM 厂商系统、外界环境等多方面的影响。如何有效衡量发热场景、定位发热现场、以及归因发热问题成为了端侧应用层发热监控的面前的三座大山。本文通过得物 Android 端侧现有的一些监控实践，不深入功耗计算场景无法自拔，优先聚焦于发热场景本身，希望能给大家一些参考。

二

发热定义

温度是最直观能反映发热问题的指标，当前 Android 侧，我们以体感温度 37° 以上作为分界线，向上每 3° 作为一个发热温度区间，区间细分上限温度 49° ，即划分出 37-40，40-43，43-46，46-49，49+ 五个等级。

以手机温度、CPU 使用率作为第一、第二要素来判断用户是否发热的同时，获取其他参数来支撑发热现场情况。

具体指标如下:

手机温度 CPU 使用率、GPU 使用率；

线程堆栈；

系统服务使用频次；

设备前后台、亮灭屏时长；

电量、充电情况；

热缓解发热等级；

系统机型、版本；

....

三

指标获取

温度

电池温度

系统 BatteryManger 已经提供了一系列自带的接口和粘性广播获取电池信息。

BatteryManager.EXTRA_TEMPERATURE 广播，获取的温度值是摄氏度为单位的 10 倍数值。


      
 

 
  `//获取电池温度BatteryManager.EXTRA_TEMPERATURE，华氏温度需要除以10`
  `fun getBatteryTempImmediately(context: Context): Float {`
  `return try {`
  `val batIntent = getBatteryStickyIntent(context) ?: return 0f`
  `batIntent.getIntExtra(BatteryManager.EXTRA_TEMPERATURE, 0) / 10F`
  `} catch (e: Exception) {`
  `0f`
  `}`
  `}`
 
  `private fun getBatteryStickyIntent(context: Context): Intent? {`
  `return try {`
  `context.registerReceiver(null, IntentFilter(Intent.ACTION_BATTERY_CHANGED))`
  `} catch (e: Exception) {`
  `null`
  `}`
  `}`

BatteryManager 除支持电池温度的系统广播外，也包含电量、充电状态等额外信息的读取，均定义在其源码中。


      
 

 
  `以下罗列几个值得关注的:`
  `//BATTERY_PROPERTY_CHARGE_COUNTER 剩余电池容量，单位为微安时`
  `//BATTERY_PROPERTY_CURRENT_NOW 瞬时电池电流，单位为微安`
  `//BATTERY_PROPERTY_CURRENT_AVERAGE 平均电池电流，单位为微安`
  `//BATTERY_PROPERTY_CAPACITY 剩余电池容量，显示为整数百分比`
  `//BATTERY_PROPERTY_ENERGY_COUNTER 剩余能量，单位为纳瓦时`
  `// EXTRA_BATTERY_LOW 是否认为电量低`
  `// EXTRA_HEALTH 电量健康常量的常数`
  `// EXTRA_LEVEL 电量值`
  `// EXTRA_VOLTAGE 电压`
  `// ACTION_CHARGING 进入充电状态`
  `// ACTION_DISCHARGING 进入放电状态`

传感器温度

A ndroid是基于Linux 基础上修改的开源操作系统，同样的在手机系统sys/class/thermal/ 目录下存在以 thermal_zoneX 为代表各传感器的温度分区，以及 cooling_deviceX 为代表风扇或散热器等冷却设备。

以一加 9 为例，共存在 105 个温度传感器 or 温度分区，以及 48 个冷却设备。

picture.image

每个温度分区下记录下具体的参数类型，我们重点关注的是 type 文件和 temp 文件，分别记录了该传感器设备的名称，以及当前的传感器温度。以 thermal_zone29 为例，代表了 CPU 第一核心的第五处理单元的温度值为 33.2 摄氏度。而对单一设备来说分区对应的名称是固定的，从而我们可以通过读取 thermal_zone 文件的方式来记录当前第一个 type 文件名称包含 CPU 的传感器作为 CPU 温度。

picture.image

壳温

Android 10 Google 官方推出了热缓解框架，通过 HAL2.0 框架监听底层硬件传感器（主要为 USB 传感器、Skin 传感器）提供 USB、壳温的热信号等级变更监听，系统 PowerManager 源码提供了对应发热等级变更的回调和发热等级的获取，共 7 个等级，提供给开发者主动或被动获取。 picture.image


