游戏引擎 / 系统课时

按需使用 Deep Profile

按需使用 Deep Profile

CPU Usage 出现脚本耗时尖峰时,直接开启 Deep Profile 可能让游戏变得更卡,甚至掩盖原本的性能特征。本课比较普通采样、Call Stacks 与 Deep Profile 的记录粒度和额外开销,演示如何先缩小问题范围,再短时间启用深度分析,最终用低开销采样验证真正的优化收益。

学习目标

  • 区分普通 Profiler 样本、Call Stacks 调用栈与 Deep Profile 方法插桩的用途。
  • 使用 Call Stacks 和 ProfilerMarker 定位问题,判断何时需要开启 Deep Profile。
  • 在 Unity 6.3 LTS 中完成深度采样,并排除插桩开销造成的性能误判。

区分三种采样粒度

Unity Profiler 默认依赖已经存在的 Profiler Marker 记录 CPU 活动。它能显示 MonoBehaviour.Update 等入口、Unity API 中已插桩的调用,以及开发者主动添加的标记,但不会自动把所有 C# 方法展开为完整调用树。

例如,EnemyAI.Update() 调用了 FindTarget(),后者又调用 ScoreCandidate()。普通 Profiler 可能只能看到外层 Update 及已标记的内部操作,无法直接知道未插桩的两个 C# 方法各耗时多少。

Unity 6.3 提供以下定位手段:

定位方式 能看到的内容 额外开销 适用情况
普通 CPU Usage 已有 Marker、线程活动和时间线 相对较低 首次确定长帧和耗时区域
Call Stacks 指定事件发生时的完整调用链 增加采集开销,通常低于 Deep Profile 追踪分配或同步等待来源
自定义 ProfilerMarker 开发者指定代码区间的耗时 通常较低,取决于标记频率 已知可疑模块,需要细分耗时
Deep Profile 托管方法内部的细粒度调用样本 很高,可能显著增加 CPU 和内存消耗 常规标记不足以解释 C# 调用热点

这里有一个容易混淆的区别:Call Stacks 记录特定事件发生时的方法调用链,而 Deep Profile 为大量托管方法插入计时探针。 前者用于回答事件从哪里触发,后者用于观察脚本时间花在哪些方法中。二者不能互相替代。

Unity 6.3 的 Call Stacks 可选择记录 GC.Alloc、UnsafeUtility.Malloc 的特定分配及 JobHandle.Complete 等样本的调用栈。它不会因为打开开关,就把所有普通 CPU 样本转换成完整的 C# 方法调用树。

普通采样、Call Stacks 与 Deep Profile 的记录粒度对比

先用 Call Stacks 和局部标记缩小范围

建议先在独立 Development Build 上采集 CPU Usage 数据,并保持 Deep Profile 关闭。以下操作路径适用于 Unity 6.3 LTS,其他 Unity 6 小版本的工具栏布局可能略有差异。

  1. 打开 Window > Analysis > Profiler,从 Target Selection 选择正在运行的 Player。
  2. 选择 CPU Usage,在 Timeline 中找到异常帧,查看 Main Thread 内最长的脚本样本。
  3. 如果异常伴随 GC.Alloc,在 Profiler 顶部展开 Call Stacks,启用 GC.Alloc 的调用栈记录。
  4. 重新执行同一段操作并采集新帧。选中相关分配样本,检查调用栈,确认分配来自哪个脚本方法。
  5. 如果耗时主要来自脚本计算而非受支持的事件,则先添加自定义 Marker,而不是直接启用 Deep Profile。

下面用一个可运行的 Unity C# 组件演示局部插桩。目标搜索是游戏 AI 中常见的热点:每帧遍历候选目标,计算距离并选择最近对象。我们只记录整个搜索区间的耗时。

创建 Assets/Scripts/TargetSearchProbe.cs,写入:

csharp
using Unity.Profiling;
using UnityEngine;

public sealed class TargetSearchProbe : MonoBehaviour
{
    private static readonly ProfilerMarker SearchMarker =
        new ProfilerMarker("AI.TargetScan");

    [SerializeField] private Transform[] targets = new Transform[0];
    [SerializeField, Min(0.1f)] private float searchRadius = 20f;

    public Transform Nearest { get; private set; }

    private void Update()
    {
        // 只对可疑的目标搜索区间插桩。
        using (SearchMarker.Auto())
        {
            Nearest = FindNearest();
        }
    }

    private Transform FindNearest()
    {
        Transform result = null;
        Vector3 origin = transform.position;
        float bestSqr = searchRadius * searchRadius;

        foreach (Transform candidate in targets)
        {
            if (candidate == null) continue;

