内容由AI智能生成

IT之家消息，Android 开发者团队今日发布博客，详细介绍了将自动反馈导向优化（AutoFDO）技术引入 Android 内核的最新进展。

据介绍，这项优化旨在通过对内核代码进行针对性调优，为用户带来更流畅的系统体验。

在常规软件编译过程中，编译器基于静态代码提示做出成千上万个小决策，例如是否内联函数、条件分支的哪一路更可能被执行。虽然这些启发式规则很有用，但它们未必能准确反映设备在真实使用环境中的运行情况。

AutoFDO 技术通过引入真实世界的执行模式来指导编译器优化。这些执行模式记录了代码在实际使用中最常见的指令执行路径，通过采集 CPU 的分支历史信息获得。

对于内核代码，谷歌团队在实验室环境中使用代表性负载（如 Top100 的热门应用）来合成这些数据。采样分析器会捕获数据，识别出代码中的“热”（频繁使用）和“冷”（极少使用）区域。当使用这些配置文件重新构建内核时，编译器可以针对实际 Android 工作负载做出更智能的优化决策。

通过利用实验室环境的配置文件，谷歌团队在多项关键指标上获得了明显性能提升。这些配置文件通过应用爬取和启动采集，并在搭载 6.1、6.6 和 6.12 内核的 Pixel 设备上进行了测量。

谷歌官方指出，这些优化在实际使用中可以转化为更流畅的界面、更快的应用切换速度、更长的电池续航以及更敏捷的设备响应。考虑到内核占用约 40% 的 CPU 时间，这一优化带来的收益相当可观。

此前，AutoFDO 已被用于优化 Android 用户空间中的原生可执行文件和库，并带来了约 4% 的冷启动应用启动速度提升以及约 1% 的系统启动时间缩短。

AutoFDO 的部署涉及一套精密的流程，以确保配置文件的时效性和性能的稳定性。

与用户空间二进制文件依赖内部测试设备采集不同，内核的通用内核映像（GKI）采用受控的实验室环境进行配置。这样做可以将性能优化与设备发布周期解耦，实现灵活的即时更新。测试证实，实验室数据带来的性能提升与真实环境相当。

具体做法是：在测试设备上刷入最新内核映像，使用 simpleperf 工具捕获指令执行流。这一过程依赖硬件能力记录分支历史，在 Pixel 设备上利用的是 ARM 嵌入式跟踪扩展（ETE）和 ARM 跟踪缓冲区扩展（TRBE）。工作负载方面，团队使用 Android 应用兼容性测试套件（C-Suite）中排名前 100 的热门应用构建代表性负载，重点关注应用启动、AI 驱动的应用爬取以及系统级监控。验证结果显示，这种合成工作负载与内部设备采集的执行模式相似度高达 85%。

原始跟踪数据需要经过后处理才能转化为编译器可用的格式。团队会将多次测试运行和多个设备的数据聚合为单一系统视图，将原始跟踪转换为 AutoFDO 配置文件格式，并根据需要过滤掉不需要的符号。此外，配置文件中会移除“冷”函数的数据，让这些函数使用标准优化方式，以避免罕见代码出现性能退化或二进制体积不必要增大。

部署前，配置文件需要经过严格验证，确保能带来一致性的性能提升且没有稳定性风险。团队会严格对比新配置文件的内容（包括热点函数、样本计数和配置文件大小）与之前版本，并使用配置文件构建新内核映像，分析二进制文件以确保代码段的变化符合预期。同时，团队会在新内核映像上运行有针对性的基准测试，确认其能保持由先前基线确立的性能改进。

由于代码会随着开发持续变化，静态的配置文件自然会慢慢失效。为了维持其峰值性能，Android 团队计划持续更新优化数据。目前，团队正在 android16-6.12 和 android15-6.6 分支中刷新配置文件，未来将扩展支持更新的 GKI 版本，如即将推出的 android17-6.18。

对于稳定性方面的顾虑，谷歌团队解释称，AutoFDO 主要影响编译器启发式规则（如函数内联和代码布局），而非改变源代码逻辑，因此不会影响内核的功能完整性。

这项技术已经在 Android 平台库、ChromeOS 以及谷歌内部服务器基础设施中规模化应用多年，证明了其可靠性。团队还采用“默认保守”策略，对于未在配置文件中捕获的“冷”函数，仍使用标准编译器方法进行优化，确保极端情况下的行为与标准构建完全一致。

除了当前在 android16-6.12 和 android15-6.6 分支的部署，谷歌团队还规划了多项技术演进方向：将 AutoFDO 配置文件部署到更新的 GKI 内核版本和更多构建目标；将优化范围从主内核二进制文件（vmlinux）扩展到 GKI 模块，惠及更大范围的内核子系统；支持使用驱动开发套件（DDK）构建的供应商模块，允许供应商将其特定硬件驱动纳入优化；以及从更广泛的关键用户旅程（CUJ）采集配置文件，扩大优化覆盖面。

AI导读

"Android内核迎来重大性能升级！AutoFDO技术通过真实使用数据优化编译，让Pixel设备获得更流畅的界面响应、闪电应用切换和持久续航，实测提升显著——这项已成熟应用于谷歌生态的技术，正持续扩展至更多内核版本和硬件模块。"

内容由AI智能生成

IT之家消息，Android 开发者团队今日发布博客，详细介绍了将自动反馈导向优化（AutoFDO）技术引入 Android 内核的最新进展。

据介绍，这项优化旨在通过对内核代码进行针对性调优，为用户带来更流畅的系统体验。

在常规软件编译过程中，编译器基于静态代码提示做出成千上万个小决策，例如是否内联函数、条件分支的哪一路更可能被执行。虽然这些启发式规则很有用，但它们未必能准确反映设备在真实使用环境中的运行情况。

AutoFDO 技术通过引入真实世界的执行模式来指导编译器优化。这些执行模式记录了代码在实际使用中最常见的指令执行路径，通过采集 CPU 的分支历史信息获得。

对于内核代码，谷歌团队在实验室环境中使用代表性负载（如 Top100 的热门应用）来合成这些数据。采样分析器会捕获数据，识别出代码中的“热”（频繁使用）和“冷”（极少使用）区域。当使用这些配置文件重新构建内核时，编译器可以针对实际 Android 工作负载做出更智能的优化决策。