      
 

 
  `final PowerManager powerManager = (PowerManager) mContext.getSystemService(Context.POWER_SERVICE);`
  `powerManager.addThermalStatusListener(new PowerManager.OnThermalStatusChangedListener() {`
  `@Override`
  `public void onThermalStatusChanged(int status) {`
  `//返回对应的热状态`
  `}`
  `});`

但对于发热等级来说，壳温无疑是最为能够反应手机的发热情况的。可以看到 Android 系统的 API 实际上是提供了 AIDL 接口，可以直接注册 Thermal 变更事件的监听，获取到 Temperature 对象。但由于标识了 Hide API 。常规应用层是无法获取到的，在考虑好 Android 版本兼容性前提下，通过反射代理 ThermalManagerService 方式进行读取。

picture.image

但事与愿违，国内厂商并没有完全适配官方热缓解框架，热状态回调时常不够准确，而是需要单独接入每个厂商的热缓解 SDK 去直接获取到壳温，具体 API 则以各应用厂商的内部接入文档为准。

CPU使用率

CPU 使用率的采集通过读取解析 Proc stat 文件的方式进行计算。

在系统 proc/[pid]/stat 和 /proc/[pid]/task/[tid]/stat 分别记录了对应进程 ID、进程 ID 下的线程 ID 的 CPU 信息。具体的字段描述在此不进行赘述，详见：https://man7.org/linux/man-pages/man5/procfs.5.html。

picture.image

我们重点关注 14.15 位的信息，分别代表进程/线程的用户态运行的时间和内核态运行的时间。

picture.image

通过解析当前进程的 Stat 文件，以及 Task 目录下所有线程的 Stat 文件，在两次采样周期内(当前设置为 1s)的 utime+stime 之和的差值/采样间隔，即可认为是进线程的 CPU 的使用率。即进线程 CPU 使用率 = ((utime+stime)-(lastutime+laststime)) / period

GPU使用率

高通芯片的设备，我们可以参考 /sys/class/kgsl/kgsl-3d0/gpubusy 下文件内容，参考高通官网的说明。

GPU 的使用率 = (下图)数值 1 / 数值 2 * 100，经过验证与 SnapDragonProfiler 信息采集获取的数值基本一致。

picture.image

联发科芯片的设备，我们可以直接通过读取 /d/ged/hal/gpu_utilization 下的使用率数值。

同样的通过指定周期(每秒 1 次)的采样间隔，即可获取到每秒的当前 GPU 使用率。

系统服务使用

Android 系统服务包括 Warelock、Alarm、Sensor、Wifi、Net、Location、Bluetooth、Camera等。

与市面上常规的监控手段差异不大，都是通过系统 Hook ServiceManager 的方式，监听系统服务的 Binder 通信，匹配对应的调用方法名，做对应中间层监控的回调记录处理。

熟悉 Android 开发的同学知道 Android 的 Zygote 进程是 Android 系统启动时的第一个进程。在 Zygote Fork 进程中会孵化出系统服务相关的进程 SystemServer，在其核心的 RUN 方法中，会注册启动大量的系统服务，并通过 ServiceManager 进行管理。

picture.image

故我们可以通过反射代理 ServiceManager 的方式，以 LocationManager 为例进行监听，拦截对应 LocationManager 内对应的方法，记录我们期望获取的数据。


          
// 获取 ServiceManager 的 Class 对象
          
Class<?> serviceManagerClass = Class.forName("android.os.ServiceManager");
          
// 获取 getService 方法
          
Method getServiceMethod = serviceManagerClass.getDeclaredMethod("getService", String.class);
          
// 通过反射调用 getService 方法获取原始的 IBinder 对象
          
IBinder originalBinder = (IBinder) getServiceMethod.invoke(null, "location");
          
