一种多维度感知下前端智能动态性能调优方法及系统与流程

本发明涉及前端性能优化领域，尤其涉及一种多维度感知下前端智能动态性能调优方法及系统。

背景技术：

1、服现有前端性能优化依赖静态规则、优化维度单一、与业务代码强耦合、无法实时动态适配、弱网与低端机体验差、无自优化闭环的缺陷，实现无需修改业务代码、多维度实时感知、ai 智能决策、动态自动升降级、全场景自适应的前端性能调优。

2、2.1前端性能静态降级适配方法技术背景

3、前端应用为了兼容不同配置的移动设备，普遍采用基于设备型号、内存大小或网络类型的静态降级适配方法，即在应用开发阶段预设 “高端机/中端机/低端机” 档位，通过硬编码的if-else逻辑，为不同档位设备配置固定的渲染与资源加载规则。这类方法实现简单，早期被广泛用于解决低端机卡顿问题。

4、2.2 基于单一维度指标的前端性能监控优化方法技术背景

5、随着前端性能优化技术的发展，出现了基于单一指标（如页面帧率 fps、首屏加载时间、请求成功率）的监控优化方法。这类方法通过在页面运行过程中定时采集单一性能指标，当指标低于预设阈值时，触发简单的降级或告警操作。

6、2.3 针对前端资源加载的弱网优化方法及系统技术背景

7、为解决弱网环境下页面加载缓慢的问题，现有技术中存在多种针对前端资源加载的优化方法，如懒加载、预加载、资源压缩、接口合并等。这类方法主要通过减少资源请求数量、降低资源大小、调整加载时机等方式提升弱网下的加载速度。

8、现有技术的缺点

9、传统前端优化采用固定阈值、静态规则、人工配置，无法适配万千机型与实时环境变化。

10、优化维度单一，仅关注资源加载或帧率，未将设备硬件、网络质量、运行时状态、用户行为多维度融合。

11、降级策略与业务代码强耦合，需大量 if-else 判断，维护成本高、扩展性差。

12、无法实现运行时动态升降级，设备发热降频、网络切换、网络抖动时不能自动调整策略。

13、弱网与低端机场景无法智能区分核心资源与非核心资源，易造成关键功能卡顿或非必要资源浪费。

14、无统一智能决策引擎，优化效果依赖人工经验，无法形成感知—决策—执行—反馈闭环。

技术实现思路

1、鉴于上述问题，提出了本发明以便提供克服上述问题或者至少部分地解决上述问题的一种多维度感知下前端智能动态性能调优方法及系统。

2、根据本发明的一个方面，提供了一种多维度感知下前端智能动态性能调优方法，所述调优方法包括：

3、实时采集原始数据；

4、对采集的原始数据进行数据预处理，生成随机森林模型可识别的标准特征向量；

5、部署轻量化随机森林模型，输入标准特征向量，输出设备性能等级l1-l5、网络质量等级n1-n4、用户行为预测结果三大决策结果；

6、根据决策结果，调用渲染引擎、资源加载模块、后台逻辑管理模块，执行对应的动态优化策略，并将优化效果反馈至感知层，形成闭环。

7、可选的，所述实时采集原始数据具体包括：

8、实时采集四大维度16类数据，采样频率100ms /次，覆盖设备、网络、运行时、用户行为全场景。

9、可选的，所述实时采集四大维度16类数据，采样频率100ms /次，覆盖设备、网络、运行时、用户行为全场景具体包括：

10、通过浏览器原生api、小程序基础库api及自定义埋点，实时采集四大维度数据：

11、设备硬件维度：cpu型号/核心数、gpu型号、可用内存大小、设备像素比dpr、设备类型，包括手机/平板/pc；

12、网络质量维度：实时网速、rtt、丢包率、网络制式、网络稳定性指数；

13、运行时状态维度：页面帧率fps、内存占用率、cpu使用率、主线程长任务阻塞时长、dom节点数量、渲染图层数量；

14、用户行为维度：页面点击热力区、滑动方向/速度、页面停留时长、历史访问页面路径、资源点击优先级。

15、可选的，所述对采集的原始数据进行数据预处理，生成随机森林模型可识别的标准特征向量具体包括：

16、对采集的原始数据进行去噪、归一化、特征筛选、缺失值填充，生成随机森林模型可识别的标准特征向量。

17、可选的，所述对采集的原始数据进行去噪、归一化、特征筛选、缺失值填充，生成随机森林模型可识别的标准特征向量具体包括：

18、数据去噪：剔除异常值，采用滑动窗口滤波平滑波动数据；

19、归一化处理：将不同量纲数据映射至[0,1]区间；

20、特征筛选：基于随机森林特征重要性评估，剔除低贡献特征，保留12类核心特征；

21、缺失值填充：对网络波动导致的丢包率、rtt缺失数据，采用相邻时间点均值填充。

22、可选的，所述部署轻量化随机森林模型，输入标准特征向量，输出设备性能等级l1-l5、网络质量等级n1-n4、用户行为预测结果三大决策结果具体包括：

23、模型轻量化适配：对随机森林模型进行轻量化改造：

24、模型规模：决策树数量精简至30-50棵，单棵树最大深度≤8，叶子节点最小样本数≥5；

25、部署方式：模型训练完成后，转换为json格式，前端通过轻量级js引擎加载运行，推理延迟≤10ms；

26、动态优化：支持模型增量更新，后端定期推送特征权重更新包，前端无需重新下载完整模型；

27、模型训练与分类规则：

28、训练数据集：采集百万级真实用户设备-网络-运行时数据，人工标注设备等级l1-l5、网络等级n1-n4，构建标注数据集；

29、设备等级划分：l1为顶级高端机：cpu 核心数≥8、内存≥8gb、运行时fps≥58、cpu使用率≤30%；l2为高端机：cpu核心数≥6、内存≥6gb、运行时fps≥55、cpu使用率≤40%；l3为中端机：cpu核心数≥4、内存≥4gb、运行时fps≥50、cpu使用率≤50%；l4为低端机：cpu核心数≥2、内存≥2gb、运行时fps≥40、cpu使用率≤70%；l5为入门低端机：cpu核心数= 1、内存＜2gb、运行时fps＜40、cpu使用率＞70%；

