自动化工具全自动化的抖音启动速度测试

williamfzc · 2020年02月12日 · 最后由刘珂回复于 2023年01月13日 · 14228 次阅读

本帖已被设为精华帖！

前言

项目介绍：https://testerhome.com/topics/19978
如何手动或自动进行 app 的启动速度测试：https://testerhome.com/topics/22067
项目地址：https://github.com/williamfzc/stagesepx
例子地址：https://github.com/williamfzc/work_with_stagesepx

背景

我来啦，感谢社区的朋友们对这个项目的支持，这次有机会到 MTSC2019 深圳站上分享。虽然讲得还不够好，但是对自己也是一次难得的历练机会。
开发维护至今，很开心能得知，已经有不少团队将该工具落地到实际项目中，其中不乏来自各大厂的业务团队们。这也是开源项目的意义之一。

当然，随着使用范围增大，功能更加复杂，我们也在不断改进与优化这个工具。目前，stagesepx 已经迭代了 35 个版本，稳定性与功能比起之前也不可同日而语。
在启动速度测试这一块上，应用已经趋向稳定。因此，本文将针对这一项，进行一个完整例子的讲解。

起因

其实，对于一般应用来说，可以参考前言中如何手动或自动进行 app 的启动速度测试的方式去做就可以。之所以会有这么一项，是因为：

一些超级 app 的启动过程非常复杂且可变
无法满足游戏的需求

简而言之，也就是部分同学最关心的动态化问题。举个例子，抖音的启动过程是这样的：

可以看到，它有五个阶段（你也可以按照你的理解划分）：

初始阶段（app 没打开）
首屏（抖音字样）
插屏广告（可能有）
应用内首屏（视频未加载，但主体控件已加载完成）
应用完成（视频与控件均以加载完成）

看起来还好，但是：

插屏广告每次打开都不一样，且不一定有
抖音的主页是动态的，会大面积动，而且每次都不一样

由于模型的限制，之前的 stagesepx 没法满足这个问题，所以，这类问题也成为它应用的瓶颈。
本篇文章将以抖音为例（此条五毛），描述现在的版本如何处理复杂情况下的启动速度测试问题。

这里选抖音只是因为抖音的启动流程够复杂，方便讲解

流程

所有代码可以在例子地址找到。

场景设计

对于测试来说，场景与过程设计永远是最重要的。如果标准都没有定下来，操作没有任何意义。
这里我们的规划保持与上面相同，五个阶段。另外在本次测试中我们姑且认为：

应用完成的首点 - 初始阶段的结束点 = 启动耗时（这里自行根据实际需要去界定）

操作

这里请先阅读如何手动或自动进行 app 的启动速度测试中的自动测试部分，操作流程差不多。这里不会赘述

与上文一样，我们可以利用几个视频，得到一系列的截图。通过人工分拣，我们可以将截图按我们上面设计好的类别进行归类。训练集大概是这样：

然后一样的，我们在上面进行训练就可以得到我们想要的模型。
看起来与传统模式非常相似，不同之处在于，在这种模式下我们不再使用传统的 SVM 分类器，而改用 keras 支持的神经网络分类器。
当然，这一切对于用户来说几乎是无感知或不需要了解的，这也是我们在设计初期希望的，api 保持稳定，用户并不需要关心过多实现细节，能够更快实现功能。

from stagesepx.classifier.keras import KerasClassifier


data_home = "./dataset"
model_file = "./keras_model.h5"

cl = KerasClassifier(
    # 轮数
    epochs=10,
    # 保证数据集的分辨率统一性
    target_size=(600, 800),
)
cl.train(data_home)
cl.save_model(model_file, overwrite=True)

而代码上的修改也仅仅是从 SVMClassifier 替换为 KerasClassifier。那么我们就可以利用这个训练好的模型进行预测，并得到一个字典：

OrderedDict([('-3',
              [<ClassifierResult stage=-3 frame_id=63 timestamp=1.062857142857143>,
               <ClassifierResult stage=-3 frame_id=64 timestamp=1.0797278911564627>,
               ...
             ('0',
              [<ClassifierResult stage=0 frame_id=1 timestamp=0.01687074829931973>,
               ...

从这个字典中我们可以知道，每一帧分别对应的：

被分类到哪一个类别
时间戳
帧编号
...

