前面几章我们介绍了指标的定义，相关实践优化，取得了较好的成果，优化也趋近于瓶颈。在优化过程中我们也遇到了大量的问题，比如每个版本几百次的代码合入，导致优化的效果劣化，如何规范化流程，保障优化效果等是我们面临比较严峻的问题。 在大的团队，各种开发组错综复杂，推动问题成本高，防劣化我们更希望更前置的发现问题，避免代码合入后或者带入线上后才发现问题，再推动业务组去修复。
1 CodeReview
前面几章我们也讲到了启动框架，通过启动框架改造后，所有的启动任务管理都放置在一个module中，将module拆分出出来，作为一个单独的aar方式放置到主工程中，所有的开发修改启动库的代码都通过提交PR的方式，经过代码codeview的方式合入。 通过代码codeview的方式的话能发现明显的问题，但是对于一些比较隐蔽的问题我们就比较难发现，下面介绍几种出现问题比较大概率的一些情况监测。
2 自动化
在代码合入之前通过自动化测试，前置检测是否有问题。
1 线程和IO监测
由于我们是模块化开发，启动任务内调用的是一个接口，而实现是再对应的业务module里面，所以对于实现类的修改我们没办法敏感的发现，实现类内创建线程或者操作大IO等问题对启动的影响较为明显，基于这点，我们采用数据监控方式，通过数据对比设定卡口。 腾讯开源的工具也提供了多个监控方案 github.com/Tencent/mat… ，监测可以通过插装、hook等多种方式去处理。 我这里简单出来采用hook的方式去监控。github.com/tiann/epic ， 比如线程的创建，我们可以通过线程hook Thread.start方法，IO的读取量我们监控FileStream相关的api去操作。 通过工具，我们记录启动过程中的线程创建和IO操作，设置基准的数据，在后续的问题分析中快速对比发现问题。
2 启动多阶段埋点
第一章中我们有介绍启动的几个阶段1 数据和架构设计，对启动的几个阶段进行数据埋点，在每次主工程代码合入的时候，自动化构建使用云真机跑启动用例，对比数据。
3 视频分帧
之前我们有介绍，通过自动化，启动录制视频，然后将视频分帧，通过算法筛选出点击帧和渲染完成帧。
遇到的问题
在自动化过程中我们遇到最大的问题是数据波动，数据波动无法保证结果的可靠性，导致信服力降低，数据消费意愿下降。 针对这类问题我们采用几个方案。
- 对于实验室机型只做启动测试用例。
- 每次保证测试环境是一致的。
- 每次检测跑多次数据。
总结
至此，启动优化的系列文章已经介绍完成，主要包含几部分：架构设计、指标设计、实战优化，防劣化，掌握这几部分我觉得基本上已经OK了，脚踏实地的解决业务场景问题，对于非常黑科技的东西经常会华而不实。
对于优化我自己的心得就四个字：胆大心细，对于历史问题我们有胆魄去重构解决，在解决的过程我们要心思细腻，不要出现线上大故障，通过AB的手段逐渐发布。
最后如果有给你带来帮助，帮忙点个follow，后面应该还会继续带来其他系列实战过的优化文章。