            // 使用平方距离,避免每次比较都执行开方。
            float sqr = (candidate.position - origin).sqrMagnitude;
            if (sqr < bestSqr)
            {
                bestSqr = sqr;
                result = candidate;
            }
        }

        return result;
    }
}

预期结果:将脚本挂到坐标为 (0, 0, 0) 的 GameObject,创建两个目标对象,分别放在 (3, 0, 0) 和 (8, 0, 0),并把它们的 Transform 填入 Inspector 中的 Targets 数组。保持 Search Radius = 20,进入 Play Mode 后,Nearest 应指向距离为 3 米的目标。

在 Profiler 的 CPU Usage > Hierarchy 中,可以找到名为 AI.TargetScan 的样本,并观察其 Total、Self 和 Calls 等数据。普通采样不一定单独列出 FindNearest(),但自定义标记可以让搜索区间的耗时独立显示。

如果目标数量从 2 个增加到 500 个,搜索区间的工作量也会增加。测试时应重复采集多帧,不能依据单次微小耗时判断瓶颈。这里的 Marker 用于定位,具体毫秒值由硬件、目标数量与运行环境决定。

只在调用细节不足时开启 Deep Profile

当普通采样已经确认 AI.TargetScan 耗时异常,但无法解释其中究竟哪个未标记的 C# 子方法最慢时,才适合短时间启用 Deep Profile。

在 Editor 中启用

  1. 停止 Play Mode,打开 Window > Analysis > Profiler。
  2. 在 Profiler 工具栏启用 Deep Profile。
  3. 等待 Unity 完成必要的脚本重新加载和插桩。
  4. 进入 Play Mode,执行一次能稳定复现搜索热点的操作。
  5. 选择异常帧,在 CPU Usage > Hierarchy 中展开调用层级,观察 FindNearest() 及其内部托管方法样本。
  6. 记录可疑方法及其调用次数,然后停止采集并关闭 Deep Profile。

Deep Profile 能看到更多托管方法调用,却不意味着可以看到所有原生引擎内部函数的逐层实现。大量小方法还可能因为插桩而显得异常昂贵。

在独立 Player 中启用

如果 Editor 与 Player 表现不同,应优先检查目标设备,但必须构建支持 Deep Profiling 的开发版本。

  1. 打开 File > Build Profiles,选择目标平台对应的 Build Profile。
  2. 启用 Development Build,再启用 Deep Profiling。
  3. 重新构建并启动 Player,通过 Profiler 的 Target Selection 连接该进程。
  4. 只执行必要的复现场景,采集少量代表性帧并保存分析数据。
  5. 分析结束后关闭 Deep Profiling 构建选项,重新构建普通性能测试版本。

如果深度采样后 Editor 严重卡顿,可先退出 Play Mode,再关闭 Deep Profile。若已经无法稳定查看采样数据,应缩小测试场景,减少运行中的脚本对象数量,并优先用局部 ProfilerMarker 缩小问题区域。

用无深度插桩的采样确认真实收益

Deep Profile 的正确产出是可疑调用路径,而不是一个可直接用作性能基线的毫秒数。例如,发现 Update() 每帧调用 FindNearest(),而 FindNearest() 又频繁执行候选搜索,这说明应检查搜索频率、候选数量与缓存策略。

假设固定测试场景包含 100 个 NPC,测试前预热 15 秒,每次记录 300 帧,并统计 Main Thread 耗时的 P95,得到以下示例数据:

测试状态 Deep Profile Main Thread P95 结论
修改前普通采样 关闭 21.0 ms 超过 60 FPS 的 16.67 ms 帧预算
修改前深度采样 开启 58.0 ms 仅用于查找调用路径
修改后普通采样 关闭 15.2 ms 同条件下主线程耗时下降

这些数字是说明分析方法的假设数据,不代表 Unity 或示例脚本的固定性能表现。

在该算例中,可信的主线程耗时改善是 21.0 - 15.2 = 5.8 ms,约为 27.6%。不能用深度采样的 58.0 ms 与修改后的 15.2 ms 相减,声称获得了 42.8 ms 的优化收益,因为其中混入了不同的插桩开销。

完成修复后,使用以下条件再次核对:

  • 测试同一台目标设备、相同画质与分辨率,保持场景、NPC 数量和操作路线一致。
  • 关闭 Deep Profile,使用同一种 Player 构建配置重新采样;必要时分别保存修改前后的数据。
  • 重复采样至少 3 次,比较相同统计口径下的 Main Thread 耗时、GC.Alloc 和调用次数。
  • 若 CPU 已降低但仍掉帧,继续检查 GPU、VSync、Present 或线程等待,不要把全部长帧都归因于 C# 计算。

排查顺序应当是:普通 CPU Usage 确认热点;遇到分配或同步事件时使用 Call Stacks;已知代码区域时增加局部 Marker;只有需要拆开未插桩的托管方法调用时才开启 Deep Profile。完成定位后关闭深度采样,用普通 Player 数据决定优化是否真正有效。

具体功能和界面名称可对照 Unity 6.3 Deep Profiling 官方文档 与 Profiler 窗口参考。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

按需使用 Deep Profile

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通