Firebase Android SDK性能监控库中的SharedPreferences性能问题分析
2025-07-02 15:55:04作者:余洋婵Anita
问题背景
Firebase Performance Monitoring是Google提供的一款应用性能监控工具,它可以帮助开发者追踪应用的性能指标。在Android平台上,该库通过firebase-perf模块实现,开发者可以使用它来创建自定义的性能跟踪点(trace)。
近期发现,该库在实现性能跟踪功能时存在一个严重的性能问题:每次调用trace函数时都会触发SharedPreferences的写入操作,这在频繁调用的情况下会导致主线程阻塞,进而引发应用无响应(ANR)问题。
技术原理分析
SharedPreferences的apply机制
SharedPreferences是Android提供的一种轻量级数据存储方式,通常用于存储应用的配置信息。当调用apply()方法提交修改时,Android系统会:
- 先将修改写入内存中的Map
- 然后通过Handler将实际的文件写入操作放入后台线程队列
- 最后通过QueuedWork机制确保在Activity生命周期关键点(如onPause)完成所有待处理的写入操作
问题根源
在firebase-perf库中,每次创建性能跟踪时都会调用isPerformanceMonitoringEnabled()方法检查性能监控是否启用。这个方法内部会:
- 访问DeviceCacheManager
- 调用setValueIfConfigValueUpdated方法
- 最终触发SharedPreferences的apply()操作
当应用中启用了网络性能跟踪、屏幕跟踪和多个自定义跟踪时,这些频繁的SharedPreferences写入操作会导致:
- 大量后台写入任务堆积
- 在Activity暂停时,QueuedWork需要同步执行所有待处理任务
- 主线程被阻塞,引发ANR
影响范围
这个问题在以下情况下尤为严重:
- 应用中启用了多种性能跟踪功能
- 跟踪点被频繁调用(如列表滚动时的屏幕跟踪)
- 在低端设备上运行
- Android 14及以上版本(ANR报告机制更加严格)
解决方案
Firebase团队已经意识到这个问题,并在代码库中提交了修复方案。主要改进思路是:
- 减少不必要的SharedPreferences写入操作
- 缓存isPerformanceMonitoringEnabled()的结果,避免重复检查
- 优化配置更新的触发机制
最佳实践建议
对于开发者而言,在等待官方修复版本发布期间,可以:
- 评估自定义跟踪点的必要性,减少不必要的跟踪
- 在高频调用的代码路径中谨慎使用性能跟踪
- 监控ANR报告,识别性能瓶颈
- 考虑暂时禁用某些性能跟踪功能
总结
Firebase Performance Monitoring是一个强大的工具,但不当的实现细节可能导致严重的性能问题。这次发现的SharedPreferences频繁写入问题提醒我们,即使是看似无害的配置检查,在频繁调用时也可能成为性能瓶颈。开发者应当关注这类底层实现细节,并在性能敏感场景中进行充分测试。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
热门内容推荐
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
570
3.84 K
Ascend Extension for PyTorch
Python
381
456
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
894
679
暂无简介
Dart
803
198
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
353
209
昇腾LLM分布式训练框架
Python
119
146
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
12
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
68
20
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.37 K
781