30、网络等级划分：n1为优网：网速≥10mbps、rtt≤50ms、丢包率≤1%；n2为良网：网速≥5mbps、rtt≤100ms、丢包率≤3%；n3为弱网：网速≥1mbps、rtt≤200ms、丢包率≤8%；n4为极弱网：网速＜1mbps、rtt＞200ms、丢包率＞8%；

31、用户行为预测：基于历史访问路径与当前交互行为，随机森林预测用户下一步访问页面/点击资源的概率，输出top3高优先级资源列表；

32、随机森林模型通过多棵决策树投票，输出三大核心结果：设备性能等级l1-l5；网络质量等级n1-n4；用户行为预测高优先级资源列表。

33、可选的，所述根据决策结果，调用渲染引擎、资源加载模块、后台逻辑管理模块，执行对应的动态优化策略具体包括：

34、基于随机森林输出的设备等级+网络等级+用户行为预测结果，动态执行渲染策略、资源加载策略、后台逻辑策略三大层级优化规则，核心规则：

35、渲染策略动态切换，包括：

36、顶级高端机l1：全开动画、高清资源、开启gpu加速、多图层渲染、预加载拉满；

37、高端机l2：保留核心动画、高清资源、开启gpu加速、合并非核心渲染任务、预加载核心资源；

38、中端机l3：关闭非核心动画、标准分辨率资源、限制渲染图层数量、合并长渲染任务、按需预加载；

39、低端机l4：关闭所有动画、低分辨率资源、禁用gpu加速、单图层渲染、拆分长任务、仅预加载首屏资源；

40、入门低端机l5：关闭动画+静态化页面、最低分辨率资源、冻结非核心渲染逻辑、首屏极简渲染、禁止预加载；

41、资源加载策略动态适配，包括：n1为优网：全资源并行加载、无延迟、预加载所有关联资源；n2为良网：核心资源优先加载、非核心资源懒加载、预加载用户行为预测高优先级资源；n3为弱网：加载首屏+高优先级资源、资源压缩至最低、串行加载、增加请求超时时间+重试机制；n4为极弱网：纯文字优先加载、图片/视频占位符延迟加载、仅预加载top1高优先级资源、合并接口请求、禁用非必要网络请求；

42、后台逻辑策略动态调优，包括：l1-l2：后台逻辑全量运行、定时器正常执行、数据实时同步；l3：合并闲置定时器、延迟非核心数据同步、限制后台计算频率；l4-l5：冻结后台闲置逻辑、暂停非必要定时器、数据按需同步、销毁冗余dom节点/事件监听。

43、可选的，所述将优化效果反馈至感知层，形成闭环具体包括：

44、系统执行优化策略后，感知层持续采集优化后的fps、内存占用、加载耗时、请求成功率等效果数据，反馈至决策层：

45、若效果达标，维持当前策略；

46、若效果不达标，触发策略微调；

47、后端定期收集全量反馈数据，重新训练随机森林模型，更新特征权重与分类规则，下发至前端，实现模型迭代优化。

48、本发明还提供了一种多维度感知下前端智能动态性能调优系统，应用上述所述的一种多维度感知下前端智能动态性能调优方法，所述调优系统包括：

49、多维度数据感知模块，用于实时采集原始数据；

50、数据预处理模块，用于对采集的原始数据进行数据预处理，生成随机森林模型可识别的标准特征向量；

51、随机森林智能决策模块，用于部署轻量化随机森林模型，输入标准特征向量，输出设备性能等级l1-l5、网络质量等级n1-n4、用户行为预测结果三大决策结果；

52、动态策略执行模块，用于根据决策结果，调用渲染引擎、资源加载模块、后台逻辑管理模块，执行对应的动态优化策略；

53、闭环反馈与模型迭代模块，用于将优化效果反馈至感知层，形成闭环。

54、本发明提供的一种多维度感知下前端智能动态性能调优方法及系统，所述调优方法包括：实时采集原始数据；对采集的原始数据进行数据预处理，生成随机森林模型可识别的标准特征向量；部署轻量化随机森林模型，输入标准特征向量，输出设备性能等级l1-l5、网络质量等级n1-n4、用户行为预测结果三大决策结果；根据决策结果，调用渲染引擎、资源加载模块、后台逻辑管理模块，执行对应的动态优化策略，并将优化效果反馈至感知层，形成闭环。通过实时采集设备、网络、运行时、用户行为数据，利用轻量化随机森林模型智能划分设备性能等级与网络质量等级，通过ai调度层统一接管页面渲染、资源、请求、定时器、异步任务，实现高端机全开、中端机平衡、低端机保流畅、弱网智能预加载的全自动动态调优，无需修改业务代码，无需人工配置规则。

55、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。