那么理论上，我们可以由下一段脚本来处理这些结果，达到自动计算的目的。回到我们一开始的设计：

应用完成的首点 - 初始阶段的结束点 = 启动耗时

对应到我们分好的类别（0、1、2、3、4），就是：

阶段4[0] - 阶段0[-1] = 启动耗时

即可自动计算出耗时。在此基础上，你可以根据实际需要进行额外的扩展，例如部署到 jenkins 上使其定时执行。

一些问题

看起来好像跟普通版本没什么变化，为什么要用 keras 分类器？

神经网络的介入主要为了强化分类的普适性。例如，抖音的插屏广告可能形态各异，而他们在被分类时又应该被分到同一个类别。让 SVM 完成这项任务未免有些强人所难。

训练完的模型效果并不好

动态情景下最大的问题是，每个阶段的表现可能是不相同的。以插屏广告为例，每次打开时插屏广告都不一样，此时我们需要扩大训练集，尽量让模型找到广告之间的共性，能够正确地将他们划分到同一类别。

对于抖音的例子，我这边大概用了四个视频作为训练集，此后的预测基本可以满足要求。当然对于真实的业务来说，你完全可以继续增大你的训练集，使其稳定性更强。

切换到 keras，性能是否有影响？对硬件（GPU）是否有要求？

诚然，神经网络的计算量相比之前要大许多，但并没有想象中那么大。

模型并不复杂
场景要求不高（仅做单标签分类）
训练集很小（百级别）

在这种情况下，用 cpu 训练已经足够。参考数据：

200 张图片
epoch = 10
MacBook Pro 2019 16g
耗时 3 分钟左右
最终 accuracy: 0.9871

除此之外，在切换到神经网络之后，虽然在训练过程上我们需要花费更多的时间，但分类的效率被极大地提高了。总的来说，这个结果是非常积极的。

最后

任何建议与意见可以留言或到主库留 issue~

https://github.com/williamfzc/stagesepx

66 个赞

最佳回复

williamfzc #1 · 2020年03月18日 Author 1 个赞

很多同学问到了落地细节相关的事项，实际上我们也做了一套将它与各类终端绑定到一起的方案，能够让他直接与诸如 uiautomator2 之类的框架一同运作，快速落地。

可以看看这个项目：https://github.com/williamfzc/sepmachine
与这个例子：https://github.com/williamfzc/sepmachine/blob/master/example/android/custom.py

对于文档的话实在是没时间细写，有空会单独发文介绍。这个例子在 100 行内，包含了对微信整个启动过程的全自动测试方法，可以试跑看看。几个前提先提醒免得直接跳坑：

需要 ffmpeg 安装好并配置在 $PATH 下
需要 scrcpy 安装好并配置在 $PATH 下
需要 pip 装一下 uiautomator2，例子里的自动化由他驱动，论坛搜一下好多帖子

既然要跟终端绑定，势必会带来很多环境、稳定性之类的麻烦事情，这也是我一直比较懒得做这个事情的原因。
不过比起这个，我还是希望这个项目能有一种比较漂亮的方式着陆吧。这个仓库应该可以帮到在落地上比较迷茫的同学，毕竟基于这个，需要写的代码量真的非常少了。
有问题与建议欢迎继续留言，或者到 sepmachine 的 issue 区：）

共收到 36 条回复时间点赞

zhangzhao_lenovo · #42 · 2020年02月12日

仅楼主可见

williamfzc #41 · 2020年02月12日 Author

对

zhangzhao_lenovo 回复

可以，你留我加你吧，我没法仅你可见

zhangzhao_lenovo · #7 · 2020年02月12日

仅楼主可见

恒温将本帖设为了精华贴 02月13日 09:27

chenyouan #5 · 2020年02月14日

我有比这更熟悉，完全自动化.图像识别 + 自动化脚本

williamfzc #6 · 2020年02月14日 Author

对

chenyouan 回复

欢迎出来遛遛

chenyouan #10 · 2020年02月14日

对

williamfzc 回复

https://mp.weixin.qq.com/s?__biz=MzU0NjcyNDg3Mw==&mid=100000612&idx=1&sn=4c3cdba1a887b65dcd1009100668c45c&chksm=7b580e024c2f87145597bb98e8c8206e9bfcdecd904453518267a26803c7d75a8f0704b91032#rd

