Firebase Android SDK性能监控库中的SharedPreferences性能问题分析
2025-07-02 15:35:27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
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
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
9
1
🎉 (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
1.2 K
655
🔥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
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137