背景
随着移动应⽤程序开发越来越流⾏， 越来越多的应⽤程序浮现于市场。 但是， 开发移动应⽤程序 并不是⼀个简单的过程， 需要花费⼤量时间， 尤其是如果想要⼀个可跨 Apple、 Android 和 Windows 运⾏的可扩展移动应⽤程序。
然⽽， 糟糕的性能可能会极⼤地损害⽤户体验。 ⽤户在任何时候都不希望看到 10 秒以上的启动 画⾯。 如果等待时间过⻓， 他们可能会感到⽣⽓、 放弃购物、 减少停留时间或完全卸载应⽤程 序。
随着开发平台的普及， 我们需要正确的⼯具和⽅法来满⾜不断增⻓的需求。
Xamarin 就是这样⼀种框架， 它⽀持在 Android、 iOS 和 Windows 平台上共享单个代码库。
所以， 我们将在 Xamarin.Android 应⽤程序中测试性能， 就像在 Android Studio 中使⽤ Java 开发⼀样， 我们可以使⽤c#对性能进⾏测试， 从⽽优化启动时间。
测试总启动时间
⾸先测试程序在不同设备的启动时间， 此处⽤到的⼯具是友盟+推出的U-APM。 从图中可以看 出应⽤程序在启动时间上还存在着⼀定的优化空间。
在 Android 上， ActivityManager系统进程会显示⼀条“初始显示时间”⽇志消息， 可以更好地了 解整体启动时间。 在命令⾏使⽤adb logcat快速查看 Android 设备⽇志。 或者使⽤Visual Studio 中的Android 调试⽇志。
在 Windows 上， 运⾏以下 powershell：
输出：
上述⽇志消息是在 x86 Android 模拟器上从 Visual Studio 调试应⽤程序时捕获的。 启动/连接 调试器会产⽣⼀些额外的开销， 并且缺少Debug编译时的优化。
如果我们简单地切换到Release配置并再次部署和运⾏应⽤程序：
如果我们在 Pixel 3 XL 设备上测试应⽤程序：
因为我们最终⽬标是提⾼移动应⽤程序的性能， 那么第⼀步应该是实际测试卡顿函数的具体位 置。 如果盲⽬地进⾏代码更改， 最终可能会和我们推测的结果产⽣很⼤的分歧， 如果⼀些复杂的 性能改进甚⾄会损害代码库的可维护性。 这个过程应该是： 测试， 做出修改， 再次测试， 并且重 复以上步骤。
采⽤U-APM测得卡顿位置主要出现于：
诊断问题
好， ⽬前应⽤程序由于readRawTextFile很慢。 现在我该怎么办？
⾸先我们需要对以下⼏个组件有⼀个系统性的了解
安卓 ART
Android 运⾏时 (ART) 是 Android 上的应⽤程序和系统服务使⽤的托管运⾏时。 ART 作为运⾏ 时执⾏ Dalvik 可执⾏⽂件 （.dex ⽂件 - D alvik EX可执⾏⽂件） ， 这是⼀种⽤于存储 Dalvik 字节码的紧凑格式。
ART 通过在安装应⽤程序时将整个应⽤程序编译为本机代码， 引⼊了提前 (AOT) 编译。 这带来 了更快的应⽤程序执⾏和改进的内存分配。 以及垃圾收集机制、 更准确的分析等等。
为了实现这⼀点， ART使⽤dex2oat来创建⼀个ELF （可执⾏和链接格式） 的可执⾏⽂件。 缺点 是需要额外的时间来编译。 此外， 应⽤程序会占⽤⼤量磁盘内存来存储已编译的代码。
Mono 运⾏时提供AOT 功能。 Mono 将预编译程序集以最⼩化 JIT 时间并减少内存使⽤ 。 Mono 可以在⽀持它的平台 （如 Android） 上⽣成 ELF .so ⽂件。 然后它在原始程序集旁边存储 ⼀个预编译的图像。
即
然后， 这些⽂件可以被 Mono 运⾏时使⽤， 并省略 JIT 开销