通过利用实验室环境的配置文件，谷歌团队在多项关键指标上获得了明显性能提升。这些配置文件通过应用爬取和启动采集，并在搭载 6.1、6.6 和 6.12 内核的 Pixel 设备上进行了测量。

谷歌官方指出，这些优化在实际使用中可以转化为更流畅的界面、更快的应用切换速度、更长的电池续航以及更敏捷的设备响应。考虑到内核占用约 40% 的 CPU 时间，这一优化带来的收益相当可观。

此前，AutoFDO 已被用于优化 Android 用户空间中的原生可执行文件和库，并带来了约 4% 的冷启动应用启动速度提升以及约 1% 的系统启动时间缩短。

AutoFDO 的部署涉及一套精密的流程，以确保配置文件的时效性和性能的稳定性。

与用户空间二进制文件依赖内部测试设备采集不同，内核的通用内核映像（GKI）采用受控的实验室环境进行配置。这样做可以将性能优化与设备发布周期解耦，实现灵活的即时更新。测试证实，实验室数据带来的性能提升与真实环境相当。

具体做法是：在测试设备上刷入最新内核映像，使用 simpleperf 工具捕获指令执行流。这一过程依赖硬件能力记录分支历史，在 Pixel 设备上利用的是 ARM 嵌入式跟踪扩展（ETE）和 ARM 跟踪缓冲区扩展（TRBE）。工作负载方面，团队使用 Android 应用兼容性测试套件（C-Suite）中排名前 100 的热门应用构建代表性负载，重点关注应用启动、AI 驱动的应用爬取以及系统级监控。验证结果显示，这种合成工作负载与内部设备采集的执行模式相似度高达 85%。

原始跟踪数据需要经过后处理才能转化为编译器可用的格式。团队会将多次测试运行和多个设备的数据聚合为单一系统视图，将原始跟踪转换为 AutoFDO 配置文件格式，并根据需要过滤掉不需要的符号。此外，配置文件中会移除“冷”函数的数据，让这些函数使用标准优化方式，以避免罕见代码出现性能退化或二进制体积不必要增大。

部署前，配置文件需要经过严格验证，确保能带来一致性的性能提升且没有稳定性风险。团队会严格对比新配置文件的内容（包括热点函数、样本计数和配置文件大小）与之前版本，并使用配置文件构建新内核映像，分析二进制文件以确保代码段的变化符合预期。同时，团队会在新内核映像上运行有针对性的基准测试，确认其能保持由先前基线确立的性能改进。

由于代码会随着开发持续变化，静态的配置文件自然会慢慢失效。为了维持其峰值性能，Android 团队计划持续更新优化数据。目前，团队正在 android16-6.12 和 android15-6.6 分支中刷新配置文件，未来将扩展支持更新的 GKI 版本，如即将推出的 android17-6.18。

对于稳定性方面的顾虑，谷歌团队解释称，AutoFDO 主要影响编译器启发式规则（如函数内联和代码布局），而非改变源代码逻辑，因此不会影响内核的功能完整性。

这项技术已经在 Android 平台库、ChromeOS 以及谷歌内部服务器基础设施中规模化应用多年，证明了其可靠性。团队还采用“默认保守”策略，对于未在配置文件中捕获的“冷”函数，仍使用标准编译器方法进行优化，确保极端情况下的行为与标准构建完全一致。

除了当前在 android16-6.12 和 android15-6.6 分支的部署，谷歌团队还规划了多项技术演进方向：将 AutoFDO 配置文件部署到更新的 GKI 内核版本和更多构建目标；将优化范围从主内核二进制文件（vmlinux）扩展到 GKI 模块，惠及更大范围的内核子系统；支持使用驱动开发套件（DDK）构建的供应商模块，允许供应商将其特定硬件驱动纳入优化；以及从更广泛的关键用户旅程（CUJ）采集配置文件，扩大优化覆盖面。

内容由AI智能生成

IT之家消息，Android 开发者团队今日发布博客，详细介绍了将自动反馈导向优化（AutoFDO）技术引入 Android 内核的最新进展。

据介绍，这项优化旨在通过对内核代码进行针对性调优，为用户带来更流畅的系统体验。

在常规软件编译过程中，编译器基于静态代码提示做出成千上万个小决策，例如是否内联函数、条件分支的哪一路更可能被执行。虽然这些启发式规则很有用，但它们未必能准确反映设备在真实使用环境中的运行情况。

AutoFDO 技术通过引入真实世界的执行模式来指导编译器优化。这些执行模式记录了代码在实际使用中最常见的指令执行路径，通过采集 CPU 的分支历史信息获得。

对于内核代码，谷歌团队在实验室环境中使用代表性负载（如 Top100 的热门应用）来合成这些数据。采样分析器会捕获数据，识别出代码中的“热”（频繁使用）和“冷”（极少使用）区域。当使用这些配置文件重新构建内核时，编译器可以针对实际 Android 工作负载做出更智能的优化决策。

通过利用实验室环境的配置文件，谷歌团队在多项关键指标上获得了明显性能提升。这些配置文件通过应用爬取和启动采集，并在搭载 6.1、6.6 和 6.12 内核的 Pixel 设备上进行了测量。

谷歌官方指出，这些优化在实际使用中可以转化为更流畅的界面、更快的应用切换速度、更长的电池续航以及更敏捷的设备响应。考虑到内核占用约 40% 的 CPU 时间，这一优化带来的收益相当可观。

此前，AutoFDO 已被用于优化 Android 用户空间中的原生可执行文件和库，并带来了约 4% 的冷启动应用启动速度提升以及约 1% 的系统启动时间缩短。

AutoFDO 的部署涉及一套精密的流程，以确保配置文件的时效性和性能的稳定性。

与用户空间二进制文件依赖内部测试设备采集不同，内核的通用内核映像（GKI）采用受控的实验室环境进行配置。这样做可以将性能优化与设备发布周期解耦，实现灵活的即时更新。测试证实，实验室数据带来的性能提升与真实环境相当。

具体做法是：在测试设备上刷入最新内核映像，使用 simpleperf 工具捕获指令执行流。这一过程依赖硬件能力记录分支历史，在 Pixel 设备上利用的是 ARM 嵌入式跟踪扩展（ETE）和 ARM 跟踪缓冲区扩展（TRBE）。工作负载方面，团队使用 Android 应用兼容性测试套件（C-Suite）中排名前 100 的热门应用构建代表性负载，重点关注应用启动、AI 驱动的应用爬取以及系统级监控。验证结果显示，这种合成工作负载与内部设备采集的执行模式相似度高达 85%。