williamfzc #35 · 2020年02月14日 Author

对

chenyouan 回复

嗯嗯，看起来是已经落地挺完全的哈。不过这种做法在最初的时候我们就试过了，在 MTSC 上也已经拿出来分析过，弊端也是比较多的。就拿这篇文章里的内容来说的话：

对于抖音这类高度动态化的 app 基本是无从下手
即时分析这条路会导致高度的延迟，如你文章说到的 200-300ms，对于现代 app 来说是完全不可接受的误差

Edrain #9 · 2020年02月27日

看了楼主的各种仓库，点出我的 “Follow”&“start”~
厉害

陈子昂 #13 · 2020年03月05日

如果是我可能只是记录下启动后有可能的 Activity 名称，然后启动后触发一个线程做轮询，一旦找到时间相减，用纳秒的计算返回。你这个就精细很多了。

williamfzc #32 · 2020年03月05日 Author

对

陈子昂回复

谢谢，埋点也是必备思路，我们正式落地时是结合着来的。

栋杰 #31 · 2020年03月10日

按work_with_stagesepx实践了一下 auto、manual、dynamic
其中，auto、manual 成功，尝试 dynamic 第三步执行 classify_with_model.py 分类时总是报错，产生的中间数据不对，KerasClassifier 分析原理的具体细节不了解，请楼主指点一下，谢谢

2020-03-10 15:38:40.925 | DEBUG    | stagesepx.hook:do:24 - execute hook: GreyHook, frame id: 1
Traceback (most recent call last):
  File "classify_with_model.py", line 25, in <module>
    classify_result = cl.classify(video, stable, keep_data=True)
  File "/usr/local/lib/python3.7/site-packages/stagesepx/classifier/base.py", line 359, in classify
    result = self._classify_frame(frame, *args, **kwargs)
  File "/usr/local/lib/python3.7/site-packages/stagesepx/classifier/keras.py", line 198, in _classify_frame
    return self.predict_with_object(frame.data)
  File "/usr/local/lib/python3.7/site-packages/stagesepx/classifier/keras.py", line 193, in predict_with_object
    frame = np.expand_dims(frame, axis=[0, -1])
  File "<__array_function__ internals>", line 6, in expand_dims
  File "/Users/aa/Library/Python/3.7/lib/python/site-packages/numpy/lib/shape_base.py", line 577, in expand_dims
    if axis > a.ndim or axis < -a.ndim - 1:
TypeError: '>' not supported between instances of 'list' and 'int'

williamfzc #30 · 2020年03月10日 Author

对

栋杰回复

比较怀疑是 numpy 版本问题：

你先pip list看看 numpy 版本多少，回复我一下，可能有些依赖没处理好；
pip install --upgrade numpy 单独升级一下，再试试；

栋杰 #29 · 2020年03月10日

谢谢
还真是 numpy 版本的问题
之前是 1.17.4，升级到最新版 (1.18.1)，再执行 classify_with_model.py 就通过了。

2020-03-10 17:59:11.842 | INFO     | stagesepx.reporter:draw:261 - save report to 2020031017591156.html

Joo #2 · 2020年03月11日 1 个赞

我们当前的测试场景是智能硬件系统本身的性能响应时间，如开关机时间、亮灭屏时间等场景，目前我们的测试方法是手机拍摄视频 + 手工分帧计算时间。

之前关注实践过 LZ 的框架，最终没有完全落地楼主的框架，比较遗憾，主要原因还是当时发现外置手机拍摄视频误差较大，解析计算时间也相对较慢。（当然也因为个人菜）

之前看过小米的性能测试方案，是外置机械手 + 高速相机视频拍摄 + 视频自动分析，但作为我们这个小团队来说，好像也不是很适用（成本过高）。

请问楼主有什么好的建议吗？

williamfzc #3 · 2020年03月11日 Author 1 个赞

对

Joo 回复

我记得早前跟你沟通那会儿，我还没有想到得用 ffmpeg 去处理软件录制之后的视频，所以那个时候我也误以为软件录制行不通。现在来说，软件录制 +ffmpeg 已经成为了推荐方式，准确度在实验室效果也很不错，可以试试；

