拍卖前端质量之 基于业务驱动的前端性能监控的有效实践

1.背景

1.1.前端性能优化的业务意义

前端的本质价值是什么?

我认为是 给用户创造良好的交互体验。

前端性能对用户体验、对业务跳失率的影响，在业界已有共识，不言而喻。

根据 Google 的数据，如果移动站点的加载时间超过 3 秒，53% 的用户会放弃访问。

加载时间从 1s 延长到 3s 时，跳失率增加32%——

加载时间从 1s 延长到 5s 时，跳失率增加90%——用户还没看到辛苦优化的页面，就走了一部分 。

（参考：https://zhuanlan.zhihu.com/p/51673262）

抵达率优化应该在转化率之前

用户能够正常访问网页，网页的内容才能产生价值。

所以在优化着陆页内容、提高转化率之前，要先保障抵达率。

抵达率太低，哪怕页面转化100%，整体的转化效果也会很差。

1.2.测试把控难点

• 现在流行的，运营自行搭建页面+自行多端投放 方式，使我们的不可控。
• 原先发现性能问题主要通过感受+性能跑测数据，或者运营以业务要挟、或者质疑受机器等因素影响、或者相互推诿主要瓶颈点，使优化无法落实。
• 部分性能优化困难，影响性能点比较复杂，实行优化的收益不可预知，也阻碍了优化的落实。

2.前端性能优化 测试视角的解法

很多人都认为，前端性能优化，重点在“前端”优化，“测试”很难起到主导作用。

试着换个角度，从整个研发团队视角看，前端做运动员专项治理，测试做裁判员专项评测，这套机制，是否更能切实做到优化，达成的数据也更让大家信赖？

再者，测试不止局限于此，还可做队医、分析师。。。。

2.1.可持续优化闭环

以下持续优化闭环，是我们摸索着实行了一年多，有效且高效的解法

从上图看，整个过程为：

step0、前端事先进行埋点，（一般前端做了sdk，直接引入即可）

step1、测试通过性能黑榜，发现最为突出的重点性能问题页面（首屏平均时长&秒开率，PV&业务意义， 多项结合度量）

step2、协助前端一起专业分析问题页面，找出性能瓶颈点

step3、前端更有策略地针对性治理

step4、查看性能趋势变化，验证优化效果

step5、假设已达到优化预期，或者有更糟糕的页面把之前页面挤下去，继续关注黑榜前列的页面（即跳到step1，继续轮转）

我们可以发现，测试通过发现、分析、验证 三板斧，驱动推进页面性能优化

2.2.效果明显

从2021年10月份开始迭代以来，共发现了8类严重性能问题。

包括：端外（支付宝）性能问题，外投&跨端性能问题，pha架构性能问题，运营不规范配置导致、其他业务原因导致的性能问题等

并且快速有效，在业务方或其他同学提过来之前，我们都已经发现并有了分析，在优化节奏上更具有主动性。

3.性能问题的发现

通过线上用户的真实采集，并制定能反应用户体感的指标，进行性能黑榜和全局趋势分析。

从重点单点角度，我们通过性能黑榜；

从整体视角，我们通过整体趋势分析。

3.0.性能数据的采集

3.0.1.几个名词解释

ARMS前端监控专注于对Web场景、小程序场景的监控，从页面打开速度（测速）、页面稳定性（JS诊断错误）和外部服务调用成功率（API）这三个方面监测Web和小程序页面的健康度。

SLS日志服务为Log、Metric、Trace等数据提供大规模、低成本、实时的平台化服务。日志服务一站式提供数据采集、加工、查询与分析、可视化、告警、消费与投递等功能。

ODPS即MaxCompute，是适用于数据分析场景的企业级SaaS模式云数据仓库。

FBI是阿里内的智能大数据分析和可视化平台，下面的所有截图都是在FBI平台配置图表而成，还未对外开放。

3.0.2.全过程

arms-sdk结合前端的自定义埋点，在海量用户访问的同时，就会自动上报数据到sls日志库，整体过程如下图

• 针对H5搭建页的埋点，使用通用方案，一次性埋点即可，前端后续无需额外埋。
• sls日志报表查实时数据，用于实时分析，实时验证。
• ODPS数据长期存储已计算完指标的数据，用于记录、比较、趋势分析。

3.1.性能指标的确定

3.1.1.统计范围--用户视角

所有前台页面，每个用户每次浏览的有效数据（完全加载<15s 内有效）

指标的影响因子：从用户视角，页面流量越大，则对整体数据的影响越大（也就是权重越大）

这样做的好处：流量越大数值越严重的，优化的效果（正反馈）越明显，确定了治理性能问题的优先级

3.1.2.三个指标

结合淘系、以及集团其他部门的

3.2.性能黑榜

为何要用性能黑榜来作为主要发现手段？我们通常可推理得：

• 排在性能黑榜前列的，必然是性能问题最突出的，相对方便分析

（可根据各自业务，加个样本量的筛选，如我们看每日pv 10w以上的）

• 再结合样本量（pv正相关）数据，样本量非常大的，性能优化的收益必然也是非常大的
• 模块化组件开发盛行的今天，优化某个模块或场景的问题，收益点不仅仅在当前页面，也在其他用了同样模块或场景的页面
• 榜单形式，更能引起老板、对应前端负责同学、对用户体验关注的同学的重视