原始跟踪数据需要经过后处理才能转化为编译器可用的格式。团队会将多次测试运行和多个设备的数据聚合为单一系统视图，将原始跟踪转换为 AutoFDO 配置文件格式，并根据需要过滤掉不需要的符号。此外，配置文件中会移除“冷”函数的数据，让这些函数使用标准优化方式，以避免罕见代码出现性能退化或二进制体积不必要增大。

部署前，配置文件需要经过严格验证，确保能带来一致性的性能提升且没有稳定性风险。团队会严格对比新配置文件的内容（包括热点函数、样本计数和配置文件大小）与之前版本，并使用配置文件构建新内核映像，分析二进制文件以确保代码段的变化符合预期。同时，团队会在新内核映像上运行有针对性的基准测试，确认其能保持由先前基线确立的性能改进。

由于代码会随着开发持续变化，静态的配置文件自然会慢慢失效。为了维持其峰值性能，Android 团队计划持续更新优化数据。目前，团队正在 android16-6.12 和 android15-6.6 分支中刷新配置文件，未来将扩展支持更新的 GKI 版本，如即将推出的 android17-6.18。

对于稳定性方面的顾虑，谷歌团队解释称，AutoFDO 主要影响编译器启发式规则（如函数内联和代码布局），而非改变源代码逻辑，因此不会影响内核的功能完整性。

这项技术已经在 Android 平台库、ChromeOS 以及谷歌内部服务器基础设施中规模化应用多年，证明了其可靠性。团队还采用“默认保守”策略，对于未在配置文件中捕获的“冷”函数，仍使用标准编译器方法进行优化，确保极端情况下的行为与标准构建完全一致。

除了当前在 android16-6.12 和 android15-6.6 分支的部署，谷歌团队还规划了多项技术演进方向：将 AutoFDO 配置文件部署到更新的 GKI 内核版本和更多构建目标；将优化范围从主内核二进制文件（vmlinux）扩展到 GKI 模块，惠及更大范围的内核子系统；支持使用驱动开发套件（DDK）构建的供应商模块，允许供应商将其特定硬件驱动纳入优化；以及从更广泛的关键用户旅程（CUJ）采集配置文件，扩大优化覆盖面。

AI导读

"Android内核迎来重大性能升级！AutoFDO技术通过真实使用数据优化编译，让Pixel设备获得更流畅的界面响应、闪电应用切换和持久续航，实测提升显著——这项已成熟应用于谷歌生态的技术，正持续扩展至更多内核版本和硬件模块。"

内容由AI智能生成

IT之家消息，Android 开发者团队今日发布博客，详细介绍了将自动反馈导向优化（AutoFDO）技术引入 Android 内核的最新进展。

据介绍，这项优化旨在通过对内核代码进行针对性调优，为用户带来更流畅的系统体验。

在常规软件编译过程中，编译器基于静态代码提示做出成千上万个小决策，例如是否内联函数、条件分支的哪一路更可能被执行。虽然这些启发式规则很有用，但它们未必能准确反映设备在真实使用环境中的运行情况。

AutoFDO 技术通过引入真实世界的执行模式来指导编译器优化。这些执行模式记录了代码在实际使用中最常见的指令执行路径，通过采集 CPU 的分支历史信息获得。

对于内核代码，谷歌团队在实验室环境中使用代表性负载（如 Top100 的热门应用）来合成这些数据。采样分析器会捕获数据，识别出代码中的“热”（频繁使用）和“冷”（极少使用）区域。当使用这些配置文件重新构建内核时，编译器可以针对实际 Android 工作负载做出更智能的优化决策。

通过利用实验室环境的配置文件，谷歌团队在多项关键指标上获得了明显性能提升。这些配置文件通过应用爬取和启动采集，并在搭载 6.1、6.6 和 6.12 内核的 Pixel 设备上进行了测量。

谷歌官方指出，这些优化在实际使用中可以转化为更流畅的界面、更快的应用切换速度、更长的电池续航以及更敏捷的设备响应。考虑到内核占用约 40% 的 CPU 时间，这一优化带来的收益相当可观。

此前，AutoFDO 已被用于优化 Android 用户空间中的原生可执行文件和库，并带来了约 4% 的冷启动应用启动速度提升以及约 1% 的系统启动时间缩短。

AutoFDO 的部署涉及一套精密的流程，以确保配置文件的时效性和性能的稳定性。

与用户空间二进制文件依赖内部测试设备采集不同，内核的通用内核映像（GKI）采用受控的实验室环境进行配置。这样做可以将性能优化与设备发布周期解耦，实现灵活的即时更新。测试证实，实验室数据带来的性能提升与真实环境相当。

具体做法是：在测试设备上刷入最新内核映像，使用 simpleperf 工具捕获指令执行流。这一过程依赖硬件能力记录分支历史，在 Pixel 设备上利用的是 ARM 嵌入式跟踪扩展（ETE）和 ARM 跟踪缓冲区扩展（TRBE）。工作负载方面，团队使用 Android 应用兼容性测试套件（C-Suite）中排名前 100 的热门应用构建代表性负载，重点关注应用启动、AI 驱动的应用爬取以及系统级监控。验证结果显示，这种合成工作负载与内部设备采集的执行模式相似度高达 85%。

原始跟踪数据需要经过后处理才能转化为编译器可用的格式。团队会将多次测试运行和多个设备的数据聚合为单一系统视图，将原始跟踪转换为 AutoFDO 配置文件格式，并根据需要过滤掉不需要的符号。此外，配置文件中会移除“冷”函数的数据，让这些函数使用标准优化方式，以避免罕见代码出现性能退化或二进制体积不必要增大。

部署前，配置文件需要经过严格验证，确保能带来一致性的性能提升且没有稳定性风险。团队会严格对比新配置文件的内容（包括热点函数、样本计数和配置文件大小）与之前版本，并使用配置文件构建新内核映像，分析二进制文件以确保代码段的变化符合预期。同时，团队会在新内核映像上运行有针对性的基准测试，确认其能保持由先前基线确立的性能改进。

