Part 1 采集数据
- 在fio的Android.bp加入下面的code.
pgo: {
instrumentation: true,
benchmarks: [
"fio", // benchmarks可以理解为当前优化的workload的名字.
],
profile_file: "fio.profdata", // fio.profdata表示会去toolchain/pgo-profiles下面寻找该文件.
}
- make fio ANDROID_PGO_INSTRUMENT=fio
- 运行binary/library, 它会在/data/local/tmp下面生成profraw的文件
# build/soong/cc/pgo.go
const profileInstrumentFlag = "-fprofile-generate=/data/local/tmp"
- llvm-profdata merge -output=fio.profdata default_xxxxxx.profraw
注意llvm-profdata需要用Android prebuild的版本, 位于./prebuilts/clang/host/
llvm-profdata show -all-functions fio.profdata // 可以dump profile信息, 可以通过function id将default_xxx.profraw和具体的library/binary对应起来.
Part 2 使用profile来优化
- 把profdata放到toolchain/pgo-profiles
- make fio // 不设置ANDROID_PGO_INSTRUMENT的话, 它就不会插入profile的代码.
- run
PS:
- 进程会在exit的时候dump profile, 收到signal 9的时候并不会dump.
所以如果是要优化长期存在的service, 需要做些hack.
# external/compiler-rt/lib/profile/InstrProfilingFile.c
int __llvm_profile_register_write_file_atexit(void) {
- 假设已经带上ANDROID_PGO_INSTRUMENT编译过libc了. 但是你在make别的库的时候, 没有加这个变量, 同时这个库引用过libc, 那也会引起libc的重编译
- 可以通过nm或者objdump来验证opted library是否符合预期.
(hot的method排列在相邻的VMA上)
nm -n [lib_name]
参考: https://source.android.com/devices/tech/perf/pgo