// 创建一个代理对象 Proxy
          
Class<?> iLocationManagerStubClass = Class.forName("android.location.ILocationManager$Stub");
          
Method asInterfaceMethod = iLocationManagerStubClass.getDeclaredMethod("asInterface", IBinder.class);
          
final Object originalLocationManager = asInterfaceMethod.invoke(null, originalBinder);
          
Object proxyLocationManager = Proxy.newProxyInstance(context.getClassLoader(),
          
        new Class[]{Class.forName("android.location.ILocationManager")},
          
        new InvocationHandler() {
          
            @Override
          
            public Object invoke(Object proxy, Method method, Object[] args) throws Throwable {
          
                // 在这里进行方法的拦截和处理
          
                Log.d("LocationManagerProxy", "Intercepted method: " + method.getName());
          
                // 执行原始的方法
          
                return method.invoke(originalLocationManager, args);
          
            }
          
        });
          
// 替换原始的 IBinder 对象
          
getServiceMethod.invoke(null, "location", proxyLocationManager);

同理我们获取在固定采样周期内各系统服务对应申请次数、计算间隔时长等进行记录。

源码 Power_profile 文件中定义了每个系统服务状态下的电流量定义。

我们在需要记录每个元器件在不同状态的工作时间之后，通过以下计算方式，可以得出元器件的发热贡献排行，即：

元器件电量消耗（发热贡献） ~~ 电流量 * 运行时长 * 电压（一般为固定值，可忽略）

picture.image

线程堆栈

由于发热问题是一个综合性的问题，并不像 Crash 问题一样，在发生现场我们就可以知道是哪个线程触发的。如果将所有线程的堆栈都进行 Dump 记录的话，得物当前运行时的子线程数量在 200+，全部进行存储的话无疑是不合理的。问题就转变为如何较为准确的找到发热代码的线程堆栈？

上文说到在计算 CPU 使用率的时读取进程下所有线程的 Stat 文件，我们可以获取到子线程的 CPU 使用率，对其使用率进行倒排，筛选超过阈值（当前定义 50% ) 或占用 Top N 的线程进行存储。由于堆栈频繁采集时机上是有性能折损的，故牺牲了部分的堆栈采样精度和准确性，在温度、CPU 使用率等指标超过阈值定义后，才开始采集指定下发时间的堆栈信息。

我们还要明确一个概念，线程 Stat 文件的文件名即为线程标识名，Thread.id 是指线程ID。

其两者并不等价，但 Native 方法中给我们提供了对应的方式去建立两者的映射关系。

在 Art Thread.cc 方法中，将 Java 中的 Thread 对象转换成 C++ 中的 Thread 对象，调用 ShortDump 打印线程的相关信息，我们通过字符串匹配到核心的 Tid= 的信息，即可获取到线程的 Tid。

picture.image

核心代码逻辑如下:


      
 

 
  `//获取队列中最近一次cpu采样的数据`
  `val threadCpuUsageData = cpuProfileStoreQueue.last().threadUsageDataList`
  `val hotStacks = mutableListOf<HotStack>()`
  `if (threadCpuUsageData != null) {`
  `val dataCount = if (threadCpuUsageData.size <= TOP_THREAD_COUNT) {`
  `threadCpuUsageData.size`
  `} else {`
  `TOP_THREAD_COUNT`
  `}`
  `val traces: MutableMap<Thread, Array<StackTraceElement>> = Thread.getAllStackTraces()`
  `//定义tid 和 thread的映射关系map`
  `val tidMap: MutableMap<String, Thread> = mutableMapOf()`
  `traces.keys.forEach { thread ->`
  `//调用native方法获取到tid信息`
  `val tidInfo = hotMonitorListener?.findTidInfoByThread(thread)`
  `tidInfo?.let {`
  `findTidByTidInfo(tidInfo).let { tid ->`
  `if (tid.isNotEmpty()) {`
  `tidMap[tid] = thread`
  `}`
  `}`
  `}`
  `}`
  `//采集topN的发热堆栈`
  `for (index in 1..dataCount) {`
  `val singleThreadData = threadCpuUsageData[index - 1]`
  `val isMainThread = singleThreadData.pid == singleThreadData.tid`
  `val thread = tidMap[singleThreadData.tid.toString()]`
  `thread?.let { findThread ->`
  `traces[findThread]?.let { findStackTrace ->`
  `//获取当前的线程堆栈`
  `val sb = StringBuilder()`
  `for (element in findStackTrace) {`
  `sb.append(element.toString()).append("\n")`
  `}`
  `sb.append("\n")`
  `if (findStackTrace.isNotEmpty()) {`
  `//是否为主线程`
  `//组装hotStack`
  `val hotStack = HotStack(`
  `//进程id`
  `singleThreadData.pid,`
  `singleThreadData.tid,`
  `singleThreadData.name,`
  `singleThreadData.cpuUseRate,`
  `sb.toString(),`
  `thread.state`
  `isMainThread`
  `)`
  `// Log.d("HotMonitor", sb.toString())`
  `hotStacks.add(hotStack)`
  `}`
  `}`
  `}`
 