由于代码会随着开发持续变化，静态的配置文件自然会慢慢失效。为了维持其峰值性能，Android 团队计划持续更新优化数据。目前，团队正在 android16-6.12 和 android15-6.6 分支中刷新配置文件，未来将扩展支持更新的 GKI 版本，如即将推出的 android17-6.18。

对于稳定性方面的顾虑，谷歌团队解释称，AutoFDO 主要影响编译器启发式规则（如函数内联和代码布局），而非改变源代码逻辑，因此不会影响内核的功能完整性。

这项技术已经在 Android 平台库、ChromeOS 以及谷歌内部服务器基础设施中规模化应用多年，证明了其可靠性。团队还采用“默认保守”策略，对于未在配置文件中捕获的“冷”函数，仍使用标准编译器方法进行优化，确保极端情况下的行为与标准构建完全一致。

除了当前在 android16-6.12 和 android15-6.6 分支的部署，谷歌团队还规划了多项技术演进方向：将 AutoFDO 配置文件部署到更新的 GKI 内核版本和更多构建目标；将优化范围从主内核二进制文件（vmlinux）扩展到 GKI 模块，惠及更大范围的内核子系统；支持使用驱动开发套件（DDK）构建的供应商模块，允许供应商将其特定硬件驱动纳入优化；以及从更广泛的关键用户旅程（CUJ）采集配置文件，扩大优化覆盖面。

内容由AI智能生成

IT之家消息，Android 开发者团队今日发布博客，详细介绍了将自动反馈导向优化（AutoFDO）技术引入 Android 内核的最新进展。

据介绍，这项优化旨在通过对内核代码进行针对性调优，为用户带来更流畅的系统体验。

在常规软件编译过程中，编译器基于静态代码提示做出成千上万个小决策，例如是否内联函数、条件分支的哪一路更可能被执行。虽然这些启发式规则很有用，但它们未必能准确反映设备在真实使用环境中的运行情况。

AutoFDO 技术通过引入真实世界的执行模式来指导编译器优化。这些执行模式记录了代码在实际使用中最常见的指令执行路径，通过采集 CPU 的分支历史信息获得。

对于内核代码，谷歌团队在实验室环境中使用代表性负载（如 Top100 的热门应用）来合成这些数据。采样分析器会捕获数据，识别出代码中的“热”（频繁使用）和“冷”（极少使用）区域。当使用这些配置文件重新构建内核时，编译器可以针对实际 Android 工作负载做出更智能的优化决策。

通过利用实验室环境的配置文件，谷歌团队在多项关键指标上获得了明显性能提升。这些配置文件通过应用爬取和启动采集，并在搭载 6.1、6.6 和 6.12 内核的 Pixel 设备上进行了测量。

谷歌官方指出，这些优化在实际使用中可以转化为更流畅的界面、更快的应用切换速度、更长的电池续航以及更敏捷的设备响应。考虑到内核占用约 40% 的 CPU 时间，这一优化带来的收益相当可观。

此前，AutoFDO 已被用于优化 Android 用户空间中的原生可执行文件和库，并带来了约 4% 的冷启动应用启动速度提升以及约 1% 的系统启动时间缩短。

AutoFDO 的部署涉及一套精密的流程，以确保配置文件的时效性和性能的稳定性。

与用户空间二进制文件依赖内部测试设备采集不同，内核的通用内核映像（GKI）采用受控的实验室环境进行配置。这样做可以将性能优化与设备发布周期解耦，实现灵活的即时更新。测试证实，实验室数据带来的性能提升与真实环境相当。

具体做法是：在测试设备上刷入最新内核映像，使用 simpleperf 工具捕获指令执行流。这一过程依赖硬件能力记录分支历史，在 Pixel 设备上利用的是 ARM 嵌入式跟踪扩展（ETE）和 ARM 跟踪缓冲区扩展（TRBE）。工作负载方面，团队使用 Android 应用兼容性测试套件（C-Suite）中排名前 100 的热门应用构建代表性负载，重点关注应用启动、AI 驱动的应用爬取以及系统级监控。验证结果显示，这种合成工作负载与内部设备采集的执行模式相似度高达 85%。

原始跟踪数据需要经过后处理才能转化为编译器可用的格式。团队会将多次测试运行和多个设备的数据聚合为单一系统视图，将原始跟踪转换为 AutoFDO 配置文件格式，并根据需要过滤掉不需要的符号。此外，配置文件中会移除“冷”函数的数据，让这些函数使用标准优化方式，以避免罕见代码出现性能退化或二进制体积不必要增大。

部署前，配置文件需要经过严格验证，确保能带来一致性的性能提升且没有稳定性风险。团队会严格对比新配置文件的内容（包括热点函数、样本计数和配置文件大小）与之前版本，并使用配置文件构建新内核映像，分析二进制文件以确保代码段的变化符合预期。同时，团队会在新内核映像上运行有针对性的基准测试，确认其能保持由先前基线确立的性能改进。

由于代码会随着开发持续变化，静态的配置文件自然会慢慢失效。为了维持其峰值性能，Android 团队计划持续更新优化数据。目前，团队正在 android16-6.12 和 android15-6.6 分支中刷新配置文件，未来将扩展支持更新的 GKI 版本，如即将推出的 android17-6.18。

对于稳定性方面的顾虑，谷歌团队解释称，AutoFDO 主要影响编译器启发式规则（如函数内联和代码布局），而非改变源代码逻辑，因此不会影响内核的功能完整性。

这项技术已经在 Android 平台库、ChromeOS 以及谷歌内部服务器基础设施中规模化应用多年，证明了其可靠性。团队还采用“默认保守”策略，对于未在配置文件中捕获的“冷”函数，仍使用标准编译器方法进行优化，确保极端情况下的行为与标准构建完全一致。

除了当前在 android16-6.12 和 android15-6.6 分支的部署，谷歌团队还规划了多项技术演进方向：将 AutoFDO 配置文件部署到更新的 GKI 内核版本和更多构建目标；将优化范围从主内核二进制文件（vmlinux）扩展到 GKI 模块，惠及更大范围的内核子系统；支持使用驱动开发套件（DDK）构建的供应商模块，允许供应商将其特定硬件驱动纳入优化；以及从更广泛的关键用户旅程（CUJ）采集配置文件，扩大优化覆盖面。

