unity性能分析之Profiler工具的使用

　　　　　　　　　　　　图 1 -1   Profiler 入口

 

    要分析独立应用程序 需要勾选以下量两项，否则不精准

 　　　　　　　　　　　　　　　　图 1- 2 启动标志

 

打开Profiler ，

 　　　　　　　　　　　　　　　　　　　　　　图 1-3  Profiler 界面常规设置

 

 PlayModel ：运行模式下  我们就用这个

Hierarchy: 表示浏览视图 选择这个 便于观察

DeepProfiler:表示深层次探测，选中此选项 会重新编译项目，而且堆栈信息比较全面，层次太深，不方便查看。一般不需要选中。

 

我们经常听说帧率：每秒 30Fps ,45FPS , 60FPS ，那么每帧的时间是多少? 1秒是1000ms，每帧的时间 = 1000 /  帧率 。如果游戏设定是30FPS ，那每帧的时间是 1000 / 30 = 33.3ms ,也就是说 留给CPU 每帧计算的时间只有 33.3ms.

可以通过API 强制设置帧率：Application.targetFrameRate  = 30 ，设置-1为不限制帧率，同时 我们要关闭掉 垂直同步Vsync。垂直同步：应用程序的帧率会受监视器的帧率限制。

　　　　　　　　　　　　　　　　　　　　 图 1- 4  关闭垂直同步

 

 

运行游戏 ，点击游戏中的球员管理，里面是有2000多张卡牌的 需要计算战力的，比较耗时。

 

 

　　　　   　　　　　　　　　　　　　　　　　　　　　　图 1-5 打开球员管理界面 有一个瞬间高峰

用鼠标选中高峰，查看此时的 GC及相应的耗时

 

　　　　　　　　　　　　　　　　　　　　　　　　图1- 6  打开球员管理 标记耗时操作

 

GetPower 耗时 31.78毫秒，其中 GetPower0  25.22毫秒

那么这些BaseCardModel xxx =====>>> 是怎么来的呢？ 使我们在代码中写的，便于识别：

　　　　　　　　　　　　　　　　　　　　　　　　图 1-7  代码采样

 

 代码中BeginSample 一层套一层，在Profiler窗口中也是如此展示，为了便于得知每一层的耗时是多少。

　　　　　　　　　　　　　　　　　　　　 图 1-8  不同层次的耗时

 

 

 打开发现 GetPower0 里面还有2层 , 这是因为：我们调用了GetCardAbilityAllPower() 方法 

 

 这里也是为了 弄清楚 耗时出现在一块，便于我们去优化。

LuaProfilerUtl 的代码 仅对 Profiler采样进行简单的封装，会了更加便于获知 耗时。代码如下：

local LuaProfilerUtl = {}
local _isOpen = Application.isEditor == true or is_show_profiler_log == true
local __profilerMap = {}

local function _getkey(...)
    local par = { ... }
    local key = ""
    for _, value in pairs(par) do
        if key == "" then
            key = tostring(value)
        else
            key = key .."_"..tostring(value)
        end
    end
end

function LuaProfilerUtl.Begin(...)
    if _isOpen == false then return end
    local key = _getkey(...)
    __profilerMap[key] = Time.realtimeSinceStartup
end


function LuaProfilerUtl.End(...)
    if _isOpen == false then return end
    local key = _getkey(...)
    if type(__profilerMap[key]) ~= "number" then return end
    if is_show_profiler_log then
        print(key.. "======>" .. string.format("%.4f", Time.realtimeSinceStartup  - __profilerMap[key] ))
    else
        print(key.. "======>" .. string.format("%.4f", Time.realtimeSinceStartup  - __profilerMap[key] ))
    end
end

function LuaProfilerUtl.BeginSample(...)
    if _isOpen == false then return end
    local key = _getkey(...)
    Profiler.BeginSample(key)
end

function LuaProfilerUtl.EndSample(params)
    if _isOpen == false then return end
    Profiler.EndSample()
end

return LuaProfilerUtl

 

继前面说的FPS，我们切换到Timeline 视图，如图 1-5 ，高峰耗时达到73.87ms , 1000 / 73.87ms = 13.5FPS 。数据太多，cpu计算耗时，界面打开一瞬间FPS降低。 GPU 在未收到CPU的数据期间一直处于等待状态。

 

 

 　　　　　　　　　　　　　　　　　　　　　　　　　　　　图1-9Timeline 视图

 

Gfx.WaitForGfxCommandsFormMainThread：GPU正在等待CPU完成计算，GPU处于空闲阶段。 

由此我们可以得出：性能瓶颈是卡在CPU 还是GPU ，便于我们进一步的精准优化。