  `}`
  `}`

四

监控方案

了解核心指标数据是如何获取的前提下，其实监控方案的核心思路无非就是通过远端 APM 配置中心下发的采样阈值、采样周期、各模块数据开关等限定采样配置，子线程 Handler 定时发消息，采集各个模块的数据进行组装，在合适的时机进行数据上报即可，具体的数据拆解、分析工作则由发热平台进一步处理。

模块整体架构

picture.image

上报时机

picture.image

核心采集流程

picture.image

线上线下区分

由于所有子线程的 CPU 采集、堆栈采集实际上是会对性能有折损的，200+ 的线程的读取耗时整体在 200ms 左右，采样子线程的 CPU 使用率在 10%，考虑到线上用户体验问题，并不能全量开启高频率采样。

picture.image

故整体方案来说: 线下场景以重点侧重发现、排查、治理全量问题，上报全量日志，以 CPU、GPU 使用率为第一衡量指标；

线上场景以重点侧重观察整体发热大盘趋势、分析潜在问题场景，上报核心日志，以电池温度为第一衡量指标。

发热平台

在平台侧同学的支持下，发热现场数据经过平台侧进行消费，将核心的发热堆栈经过 Android 堆栈反混淆服务进行聚合，补齐充电状态、主线程 CPU 使用率、问题类型、电池温度等基础字段，平台侧就具备发现、分析、解决的流程化监控推进的能力。

具体的堆栈信息 & 发热信息平台展示如下:

picture.image

由于电池温度、CPU 使用率是针对运行时发热场景最直观的指标，且我们一期重点关注发热场景的治理，不针对元器件 Hook 等耗电场景进行持续深入分析，故当前得物侧是以电池温度、CPU 使用率为第一第二指标建立核心的发热问题四象限，优先关注高温、高 CPU 的问题场景。

picture.image

在数据分析过程中，我们遇到了数据上的效率排查效率不够高、问题精度不够准的情况。

如何定位是高温场景是发生在 App 内部，且在使用过程中明显上升的？通过过滤从启动开始即高温、后台切换回来即高温的场景，重点关注在 App 内部温度上升的场景。
线上的采样后仍旧单日有 6w+ 数据的上报，我们如何筛选出更为核心的数据？当前的做法是定义了温度跨度的概念，优先看在 App 内部温度跨度较大的 Case。
线程存在调用 Wait 等方法阻塞的堆栈，消耗内核态的时间分配，但实际不消耗整体 CPU 的误报数据。补充了线程的运行状态和 Proc 文件中记录的 State，方便优先处理 RUNNABLE线程的 CPU 高温高占用问题。
手机温度上升作为渐进式的场景，如何实现温度上升场景下的页面精确归因？增加温度采样频率的同时，汇总 CPU 使用率和实时堆栈等瞬时数据作为数据支撑，但考虑到数据体量的情况，数据上报聚合裁剪方式仍在逐步探索更为合理的方式，力求在两者之间找到一个平衡点。

picture.image