AI导读

"Android内核迎来重大性能升级！AutoFDO技术通过真实使用数据优化编译，让Pixel设备获得更流畅的界面响应、闪电应用切换和持久续航，实测提升显著——这项已成熟应用于谷歌生态的技术，正持续扩展至更多内核版本和硬件模块。"

内容由AI智能生成

IT之家消息，Android 开发者团队今日发布博客，详细介绍了将自动反馈导向优化（AutoFDO）技术引入 Android 内核的最新进展。

据介绍，这项优化旨在通过对内核代码进行针对性调优，为用户带来更流畅的系统体验。

在常规软件编译过程中，编译器基于静态代码提示做出成千上万个小决策，例如是否内联函数、条件分支的哪一路更可能被执行。虽然这些启发式规则很有用，但它们未必能准确反映设备在真实使用环境中的运行情况。

AutoFDO 技术通过引入真实世界的执行模式来指导编译器优化。这些执行模式记录了代码在实际使用中最常见的指令执行路径，通过采集 CPU 的分支历史信息获得。

对于内核代码，谷歌团队在实验室环境中使用代表性负载（如 Top100 的热门应用）来合成这些数据。采样分析器会捕获数据，识别出代码中的“热”（频繁使用）和“冷”（极少使用）区域。当使用这些配置文件重新构建内核时，编译器可以针对实际 Android 工作负载做出更智能的优化决策。

通过利用实验室环境的配置文件，谷歌团队在多项关键指标上获得了明显性能提升。这些配置文件通过应用爬取和启动采集，并在搭载 6.1、6.6 和 6.12 内核的 Pixel 设备上进行了测量。

谷歌官方指出，这些优化在实际使用中可以转化为更流畅的界面、更快的应用切换速度、更长的电池续航以及更敏捷的设备响应。考虑到内核占用约 40% 的 CPU 时间，这一优化带来的收益相当可观。

此前，AutoFDO 已被用于优化 Android 用户空间中的原生可执行文件和库，并带来了约 4% 的冷启动应用启动速度提升以及约 1% 的系统启动时间缩短。

AutoFDO 的部署涉及一套精密的流程，以确保配置文件的时效性和性能的稳定性。

与用户空间二进制文件依赖内部测试设备采集不同，内核的通用内核映像（GKI）采用受控的实验室环境进行配置。这样做可以将性能优化与设备发布周期解耦，实现灵活的即时更新。测试证实，实验室数据带来的性能提升与真实环境相当。

具体做法是：在测试设备上刷入最新内核映像，使用 simpleperf 工具捕获指令执行流。这一过程依赖硬件能力记录分支历史，在 Pixel 设备上利用的是 ARM 嵌入式跟踪扩展（ETE）和 ARM 跟踪缓冲区扩展（TRBE）。工作负载方面，团队使用 Android 应用兼容性测试套件（C-Suite）中排名前 100 的热门应用构建代表性负载，重点关注应用启动、AI 驱动的应用爬取以及系统级监控。验证结果显示，这种合成工作负载与内部设备采集的执行模式相似度高达 85%。

原始跟踪数据需要经过后处理才能转化为编译器可用的格式。团队会将多次测试运行和多个设备的数据聚合为单一系统视图，将原始跟踪转换为 AutoFDO 配置文件格式，并根据需要过滤掉不需要的符号。此外，配置文件中会移除“冷”函数的数据，让这些函数使用标准优化方式，以避免罕见代码出现性能退化或二进制体积不必要增大。

部署前，配置文件需要经过严格验证，确保能带来一致性的性能提升且没有稳定性风险。团队会严格对比新配置文件的内容（包括热点函数、样本计数和配置文件大小）与之前版本，并使用配置文件构建新内核映像，分析二进制文件以确保代码段的变化符合预期。同时，团队会在新内核映像上运行有针对性的基准测试，确认其能保持由先前基线确立的性能改进。

由于代码会随着开发持续变化，静态的配置文件自然会慢慢失效。为了维持其峰值性能，Android 团队计划持续更新优化数据。目前，团队正在 android16-6.12 和 android15-6.6 分支中刷新配置文件，未来将扩展支持更新的 GKI 版本，如即将推出的 android17-6.18。

对于稳定性方面的顾虑，谷歌团队解释称，AutoFDO 主要影响编译器启发式规则（如函数内联和代码布局），而非改变源代码逻辑，因此不会影响内核的功能完整性。

这项技术已经在 Android 平台库、ChromeOS 以及谷歌内部服务器基础设施中规模化应用多年，证明了其可靠性。团队还采用“默认保守”策略，对于未在配置文件中捕获的“冷”函数，仍使用标准编译器方法进行优化，确保极端情况下的行为与标准构建完全一致。

除了当前在 android16-6.12 和 android15-6.6 分支的部署，谷歌团队还规划了多项技术演进方向：将 AutoFDO 配置文件部署到更新的 GKI 内核版本和更多构建目标；将优化范围从主内核二进制文件（vmlinux）扩展到 GKI 模块，惠及更大范围的内核子系统；支持使用驱动开发套件（DDK）构建的供应商模块，允许供应商将其特定硬件驱动纳入优化；以及从更广泛的关键用户旅程（CUJ）采集配置文件，扩大优化覆盖面。

内容由AI智能生成

IT之家消息，Android 开发者团队今日发布博客，详细介绍了将自动反馈导向优化（AutoFDO）技术引入 Android 内核的最新进展。

据介绍，这项优化旨在通过对内核代码进行针对性调优，为用户带来更流畅的系统体验。

在常规软件编译过程中，编译器基于静态代码提示做出成千上万个小决策，例如是否内联函数、条件分支的哪一路更可能被执行。虽然这些启发式规则很有用，但它们未必能准确反映设备在真实使用环境中的运行情况。

AutoFDO 技术通过引入真实世界的执行模式来指导编译器优化。这些执行模式记录了代码在实际使用中最常见的指令执行路径，通过采集 CPU 的分支历史信息获得。

对于内核代码，谷歌团队在实验室环境中使用代表性负载（如 Top100 的热门应用）来合成这些数据。采样分析器会捕获数据，识别出代码中的“热”（频繁使用）和“冷”（极少使用）区域。当使用这些配置文件重新构建内核时，编译器可以针对实际 Android 工作负载做出更智能的优化决策。

通过利用实验室环境的配置文件，谷歌团队在多项关键指标上获得了明显性能提升。这些配置文件通过应用爬取和启动采集，并在搭载 6.1、6.6 和 6.12 内核的 Pixel 设备上进行了测量。