举例如下图（已模糊化处理），前4位都是支付宝端性能较差导致

3.3.整体性能趋势分析

整体趋势分析，即是为在整体角度，看我们的页面性能趋势，它是重要的度量指标。

这里我们把所有的流量都纳入，没有页面的区分，

为的是基于用户维度，流量大的页面权重自然会更大。

从上图看，1月初到2月中旬的数据正在持续恶化，必须要采取措施治理！

4.性能问题的分析

（下文以2022年2月A频道页面为例，均为dummy仿造后数据，也不代表整体情况）

4.1.如何衡量性能问题严重性

衡量性能问题严重性，是为了让大家意识到优化的必要性，以及急迫性

4.1.0.进入性能黑榜前几名

同3.1.性能黑榜，不赘述

4.1.1.看完全加载时长分布

见下图“可交互时长分布图”，一个记录代表一个用户，

即使不去统计，我们都能很明显的看出来，这个A频道页面：

<1.5s的比例很低，

1.5~3s占比最大

>3s的比例相对而言很高，居然还有这么高比例在8s以上？

4.1.2.看时长分布比例

和开发说明问题严重性时，这个会很有代入感，

比如见下图，10%的Android用户在4.9s以上，是不是可以认为他们大部分都跳失了？

4.1.3.看和总体数据的对比

下图不用算都能明显发现，秒开率和 整体数据差异实在太大

4.2.分析性能瓶颈-分析思路

首先要明确，性能分析主要是给相关页面的前端、开发同学看，给关心问题的测试同学看，所以我们可以拆分的更细节、更专业，

可以先分前端、后端2个大类

4.3.分析性能瓶颈-前端环节

4.3.1.分终端分析

业务因素（具体不表），分终端是重点。

从可交互时长、秒开率、3秒+率、5秒+率，分别分析，都能论证--支付宝端问题更明显。

4.3.2.分阶段分析

下图将t1~t9 每个阶段打点情况可视化，并分析重点环节的差值（打点逻辑由前端定义）

见图2可以明显观察到：

1、接口耗时太久，且2.12后变差明显（可以去追溯下2.12发生了什么）；

2、LBS获取耗时很久，高于平均1倍以上，而取lbs是A频道页的关键逻辑

4.3.3.分高中低端机分析

我们根据手淘的高中低端机评判标准，埋点获得数据

平均时长，高中低各自占比，以及低端时长分布（也可选中高端）

下图可发现，低端机比例很低（需要思考是否有必要重点优化），

但低端机超过3秒以上的比例远高于其他的（和总体的完全时间分布对比）

4.3.4.其他分析

包括：机型、系统等，可做参考

4.4.分析性能瓶颈-后端环节

4.4.1.后端接口分析

主要从后端维度来分析

• 服务端链路逻辑，需要另做具体分析
• 分页面的处理逻辑，需要结合业务逻辑来看

这里可见，下图尽管是开始发起请求-》收到请求的全过程，但也严重超标（几乎是标准值的2倍）

4.4.2.网络传输消耗分析

整个接口过程：

请求连接(apiConnect)--》服务端处理(apiRequest)--》数据下载(apiResponse)

细节不表了

4.5.分析结论关键思路

思路

1、数据差值越大的，样本量越多的，性能数据优化越明显

2、结合业务意义

3、为前端分析提供方向，更细节分析，还是要依赖前端的专业分析

还是以A频道为例，

从数据差值看，接口和lbs，和均值差异最大

从样本量看，支付宝 流量占有一定比例，

因此，我们优化的重点在：接口、LBS、支付宝端

5.性能问题的验证

主要通过单页面性能趋势分析，主要2个作用

• 验证性能优化效果，做到可量化
• 及时洞察到页面性能向差的趋势，更具有主动性

5.1.性能恶化及时反馈  

再如下图，今年1月，一次业务需求，致使性能变差，又马上发现

所以也推荐大家把性能趋势图，定时发送到钉钉群，更及时发现

5.2.性能优化效果验证

作者：钱文玲，来自 阿里拍卖技术质量团队

文章基于拍卖业务的前端性能提升实操经验总结，很好结合了业务特点和痛点来设计质量策略。

拍卖技术质量团队：创新业务新赛道，建立和完善一套适合阿里拍卖业务的测试体系。结合搜索，数据，算法，导购，营销，交易，直播等多领域的测试能力，继续深度拓展自动化，性能测试，精准测试，业务监控等方面的测试价值。为提供更加稳定，顺滑的产品体验，打造高质量的拍卖业务系统保驾护航。