抖音 ANR 自动归因平台建设实践
内容提要
本文介绍了抖音在ANR问题治理上的挑战和建设ANR归因平台的思路，包括单点归因、聚合归因和劣化问题归因三个方向的建设思路。文章还介绍了平台的落地效果和未来规划。
延伸解读
从传统归因到平台化：ANR 治理的范式转变
文章指出，传统基于 ANR Trace 和 ANR Info 的归因方案存在明显缺陷：由于消息队列的时序性，ANR 发生时的堆栈可能已错过问题现场，导致归因不准确。慢消息归因虽能监控主线程消息，但面对抖音这类大型应用，ANR 常由子线程 CPU 抢占、内存不足等综合因素引发，单一方案难以定位根因。抖音构建的归因平台，通过单点、聚合、劣化三个方向，将归因从依赖人工经验转向系统化、自动化，这反映了超大型应用稳定性治理的必然趋势。
精准插桩与数据拟合：平衡监控开销与定位精度
为降低插桩对包体积和性能的影响，抖音采用精准插桩策略，仅对带有耗时特征的函数（如含锁、Native/IO 调用、复杂大方法）进行插桩，减少约 90% 的插桩数量。同时，针对插桩堆栈信息不足的问题，设计了插桩与抓栈数据拟合方案，在服务端根据时间点对齐并补全缺失的堆栈。这一思路在工程上具有参考价值：在线上监控中，如何以可接受的性能损耗获取足够的诊断信息，是大型应用普遍面临的挑战。
精细化数据：从“函数慢”到“为什么慢”的关键
文章强调，仅知道函数耗时并不足以解决问题。例如，一个业务函数耗时，通过补充锁竞争信息（如持有锁的线程和堆栈）才能明确根因。因此，平台在 Trace 数据之外，还采集了锁、CPU-Time、Binder 调用、IO 路径、RenderNode、Block GC 等精细化数据。这提示我们，ANR 归因不能止步于堆栈，上下文信息的丰富程度直接决定了归因结论的可消费性。对于开发者而言，在优化时也应关注这些底层细节。
聚合归因与业务特征：从单点修复到系统性治理
平台通过聚合归因标签（粗归因、细归因、业务特征）和异常问题（主线程异常函数、后台任务、内存），结合渗透率、耗时均值等统计维度，帮助团队聚焦 Top 问题。例如，案例中发现某个后台任务执行时机变更导致锁竞争，或业务 Bug 引发高频消息。这种从单点归因到大数据聚合的转变，使得治理从被动救火转向主动发现共性问题，从而提升整体 ANR 率下降的效率。
Q&A
抖音的ANR问题是什么？
ANR是Android系统定义的应用程序无响应异常，严重影响用户体验。
抖音在ANR问题治理中面临哪些挑战？
抖音面临缺乏有效归因手段、存量问题优化困难和防劣化压力等挑战。
抖音的ANR归因平台建设思路有哪些？
建设思路包括单点问题归因、聚合问题归因和劣化问题归因。
单点ANR问题归因的步骤是什么？
单点ANR问题归因分为明确问题区间、粗归因和细归因三个步骤。
抖音的ANR归因平台落地效果如何？
平台成功发现并修复多个ANR问题，降低ANR率，取得了显著的业务收益。
抖音未来在ANR治理方面有哪些规划？
未来规划包括持续优化归因体系、防劣化体系和专家系统。