启动跟踪
Mono 引⼊了⼀项功能， 允许在应⽤程序上使⽤内置的 AOT 分析器来⽣成 AOT 配置⽂件。 分 析器进⾏内存分析、 执⾏时间分析， 甚⾄是基于统计的抽样分析。 这会⽣成⼀个 AOT 配置⽂ 件， 当使⽤带有配置⽂件的 Mono 的 AOT 功能时， 该配置⽂件可⽤于优化应⽤程序。
启动跟踪可⽤于Visual Studio 2019 版本 16.2或Visual Studio for Mac 2019 版本 8.2。
可以通过编辑 Android 项⽬的 .csproj ⽂件并在 Release
也可以在项⽬设置的Android 选项中进⾏设置， Mono 的 AOT 编译器启⽤使⽤会默认配置⽂件 的启动跟踪， 并在部署时加快 Android 应⽤程序的启动时间。
实际分析
我们需要实际分析我们的代码并需要改进。 切换回Debug配置， 并通过运⾏以下命令启⽤Mono 分析器：
adb shell在 Android 设备或模拟器上运⾏单个 shell 命令。 setprop设置Android系统属性， 类 似于其他平台上的环境变量。
然后只需强制退出并重新启动应⽤程序。 下次启动时， Mono 会在 Android 应⽤程序的本地⽬ 录中保存⼀个⽂件。 profile.mlpd
注意这⾥存在⼀个问题， 该⽂件只能由应⽤程序本身访问， 因此我们必须使⽤命令来定位⽂件： run-as
为了从设备上获取⽂件， 我使⽤了⼀个已知的可写⽬录， 例如： /sdcard/Download/
复制⽂件后， 您可以使⽤adb pull将⽂件获取到您的台式计算机： profile.mlpd
profile.mlpd是⼀个⼆进制⽂件，
Windows ⽤户需要在⽤于 Linux 的 Windows ⼦系统中安装 Mono才能运⾏。
有了上⾯的⼀系列代码， 就会出现⼀些有趣的数字。
解决方案
我们通过前⽂的调⽤， 可以发现以下⼏个函数可能需要相当⻓的时间：
还可以看到内存分配， 例如：
请注意， 如果您需要查看这些分配来⾃哪些⽅法， 您可以传递到。 --tracesmprof-report
我们做出了多种尝试， 也都收到了⼀定成效。 但是我们最意想不到的是， 下⾯这个简单的改动。 我们尝试将string直接从stream中读取， ⽽不是使⽤响应的内容创建， 然后使⽤新的
System.Text.Json库来进⾏更⾼效的 JSON 解析：
查看⽅法调⽤的差异， 我们可以看到⼀个明显的时间优化：
我们还可以看到以下内存分配的差异：
这⼀点， 和我们在U-APM中测试得到的瓶颈函数相吻合， 瓶颈确实是处在readRawTextFile函 数中， 我们尝试了以下⼏种⽅法， 也⼀定程度上缓解了启动问题， 但收益并没有U-APM中的 readRawTextFile那么⼤。 在此列出， 仅供参考：
- 我们可以缓存 Web 请求的结果
- 我们可以从磁盘上的⽂件加载之前的调⽤结果， ⽐如设置24 ⼩时内有效。
- 由于调⽤不是互相依赖， 我们可以同时进⾏异步调⽤
- 在服务器端， 我们可以进⾏⼀个新的 API 调⽤， 在⼀个请求中返回所有调⽤的数据
结论
优化性能很难， ⽅向也很多。 关于代码慢的定位部分， 改动后可能会发现这⼀部分根本不会产⽣ 效果， 对代码产⽣影响的最佳⽅法是测试、 测试， 然后再次测试。 改变后再次测试。 ⽽通过测试 去提升性能， 往往能针对问题做预先准备。 也往往能更核⼼地提升核⼼性能瓶颈， 从⽽带来⽅⽅ ⾯⾯的全⽅位提升。