Pengoptimalan performa dimulai dengan mengidentifikasi metrik utama, yang biasanya terkait dengan latensi dan throughput. Penambahan pemantauan untuk menangkap dan melacak metrik ini akan mengekspos titik lemah dalam aplikasi. Dengan metrik, pengoptimalan dapat dilakukan untuk meningkatkan metrik performa.
Selain itu, banyak alat pemantauan memungkinkan Anda menyiapkan pemberitahuan untuk metrik, sehingga Anda akan diberi tahu saat batas tertentu terpenuhi. Misalnya, Anda dapat menyiapkan pemberitahuan untuk memberi tahu Anda saat persentase permintaan yang gagal meningkat lebih dari X% dari tingkat normal. Alat pemantauan dapat membantu Anda mengidentifikasi seperti apa performa normal dan mengidentifikasi lonjakan latensi, jumlah error, dan metrik utama lainnya yang tidak biasa. Kemampuan untuk memantau metrik ini sangat penting selama jangka waktu bisnis yang penting, atau setelah kode baru di-push ke produksi.
Mengidentifikasi metrik latensi
Pastikan Anda menjaga UI tetap responsif sebisa mungkin, dengan memperhatikan bahwa pengguna mengharapkan standar yang lebih tinggi dari aplikasi seluler. Latensi juga harus diukur dan dilacak untuk layanan backend, terutama karena dapat menyebabkan masalah throughput jika tidak diperiksa.
Metrik yang disarankan untuk dilacak mencakup hal berikut:
- Durasi permintaan
- Durasi permintaan pada granularitas subsistem (seperti panggilan API)
- Durasi tugas
Mengidentifikasi metrik throughput
Throughput adalah ukuran jumlah total permintaan yang ditayangkan selama jangka waktu tertentu. Throughput dapat dipengaruhi oleh latensi subsistem, sehingga Anda mungkin perlu mengoptimalkan latensi untuk meningkatkan throughput.
Berikut beberapa metrik yang disarankan untuk dilacak:
- Kueri per detik
- Ukuran data yang ditransfer per detik
- Jumlah operasi I/O per detik
- Penggunaan resource, seperti penggunaan CPU atau memori
- Ukuran backlog pemrosesan, seperti pub/sub atau jumlah thread
Tidak hanya rata-rata
Kesalahan umum dalam mengukur performa adalah hanya melihat kasus rata-rata. Meskipun berguna, hal ini tidak memberikan insight tentang distribusi latensi. Metrik yang lebih baik untuk dilacak adalah persentil performa, misalnya persentil ke-50, ke-75, ke-90, dan ke-99 untuk metrik.
Secara umum, pengoptimalan dapat dilakukan dalam dua langkah. Pertama, optimalkan latensi persentil ke-90. Kemudian, pertimbangkan persentil ke-99—juga dikenal sebagai latensi ekor: sebagian kecil permintaan yang memerlukan waktu lebih lama untuk diselesaikan.
Pemantauan sisi server untuk hasil mendetail
Pembuatan profil sisi server umumnya lebih disukai untuk melacak metrik. Sisi server biasanya jauh lebih mudah diinstrumentasi, memungkinkan akses ke data yang lebih terperinci, dan tidak terlalu rentan terhadap gangguan dari masalah konektivitas.
Pemantauan browser untuk visibilitas menyeluruh
Jika integrasi Google Ads API Anda menayangkan frontend web kepada pengguna akhir, pembuatan profil browser dapat memberikan insight tambahan tentang pengalaman pengguna. Pembuatan profil browser dapat menunjukkan halaman mana yang memiliki permintaan lambat, yang kemudian dapat Anda korelasikan dengan pemantauan sisi server untuk analisis lebih lanjut.
Google Analytics juga menyediakan pemantauan siap pakai untuk waktu pemuatan halaman dalam laporan waktu halaman Analytics. Hal ini memberikan beberapa tampilan yang berguna untuk memahami pengalaman pengguna di situs Anda, khususnya:
- Waktu pemuatan halaman
- Waktu pemuatan pengalihan
- Waktu respons server
Pemantauan di cloud
Ada banyak alat yang dapat Anda gunakan untuk menangkap dan memantau metrik performa untuk aplikasi Anda. Misalnya, Anda dapat menggunakan Google Cloud Logging untuk mencatat metrik performa ke Project Google Cloud, lalu menyiapkan dasbor di Google Cloud Monitoring untuk memantau dan mensegmentasikan metrik yang dicatat.
Lihat panduan Logging untuk
contoh interseptor logging gRPC kustom yang ditulis untuk
library klien Python. Dalam contoh tersebut, interseptor memanggil logger.log_struct() untuk mengirim kamus Python data log terstruktur ke Cloud Logging, yang disimpan Cloud Logging di kolom jsonPayload entri log:
logger.log_struct({
"method": method_name,
"elapsed_ms": elapsed_milliseconds,
"is_fault": is_fault,
})
Dengan data tersebut tersedia di Google Cloud, Anda dapat membuat metrik di atas data yang dicatat untuk mendapatkan visibilitas ke aplikasi Anda melalui Google Cloud Monitoring. Ikuti panduan metrik berbasis log yang ditentukan pengguna untuk membuat metrik menggunakan log yang dikirim ke Google Cloud Logging.
Atau, Anda dapat menggunakan library klien Cloud Monitoring untuk menentukan metrik dalam kode dan mengirimkannya langsung ke Monitoring, terpisah dari log.
Contoh metrik berbasis log
Misalnya, Anda ingin memantau nilai is_fault untuk lebih memahami rasio error di aplikasi Anda. Karena logger.log_struct() menulis kolom kamus terstruktur di bagian jsonPayload di setiap entri Cloud Logging, Anda dapat membuat metrik penghitung bernama ErrorCount dengan filter yang cocok dengan permintaan yang gagal, seperti jsonPayload.is_fault = true.
Di Cloud Logging, label memungkinkan Anda mengelompokkan metrik ke dalam
kategori berdasarkan data lain dalam log. Anda dapat mengonfigurasi label STRING
bernama Method di kolom jsonPayload.method
yang dikirim ke Cloud Logging untuk menguraikan jumlah error menurut
metode Google Ads API.
Dengan metrik ErrorCount dan label Method yang dikonfigurasi, Anda dapat
membuat diagram baru di Cloud Monitoring untuk memantau
ErrorCount, yang dikelompokkan menurut Method.
Pemberitahuan
Anda dapat mengonfigurasi kebijakan pemberitahuan yang menentukan kapan dan bagaimana pemberitahuan harus dipicu oleh metrik Anda di Cloud Monitoring dan di alat lainnya. Untuk mengetahui petunjuk tentang cara menyiapkan pemberitahuan Cloud Monitoring, ikuti panduan untuk pemberitahuan tentang metrik berbasis log.