前面我们已经聊过四大诊断类型中的前三个Sampling,Tracine，Line-by-Line，这篇补上最后一个诊断类型Timeline，这也是真实场景中使用最多的，它能够采集到所有它能采集到的，比如：摘要：using System;using System.Diagnostics;namespaceMatrixOperations{internalclassProgram{static voidMain(string args){constint baseSiz
线程栈数据 （函数执行时间）
ETW事件 （Windows日志）
TPL数据（方便绘制异步栈）
按时序绘制时间轴 (Timeline)
1. 一个简单的测试案例为了方便演示，我们还是用上一篇的矩阵运算的例子，参考代码如下：
using System;
using System.Diagnostics;
namespaceMatrixOperations
{
internalclassProgram
{
static voidMain(string args)
{
constint baseSize =1000;
constint iterations =3;
for (int i =0; i < iterations; i++)
{
int matrixSize = baseSize - (i *100);
PerformMatrixMultiplication(matrixSize);
}
}
static voidPerformMatrixMultiplication(int matrixSize)
{
Console.WriteLine($"\n=== 处理 {matrixSize}x{matrixSize} 矩阵 ===");
Console.WriteLine("创建随机矩阵...");
var matrixA = GenerateRandomMatrix(matrixSize, matrixSize);
var matrixB = GenerateRandomMatrix(matrixSize, matrixSize);
Console.WriteLine("执行矩阵乘法...");
var timer = Stopwatch.StartNew;
var resultMatrix = MultiplyMatrices(matrixA, matrixB);
timer.Stop;
Console.WriteLine($"运算完成，耗时: {timer.Elapsed.TotalSeconds:0.000} 秒");
DisplayMatrixPreview(resultMatrix);
}
staticdouble GenerateRandomMatrix(int rows, int cols)
{
var random = new Random;
var matrix = newdouble[rows, cols];
for (int i =0; i < rows; i++)
{
for (int j =0; j < cols; j++)
{
matrix[i, j] = random.NextDouble *100;
}
}
return matrix;
}
staticdouble MultiplyMatrices(double matrixA, double matrixB)
{
int aRows = matrixA.GetLength(0);
int aCols = matrixA.GetLength(1);
int bCols = matrixB.GetLength(1);
if (matrixA.GetLength(1) != matrixB.GetLength(0))
thrownew ArgumentException("矩阵维度不匹配");
var result = newdouble[aRows, bCols];
for (int i =0; i < aRows; i++)
{
for (int j =0; j < bCols; j++)
{
double sum =0;
for (int k =0; k < aCols; k++)
{
sum += matrixA[i, k] * matrixB[k, j];
}
result[i, j] = sum;
}
}
return result;
}
static voidDisplayMatrixPreview(double matrix, int previewSize =3)
{
Console.WriteLine($"\n矩阵预览 (前{previewSize}x{previewSize}个元素):");
int rows = Math.Min(previewSize, matrix.GetLength(0));
int cols = Math.Min(previewSize, matrix.GetLength(1));
for (int i =0; i < rows; i++)
{
for (int j =0; j < cols; j++)
{
Console.Write($"{matrix[i, j],8:0.00} ");
}
Console.WriteLine;
}
}
}
}
接下来打开 dotrace，选择Timeline模式，采样频次默认是1000samples/s，即每秒1000次采样，这个相比Sampling模式的5~11s 要快得多，也让采集结果成倍的增加，如果你想采集的更密集些，可以设置为8000 samples/sec，最后就是启动 Start，截图如下：
在卦中的时间轴上标记着二类数据：
线程活动的时序分布。
GC Wait时间（GC触发时的累计阻塞时间）
结果都有了，接下来回答三个问题来熟悉下Timeline模式吧。1. 哪个函数最耗时宏观观察时间轴，我们发现 Main线程的轴上有一段很长的深绿色，说明它曾在这个时段活动，接下来在Thread State面板中选择Running状态，然后选择Main线程进行过滤。至此我们找到了耗费cpu的热点函数。
2. 为什么深绿色是不间断的这是一个挺有意思的问题，熟悉操作系统知识的朋友应该知道Windows是抢占式操作系统，每个线程都会分配到一个时间片，在落地上用量程(Quantum)表示，所以这些间断的很显然是Main线程从失宠到得宠的一个过程，即图中的staticdouble MultiplyMatrices(double matrixA, double matrixB)
{
int aRows = matrixA.GetLength(0);
int aCols = matrixA.GetLength(1);
int bCols = matrixB.GetLength(1);
if (matrixA.GetLength(1) != matrixB.GetLength(0))
thrownew ArgumentException("矩阵维度不匹配");
var result = newdouble[aRows, bCols];
for (int i =0; i < aRows; i++)
{
for (int j =0; j < bCols; j++)
{
double sum =0;
for (int k =0; k < aCols; k++)
{
sum += matrixA[i, k] * matrixB[k, j];
}
result[i, j] = sum;
}
}
GC.Collect;//故意触发阻塞GC
return result;
}
启动 dottrace 跟踪，完成之后截图如下：
打开卦之后，选中 Main线程，GarbageCollection事件以及Running状态，可以清晰的看到，当前触发了 3次 阻塞GC，1次后台GC。
整体上来说，dottrace最大的优点就是时间轴，在某些场景下比 perfview 的表格展示法更加清楚，timeline模式也是在真实场景中用的最多的一种洞察方式。作为JetBrains社区内容合作者，如有购买jetbrains的产品，可以用我的折扣码 HUANGXINCHENG，有25%的内部优惠哦。来源：opendotnet