谷歌官方指出，这些优化在实际使用中可以转化为更流畅的界面、更快的应用切换速度、更长的电池续航以及更敏捷的设备响应。考虑到内核占用约 40% 的 CPU 时间，这一优化带来的收益相当可观。

此前，AutoFDO 已被用于优化 Android 用户空间中的原生可执行文件和库，并带来了约 4% 的冷启动应用启动速度提升以及约 1% 的系统启动时间缩短。

AutoFDO 的部署涉及一套精密的流程，以确保配置文件的时效性和性能的稳定性。

与用户空间二进制文件依赖内部测试设备采集不同，内核的通用内核映像（GKI）采用受控的实验室环境进行配置。这样做可以将性能优化与设备发布周期解耦，实现灵活的即时更新。测试证实，实验室数据带来的性能提升与真实环境相当。

具体做法是：在测试设备上刷入最新内核映像，使用 simpleperf 工具捕获指令执行流。这一过程依赖硬件能力记录分支历史，在 Pixel 设备上利用的是 ARM 嵌入式跟踪扩展（ETE）和 ARM 跟踪缓冲区扩展（TRBE）。工作负载方面，团队使用 Android 应用兼容性测试套件（C-Suite）中排名前 100 的热门应用构建代表性负载，重点关注应用启动、AI 驱动的应用爬取以及系统级监控。验证结果显示，这种合成工作负载与内部设备采集的执行模式相似度高达 85%。

原始跟踪数据需要经过后处理才能转化为编译器可用的格式。团队会将多次测试运行和多个设备的数据聚合为单一系统视图，将原始跟踪转换为 AutoFDO 配置文件格式，并根据需要过滤掉不需要的符号。此外，配置文件中会移除“冷”函数的数据，让这些函数使用标准优化方式，以避免罕见代码出现性能退化或二进制体积不必要增大。

部署前，配置文件需要经过严格验证，确保能带来一致性的性能提升且没有稳定性风险。团队会严格对比新配置文件的内容（包括热点函数、样本计数和配置文件大小）与之前版本，并使用配置文件构建新内核映像，分析二进制文件以确保代码段的变化符合预期。同时，团队会在新内核映像上运行有针对性的基准测试，确认其能保持由先前基线确立的性能改进。

由于代码会随着开发持续变化，静态的配置文件自然会慢慢失效。为了维持其峰值性能，Android 团队计划持续更新优化数据。目前，团队正在 android16-6.12 和 android15-6.6 分支中刷新配置文件，未来将扩展支持更新的 GKI 版本，如即将推出的 android17-6.18。

对于稳定性方面的顾虑，谷歌团队解释称，AutoFDO 主要影响编译器启发式规则（如函数内联和代码布局），而非改变源代码逻辑，因此不会影响内核的功能完整性。

这项技术已经在 Android 平台库、ChromeOS 以及谷歌内部服务器基础设施中规模化应用多年，证明了其可靠性。团队还采用“默认保守”策略，对于未在配置文件中捕获的“冷”函数，仍使用标准编译器方法进行优化，确保极端情况下的行为与标准构建完全一致。

除了当前在 android16-6.12 和 android15-6.6 分支的部署，谷歌团队还规划了多项技术演进方向：将 AutoFDO 配置文件部署到更新的 GKI 内核版本和更多构建目标；将优化范围从主内核二进制文件（vmlinux）扩展到 GKI 模块，惠及更大范围的内核子系统；支持使用驱动开发套件（DDK）构建的供应商模块，允许供应商将其特定硬件驱动纳入优化；以及从更广泛的关键用户旅程（CUJ）采集配置文件，扩大优化覆盖面。

AI导读

"Android内核迎来重大性能升级！AutoFDO技术通过真实使用数据优化编译，让Pixel设备获得更流畅的界面响应、闪电应用切换和持久续航，实测提升显著——这项已成熟应用于谷歌生态的技术，正持续扩展至更多内核版本和硬件模块。"

内容由AI智能生成

IT之家消息，Android 开发者团队今日发布博客，详细介绍了将自动反馈导向优化（AutoFDO）技术引入 Android 内核的最新进展。

据介绍，这项优化旨在通过对内核代码进行针对性调优，为用户带来更流畅的系统体验。

在常规软件编译过程中，编译器基于静态代码提示做出成千上万个小决策，例如是否内联函数、条件分支的哪一路更可能被执行。虽然这些启发式规则很有用，但它们未必能准确反映设备在真实使用环境中的运行情况。

AutoFDO 技术通过引入真实世界的执行模式来指导编译器优化。这些执行模式记录了代码在实际使用中最常见的指令执行路径，通过采集 CPU 的分支历史信息获得。

对于内核代码，谷歌团队在实验室环境中使用代表性负载（如 Top100 的热门应用）来合成这些数据。采样分析器会捕获数据，识别出代码中的“热”（频繁使用）和“冷”（极少使用）区域。当使用这些配置文件重新构建内核时，编译器可以针对实际 Android 工作负载做出更智能的优化决策。

通过利用实验室环境的配置文件，谷歌团队在多项关键指标上获得了明显性能提升。这些配置文件通过应用爬取和启动采集，并在搭载 6.1、6.6 和 6.12 内核的 Pixel 设备上进行了测量。

谷歌官方指出，这些优化在实际使用中可以转化为更流畅的界面、更快的应用切换速度、更长的电池续航以及更敏捷的设备响应。考虑到内核占用约 40% 的 CPU 时间，这一优化带来的收益相当可观。

此前，AutoFDO 已被用于优化 Android 用户空间中的原生可执行文件和库，并带来了约 4% 的冷启动应用启动速度提升以及约 1% 的系统启动时间缩短。

AutoFDO 的部署涉及一套精密的流程，以确保配置文件的时效性和性能的稳定性。

与用户空间二进制文件依赖内部测试设备采集不同，内核的通用内核映像（GKI）采用受控的实验室环境进行配置。这样做可以将性能优化与设备发布周期解耦，实现灵活的即时更新。测试证实，实验室数据带来的性能提升与真实环境相当。