不过对于一些特殊场景，例如开关机这种，似乎也没办法用软件录制，确实是比较麻烦。硬件方向我了解到比较多的还是会用外置相机，但是分析这一块还是可以用这套分析工具的；

小米的同学似乎最近也在调研这个方案，不过进展跟结论我就不太清楚了，有相关同学也可以出来冒个泡；

williamfzc #1 · 2020年03月18日 Author 1 个赞

可以看看这个项目：https://github.com/williamfzc/sepmachine
与这个例子：https://github.com/williamfzc/sepmachine/blob/master/example/android/custom.py

需要 ffmpeg 安装好并配置在 $PATH 下
需要 scrcpy 安装好并配置在 $PATH 下
需要 pip 装一下 uiautomator2，例子里的自动化由他驱动，论坛搜一下好多帖子

aibreze #18 · 2020年03月18日

试试这个软件，我们公司用硬件高速摄像机获取 app 从点击到应用首页加载完成，根据拍摄的帧率，计算应用首次启动速度，还有页面跳转滑动流畅等等

Tiffany #19 · 2020年03月28日

棒

lt-juejiang #5 · 2020年03月31日 1 个赞

对

williamfzc 回复

楼主，请教一下跟埋点结合落地的方案大概是什么样的啊，最近在学习这个项目，也想看是否能跟现有的埋点结合一下，目前还没想到比较好的方案

williamfzc #20 · 2020年03月31日 Author

对

lt-juejiang 回复

埋点跟这个完全没冲突啊

Ciara #21 · 2020年04月01日

Hi，在测试的时候发现第三帧的时间比第四帧晚，想问一下你们有遇到类似的情况吗？结果是使用 work_withstagesepx 的 manual 脚本跑出来的，视频使用 adb 录制。

williamfzc #20 · 2020年04月01日 Author

对

Ciara 回复

用 pip list package 看一下 stagesepx 与 opencv 分别是什么版本

Ciara #24 · 2020年04月02日

对

williamfzc 回复

opencv-python 4.2.0.32
stagesepx 0.11.1

williamfzc #25 · 2020年04月02日 Author

对

Ciara 回复

用 ffmpeg 处理过？
没有的话视频私发下我吧

Ciara #26 · 2020年04月03日

对

williamfzc 回复

好的 QQ 已经发你了～

williamfzc 在 [该话题已被删除] 中提及了此贴 04月08日 12:59

白桔 #28 · 2020年04月30日 1 个赞

对

Joo 回复

外设拍摄的话可以先做归一化和滤波 + 透视变换将有效区域提取出来，规避拍摄设备导致的误差问题，接下来就和录屏是一样的了

风里2289191 #27 · 2020年05月25日

有没有简单现成的工具啊大佬们

williamfzc #13 · 2020年05月25日 Author

对

风里2289191 回复

说下你的目的

史上最强狗熊 #28 · 2020年07月15日

我用了大佬提供后面这个实现了整个自动化 app 录屏到自动计算时间，想问下生成的报告可以自定义吗？没找到啥资料谢谢

williamfzc #11 · 2020年07月16日 Author

对

史上最强狗熊回复

https://github.com/williamfzc/stagesepx#%E5%BD%BB%E5%BA%95%E8%A7%A3%E8%80%A6--%E5%8F%AF%E7%BC%96%E7%A8%8B

