導語：最近在測試過程中發現了一些比較典型的性能問題，所以來分享下作為測試怎麼為解決問題提供更多的有效信息，本次主要從優化角度分析Perfdog測試報告。本次主要介紹關於CPU的優化；怎麼獲取測試報告此處不再贅述，有關perfdog怎麼使用的教程可以參考Perfdog使用教程
# 1. 第一部分，查找問題，找出問題特徵點
首先我們看到FPS數據，可以看到FPS波動較大，但這是從某一時間開始的，在前期遊戲FPS還是較為穩定的，那我們就要分析是什麼原因導致的FPS開始變得不穩定；
我們發現CPU的消耗在這個時間段開始驟然上升，CPU的溫度升高，導致手機的降頻保護開啟，CPU的頻率開始下降，
# 2. 第二部分，分析報告後，得到分析結果
經過以上的數據分析，我們發現是遊戲在那個時間點時CPU消耗上升，導致CPU的溫度升高，處發了CPU的保護機制，引起CPU頻率下降，而遊戲得不到充足的算力支持，自然FPS變得不穩定；
# 3. 第三部分，得到分析結果，分析可以優化的空間
我們已經得知問題是CPU溫度過高的問題，那麼就要相應降低CPU的消耗，而CPU的消耗主要有以下幾個方面（這裡僅針對Unity引擎的，其他引擎僅供參考）
對於MMORPG手遊：CPU的消耗可以從半透明渲染和不透明渲染入手解決；可能有的同學會疑問，渲染通常都是GPU做的，和CPU有毛線的關係，這裡要解答一下，在安卓機器設計結果中目前大部分都是沿用的馮·諾依曼結構，也就是我們通常說的計算機的五大部件：運算器、控制器、存儲器、輸入設備、輸出設備， 而運算器、控制器組合就是CPU，所以算力通常都是由CPU提供的，而如果不在遊戲中另做設置的話，即使渲染也是由CPU提供的算力，而GPU就是為了減輕CPU的這種渲染壓力而設計出來的一個部件，嚴格意義上來講也屬於運算器；
所以為了減輕壓力，我們要把一些算力分給GPU，減輕CPU的負擔，而unity常用的手法有以下幾種：1.開啟GPU Instancing，降低drawcall：該技術可有效降低Draw Call的佔用，從而對渲染模塊的CPU端壓力起到一定的緩解作用。但是，在使用該技術時，需要注意機型的測試，此技術僅可以用於OpenGL ES 3.0，而且一些低端設備雖然支持OpenGL ES 3.0，且SystemInfo.supportsInstancing API返回也為True，但經過實際測試時，其底層並沒有按照真實的GPU Instancing功能來進行渲染，而是通過逐個Draw Call來進行渲染，所以，雖然開啟了GPU Instancing功能，但其渲染耗時並沒有下降；這裡涉及到了drawcall，簡單介紹一下：
drawcall是CPU對底層圖形繪製接口的調用命令GPU執行渲染操作，一次渲染就是一個Drawcall渲染流程採用流水線實現，CPU和GPU並行工作，它們之間通過命令緩衝區連接，CPU向其中發送渲染命令，GPU接收並執行對應的渲染命令，過多的DrawCall會造成CPU的性能瓶頸：大量時間消耗在DrawCall準備工作上。很顯然的一個優化方向就是：儘量把小的DrawCall合併到一個大的DrawCall中，這就是批處理的思想，也就是GPU Instancing主要做的事情；但要注意不要過於消耗GPU，在開發遊戲過程中隨著PBR、圖像後處理的大量使用會導致GPU端的壓力越來越大，甚至影響到了CPU端的Draw Call無法正常傳輸。可以說，主線程等待時間的體現方式因芯片的不同、具體使用情況的不同和引擎版本的不同，可謂是五花八門，在這裡不一一進行說明，但歸根原因主要還是GPU壓力過大；2.注意控制GC觸發頻率很隨著MMORPG遊戲越來越重度化，GC平均耗時在逐步上升，也會造成卡頓，大量的GameObject在頻繁實例化和Destroy會造成很大的性能開銷；3.Shader.Parse這裡給出一些建議，1）Shader在遊戲運行過程中是否存在冗餘情況，即重複加載的情況；2）是否有自定義的Shader資源放入到Always Included中，如有，請儘量去除；3）移動端上Standard Shader的使用是否確實有必要。沒有必要，則詳細檢測並刪除。4.動畫模塊大量動畫的產生會產生嚴重的開銷，unity引擎可以考慮使用GPU Skinning的方式進行優化，這種方式對於實現場景中的大量同種怪物非常有效，可以減少很多開銷。其核心其實也是合批的思想；5.粒子系統這裡建議儘可能將粒子使用數量峰值控制在600以下（低端設備）和1000以下（中高端設備），可以檢查下1）粒子系統（特別是技能特效）的配置文件是否過量；2）特效中是否含有長久不用的粒子系統。
以上是結合Perfdog的測試報告針對在遊戲開發中CPU優化的一些常用手段，相信可以帶來一些啟發，大家可以根據自己的項目實際情況做參考；減少CPU的消耗，降低CPU的溫度。
閱讀更多 騰訊WeTest 的文章