具体做法是：在测试设备上刷入最新内核映像，使用 simpleperf 工具捕获指令执行流。这一过程依赖硬件能力记录分支历史，在 Pixel 设备上利用的是 ARM 嵌入式跟踪扩展（ETE）和 ARM 跟踪缓冲区扩展（TRBE）。工作负载方面，团队使用 Android 应用兼容性测试套件（C-Suite）中排名前 100 的热门应用构建代表性负载，重点关注应用启动、AI 驱动的应用爬取以及系统级监控。验证结果显示，这种合成工作负载与内部设备采集的执行模式相似度高达 85%。

原始跟踪数据需要经过后处理才能转化为编译器可用的格式。团队会将多次测试运行和多个设备的数据聚合为单一系统视图，将原始跟踪转换为 AutoFDO 配置文件格式，并根据需要过滤掉不需要的符号。此外，配置文件中会移除“冷”函数的数据，让这些函数使用标准优化方式，以避免罕见代码出现性能退化或二进制体积不必要增大。

部署前，配置文件需要经过严格验证，确保能带来一致性的性能提升且没有稳定性风险。团队会严格对比新配置文件的内容（包括热点函数、样本计数和配置文件大小）与之前版本，并使用配置文件构建新内核映像，分析二进制文件以确保代码段的变化符合预期。同时，团队会在新内核映像上运行有针对性的基准测试，确认其能保持由先前基线确立的性能改进。

由于代码会随着开发持续变化，静态的配置文件自然会慢慢失效。为了维持其峰值性能，Android 团队计划持续更新优化数据。目前，团队正在 android16-6.12 和 android15-6.6 分支中刷新配置文件，未来将扩展支持更新的 GKI 版本，如即将推出的 android17-6.18。

对于稳定性方面的顾虑，谷歌团队解释称，AutoFDO 主要影响编译器启发式规则（如函数内联和代码布局），而非改变源代码逻辑，因此不会影响内核的功能完整性。

这项技术已经在 Android 平台库、ChromeOS 以及谷歌内部服务器基础设施中规模化应用多年，证明了其可靠性。团队还采用“默认保守”策略，对于未在配置文件中捕获的“冷”函数，仍使用标准编译器方法进行优化，确保极端情况下的行为与标准构建完全一致。

除了当前在 android16-6.12 和 android15-6.6 分支的部署，谷歌团队还规划了多项技术演进方向：将 AutoFDO 配置文件部署到更新的 GKI 内核版本和更多构建目标；将优化范围从主内核二进制文件（vmlinux）扩展到 GKI 模块，惠及更大范围的内核子系统；支持使用驱动开发套件（DDK）构建的供应商模块，允许供应商将其特定硬件驱动纳入优化；以及从更广泛的关键用户旅程（CUJ）采集配置文件，扩大优化覆盖面。

内容由AI智能生成

IT之家消息，Android 开发者团队今日发布博客，详细介绍了将自动反馈导向优化（AutoFDO）技术引入 Android 内核的最新进展。

据介绍，这项优化旨在通过对内核代码进行针对性调优，为用户带来更流畅的系统体验。

在常规软件编译过程中，编译器基于静态代码提示做出成千上万个小决策，例如是否内联函数、条件分支的哪一路更可能被执行。虽然这些启发式规则很有用，但它们未必能准确反映设备在真实使用环境中的运行情况。

AutoFDO 技术通过引入真实世界的执行模式来指导编译器优化。这些执行模式记录了代码在实际使用中最常见的指令执行路径，通过采集 CPU 的分支历史信息获得。

对于内核代码，谷歌团队在实验室环境中使用代表性负载（如 Top100 的热门应用）来合成这些数据。采样分析器会捕获数据，识别出代码中的“热”（频繁使用）和“冷”（极少使用）区域。当使用这些配置文件重新构建内核时，编译器可以针对实际 Android 工作负载做出更智能的优化决策。

通过利用实验室环境的配置文件，谷歌团队在多项关键指标上获得了明显性能提升。这些配置文件通过应用爬取和启动采集，并在搭载 6.1、6.6 和 6.12 内核的 Pixel 设备上进行了测量。

谷歌官方指出，这些优化在实际使用中可以转化为更流畅的界面、更快的应用切换速度、更长的电池续航以及更敏捷的设备响应。考虑到内核占用约 40% 的 CPU 时间，这一优化带来的收益相当可观。

此前，AutoFDO 已被用于优化 Android 用户空间中的原生可执行文件和库，并带来了约 4% 的冷启动应用启动速度提升以及约 1% 的系统启动时间缩短。

AutoFDO 的部署涉及一套精密的流程，以确保配置文件的时效性和性能的稳定性。

与用户空间二进制文件依赖内部测试设备采集不同，内核的通用内核映像（GKI）采用受控的实验室环境进行配置。这样做可以将性能优化与设备发布周期解耦，实现灵活的即时更新。测试证实，实验室数据带来的性能提升与真实环境相当。

具体做法是：在测试设备上刷入最新内核映像，使用 simpleperf 工具捕获指令执行流。这一过程依赖硬件能力记录分支历史，在 Pixel 设备上利用的是 ARM 嵌入式跟踪扩展（ETE）和 ARM 跟踪缓冲区扩展（TRBE）。工作负载方面，团队使用 Android 应用兼容性测试套件（C-Suite）中排名前 100 的热门应用构建代表性负载，重点关注应用启动、AI 驱动的应用爬取以及系统级监控。验证结果显示，这种合成工作负载与内部设备采集的执行模式相似度高达 85%。

原始跟踪数据需要经过后处理才能转化为编译器可用的格式。团队会将多次测试运行和多个设备的数据聚合为单一系统视图，将原始跟踪转换为 AutoFDO 配置文件格式，并根据需要过滤掉不需要的符号。此外，配置文件中会移除“冷”函数的数据，让这些函数使用标准优化方式，以避免罕见代码出现性能退化或二进制体积不必要增大。

部署前，配置文件需要经过严格验证，确保能带来一致性的性能提升且没有稳定性风险。团队会严格对比新配置文件的内容（包括热点函数、样本计数和配置文件大小）与之前版本，并使用配置文件构建新内核映像，分析二进制文件以确保代码段的变化符合预期。同时，团队会在新内核映像上运行有针对性的基准测试，确认其能保持由先前基线确立的性能改进。

由于代码会随着开发持续变化，静态的配置文件自然会慢慢失效。为了维持其峰值性能，Android 团队计划持续更新优化数据。目前，团队正在 android16-6.12 和 android15-6.6 分支中刷新配置文件，未来将扩展支持更新的 GKI 版本，如即将推出的 android17-6.18。