史上最强狗熊 #30 · 2020年07月22日

对

williamfzc 回复

感谢

少年不识月 #31 · 2020年08月24日

大赞，已经落地～

38楼已删除

xiaoxiao #7 · 2020年12月18日

请问为什么我这执行 train_model.py 的时候，会如下错误？我的 tensorflow 版本是 2.4.0，python3.8 环境

2020-12-18 17:54:06.073 | DEBUG    | stagesepx.classifier.base:__init__:297 - compress rate: None
2020-12-18 17:54:06.073 | DEBUG    | stagesepx.classifier.base:__init__:298 - target size: (600, 800)
2020-12-18 17:54:06.073 | DEBUG    | stagesepx.hook:__init__:13 - start initialing: CompressHook ...
2020-12-18 17:54:06.074 | DEBUG    | stagesepx.hook:__init__:80 - compress rate: None
2020-12-18 17:54:06.074 | DEBUG    | stagesepx.hook:__init__:81 - target size: (600, 800)
2020-12-18 17:54:06.074 | DEBUG    | stagesepx.hook:__init__:13 - start initialing: GreyHook ...
2020-12-18 17:54:06.074 | DEBUG    | stagesepx.classifier.base:add_hook:319 - add hook: CompressHook
2020-12-18 17:54:06.074 | DEBUG    | stagesepx.classifier.base:add_hook:319 - add hook: GreyHook
2020-12-18 17:54:06.074 | DEBUG    | stagesepx.classifier.keras:__init__:50 - score threshold: 0.0
2020-12-18 17:54:06.074 | DEBUG    | stagesepx.classifier.keras:__init__:51 - data size: (200, 200)
2020-12-18 17:54:06.074 | DEBUG    | stagesepx.classifier.keras:__init__:52 - nb train samples: 64
2020-12-18 17:54:06.074 | DEBUG    | stagesepx.classifier.keras:__init__:53 - nb validation samples: 64
2020-12-18 17:54:06.074 | DEBUG    | stagesepx.classifier.keras:__init__:54 - epochs: 10
2020-12-18 17:54:06.075 | DEBUG    | stagesepx.classifier.keras:__init__:55 - batch size: 4
2020-12-18 17:54:06.075 | DEBUG    | stagesepx.classifier.keras:train:151 - no model can be used. build a new one.
2020-12-18 17:54:06.075 | INFO     | stagesepx.classifier.keras:create_model:99 - creating keras sequential model
2020-12-18 17:54:06.080939: I tensorflow/compiler/jit/xla_cpu_device.cc:41] Not creating XLA devices, tf_xla_enable_xla_devices not set
2020-12-18 17:54:06.081188: I tensorflow/core/platform/cpu_feature_guard.cc:142] This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions in performance-critical operations:  AVX2 FMA
To enable them in other operations, rebuild TensorFlow with the appropriate compiler flags.
2020-12-18 17:54:06.186 | INFO     | stagesepx.classifier.keras:create_model:129 - model created
Found 56 images belonging to 10 classes.
Found 21 images belonging to 10 classes.
2020-12-18 17:54:06.386301: I tensorflow/compiler/mlir/mlir_graph_optimization_pass.cc:116] None of the MLIR optimization passes are enabled (registered 2)
Epoch 1/10
2020-12-18 17:54:07.361360: W tensorflow/core/framework/op_kernel.cc:1763] OP_REQUIRES failed at sparse_xent_op.cc:90 : Invalid argument: Received a label value of 9 which is outside the valid range of [0, 6).  Label values: 9 4 7 0
Traceback (most recent call last):
  File "/Users/aaa/Downloads/work_with_stagesepx-master/dynamic/train_model.py", line 13, in <module>
    cl.train(data_home)
  File "/usr/local/lib/python3.8/site-packages/stagesepx/classifier/keras.py", line 178, in train
    self._model.fit(
  File "/usr/local/lib/python3.8/site-packages/tensorflow/python/keras/engine/training.py", line 1100, in fit
    tmp_logs = self.train_function(iterator)
  File "/usr/local/lib/python3.8/site-packages/tensorflow/python/eager/def_function.py", line 828, in __call__
    result = self._call(*args, **kwds)
  File "/usr/local/lib/python3.8/site-packages/tensorflow/python/eager/def_function.py", line 888, in _call
    return self._stateless_fn(*args, **kwds)
  File "/usr/local/lib/python3.8/site-packages/tensorflow/python/eager/function.py", line 2942, in __call__
    return graph_function._call_flat(
  File "/usr/local/lib/python3.8/site-packages/tensorflow/python/eager/function.py", line 1918, in _call_flat
    return self._build_call_outputs(self._inference_function.call(
  File "/usr/local/lib/python3.8/site-packages/tensorflow/python/eager/function.py", line 555, in call
    outputs = execute.execute(
  File "/usr/local/lib/python3.8/site-packages/tensorflow/python/eager/execute.py", line 59, in quick_execute
    tensors = pywrap_tfe.TFE_Py_Execute(ctx._handle, device_name, op_name,
tensorflow.python.framework.errors_impl.InvalidArgumentError:  Received a label value of 9 which is outside the valid range of [0, 6).  Label values: 9 4 7 0
   [[node sparse_categorical_crossentropy/SparseSoftmaxCrossEntropyWithLogits/SparseSoftmaxCrossEntropyWithLogits (defined at usr/local/lib/python3.8/site-packages/stagesepx/classifier/keras.py:178) ]] [Op:__inference_train_function_984]

Function call stack:
train_function