对于稳定性方面的顾虑，谷歌团队解释称，AutoFDO 主要影响编译器启发式规则（如函数内联和代码布局），而非改变源代码逻辑，因此不会影响内核的功能完整性。

这项技术已经在 Android 平台库、ChromeOS 以及谷歌内部服务器基础设施中规模化应用多年，证明了其可靠性。团队还采用“默认保守”策略，对于未在配置文件中捕获的“冷”函数，仍使用标准编译器方法进行优化，确保极端情况下的行为与标准构建完全一致。

除了当前在 android16-6.12 和 android15-6.6 分支的部署，谷歌团队还规划了多项技术演进方向：将 AutoFDO 配置文件部署到更新的 GKI 内核版本和更多构建目标；将优化范围从主内核二进制文件（vmlinux）扩展到 GKI 模块，惠及更大范围的内核子系统；支持使用驱动开发套件（DDK）构建的供应商模块，允许供应商将其特定硬件驱动纳入优化；以及从更广泛的关键用户旅程（CUJ）采集配置文件，扩大优化覆盖面。

AI导读

"Android内核迎来重大性能升级！AutoFDO技术通过真实使用数据优化编译，让Pixel设备获得更流畅的界面响应、闪电应用切换和持久续航，实测提升显著——这项已成熟应用于谷歌生态的技术，正持续扩展至更多内核版本和硬件模块。"

内容由AI智能生成

IT之家消息，Android 开发者团队今日发布博客，详细介绍了将自动反馈导向优化（AutoFDO）技术引入 Android 内核的最新进展。

据介绍，这项优化旨在通过对内核代码进行针对性调优，为用户带来更流畅的系统体验。

在常规软件编译过程中，编译器基于静态代码提示做出成千上万个小决策，例如是否内联函数、条件分支的哪一路更可能被执行。虽然这些启发式规则很有用，但它们未必能准确反映设备在真实使用环境中的运行情况。

AutoFDO 技术通过引入真实世界的执行模式来指导编译器优化。这些执行模式记录了代码在实际使用中最常见的指令执行路径，通过采集 CPU 的分支历史信息获得。

对于内核代码，谷歌团队在实验室环境中使用代表性负载（如 Top100 的热门应用）来合成这些数据。采样分析器会捕获数据，识别出代码中的“热”（频繁使用）和“冷”（极少使用）区域。当使用这些配置文件重新构建内核时，编译器可以针对实际 Android 工作负载做出更智能的优化决策。

通过利用实验室环境的配置文件，谷歌团队在多项关键指标上获得了明显性能提升。这些配置文件通过应用爬取和启动采集，并在搭载 6.1、6.6 和 6.12 内核的 Pixel 设备上进行了测量。

谷歌官方指出，这些优化在实际使用中可以转化为更流畅的界面、更快的应用切换速度、更长的电池续航以及更敏捷的设备响应。考虑到内核占用约 40% 的 CPU 时间，这一优化带来的收益相当可观。

此前，AutoFDO 已被用于优化 Android 用户空间中的原生可执行文件和库，并带来了约 4% 的冷启动应用启动速度提升以及约 1% 的系统启动时间缩短。

AutoFDO 的部署涉及一套精密的流程，以确保配置文件的时效性和性能的稳定性。

与用户空间二进制文件依赖内部测试设备采集不同，内核的通用内核映像（GKI）采用受控的实验室环境进行配置。这样做可以将性能优化与设备发布周期解耦，实现灵活的即时更新。测试证实，实验室数据带来的性能提升与真实环境相当。

具体做法是：在测试设备上刷入最新内核映像，使用 simpleperf 工具捕获指令执行流。这一过程依赖硬件能力记录分支历史，在 Pixel 设备上利用的是 ARM 嵌入式跟踪扩展（ETE）和 ARM 跟踪缓冲区扩展（TRBE）。工作负载方面，团队使用 Android 应用兼容性测试套件（C-Suite）中排名前 100 的热门应用构建代表性负载，重点关注应用启动、AI 驱动的应用爬取以及系统级监控。验证结果显示，这种合成工作负载与内部设备采集的执行模式相似度高达 85%。

原始跟踪数据需要经过后处理才能转化为编译器可用的格式。团队会将多次测试运行和多个设备的数据聚合为单一系统视图，将原始跟踪转换为 AutoFDO 配置文件格式，并根据需要过滤掉不需要的符号。此外，配置文件中会移除“冷”函数的数据，让这些函数使用标准优化方式，以避免罕见代码出现性能退化或二进制体积不必要增大。

部署前，配置文件需要经过严格验证，确保能带来一致性的性能提升且没有稳定性风险。团队会严格对比新配置文件的内容（包括热点函数、样本计数和配置文件大小）与之前版本，并使用配置文件构建新内核映像，分析二进制文件以确保代码段的变化符合预期。同时，团队会在新内核映像上运行有针对性的基准测试，确认其能保持由先前基线确立的性能改进。

由于代码会随着开发持续变化，静态的配置文件自然会慢慢失效。为了维持其峰值性能，Android 团队计划持续更新优化数据。目前，团队正在 android16-6.12 和 android15-6.6 分支中刷新配置文件，未来将扩展支持更新的 GKI 版本，如即将推出的 android17-6.18。

对于稳定性方面的顾虑，谷歌团队解释称，AutoFDO 主要影响编译器启发式规则（如函数内联和代码布局），而非改变源代码逻辑，因此不会影响内核的功能完整性。

这项技术已经在 Android 平台库、ChromeOS 以及谷歌内部服务器基础设施中规模化应用多年，证明了其可靠性。团队还采用“默认保守”策略，对于未在配置文件中捕获的“冷”函数，仍使用标准编译器方法进行优化，确保极端情况下的行为与标准构建完全一致。

除了当前在 android16-6.12 和 android15-6.6 分支的部署，谷歌团队还规划了多项技术演进方向：将 AutoFDO 配置文件部署到更新的 GKI 内核版本和更多构建目标；将优化范围从主内核二进制文件（vmlinux）扩展到 GKI 模块，惠及更大范围的内核子系统；支持使用驱动开发套件（DDK）构建的供应商模块，允许供应商将其特定硬件驱动纳入优化；以及从更广泛的关键用户旅程（CUJ）采集配置文件，扩大优化覆盖面。