Bazel 很复杂，会在构建过程中执行许多不同的操作，其中一些操作可能会影响构建性能。本页尝试将其中一些 Bazel 概念映射到它们对构建性能的影响。我们提供了一些示例，说明如何通过提取指标来检测 build 性能问题，以及如何解决这些问题。因此，我们希望您在调查 build 性能下降问题时能够运用这些概念。
干净 build 与增量 build
整洁 build 是指从头开始构建所有内容，而增量构建会重复使用一些已完成的工作。
我们建议您分别查看干净 build 和增量 build，尤其是在您收集 / 汇总依赖于 Bazel 缓存状态的指标时（例如构建请求大小指标）。它们还代表两种不同的用户体验。与从头开始启动干净构建（因冷缓存而需要更长时间）相比，随着开发者对代码进行迭代，增量构建的频率通常会更高（因为缓存通常已经很热，所以增量构建通常会更快）。
您可以使用 BEP 中的 CumulativeMetrics.num_analyses 字段对构建进行分类。如果为 num_analyses <= 1，则表明它是一个干净 build；否则，我们可以大致将其归类为增量 build，用户可能已经切换到不同的标志或不同的目标，从而产生了有效干净的 build。任何更严格的增量定义可能都必须采用启发法的形式，例如查看加载的软件包数量 (PackageMetrics.packages_loaded)。
确定性 build 指标作为 build 性能的代理
由于某些指标（例如 Bazel 的 CPU 时间或远程集群上的队列时间）具有不确定性，衡量构建性能可能比较困难。因此，使用确定性指标作为 Bazel 所执行工作量的替代指标非常有用，而 Bazel 完成的工作量反过来又会影响其性能。
构建请求的大小会对构建性能产生重大影响。build 越大，表示分析和构建 build 图方面需要完成的工作越多。构建的自然增长与开发一起自然增长，因为需要添加/创建更多的依赖项，从而导致复杂性增加，构建成本也会上涨。
我们可以将此问题划分为不同的构建阶段，并使用以下指标作为每个阶段所完成工作的代理指标：
PackageMetrics.packages_loaded：成功加载的软件包数量。 这里的回归表示在加载阶段读取和解析每个额外的 BUILD 文件需要完成的更多工作。TargetMetrics.targets_configured：表示 build 中配置的目标和切面的数量。回归表示构建和遍历已配置的目标图方面需要完成的更多工作。- 这通常是由于添加了依赖项，并且必须构建其传递闭包的图。
- 使用 cquery 查找可能添加了新依赖项的位置。
ActionSummary.actions_created：表示在构建中创建的操作，回归表示构建操作图时所做的更多工作。请注意，这还包括可能尚未执行的未使用的操作。- 使用 aquery 调试回归问题；我们建议您先从
--output=summary开始，然后再使用--skyframe_state进一步展开细目。
- 使用 aquery 调试回归问题；我们建议您先从
ActionSummary.actions_executed：执行的操作数量，回归直接表示执行这些操作需要完成更多工作。- BEP 会写出操作统计信息
ActionData，其中显示了执行最多的操作类型。默认情况下，它会收集排名前 20 的操作类型，但您可以传入--experimental_record_metrics_for_all_mnemonics来收集已执行的所有操作类型的这种数据。 - 此外，这还有助于您确定执行了哪些类型的操作。
- BEP 会写出操作统计信息
BuildGraphSummary.outputArtifactCount：由已执行操作创建的工件数量。- 如果执行的操作数量未增加，则很可能是规则实现发生了变化。
这些指标均受本地缓存状态的影响，因此您需要确保从中提取这些指标的 build 是干净 build。
我们已经注意到，任何这些指标的回归都可能伴随实际用时、CPU 时间和内存用量回归。
使用本地资源
Bazel 会使用本地机器上的各种资源（用于分析构建图和驱动执行，以及运行本地操作），这可能会影响机器在执行构建时的性能 / 可用性，以及其他任务。
所用时间
最容易受到噪音影响（并且可能因构建而异）的指标是时间；尤其是实际用时、CPU 时间和系统时间。您可以使用 bazel-bench 获取这些指标的基准，使用足够数量的 --runs 可以提高测量结果的统计显著性。
实际用时是实际经过的时间。
- 如果只有实际用时回归，我们建议收集 JSON 跟踪记录配置文件并查找差异。否则，调查其他回归指标可能更高效，因为它们可能影响了实际用时。
CPU 时间是 CPU 执行用户代码所花费的时间。
- 如果两次项目提交后 CPU 时间回归，我们建议收集 Starlark CPU 配置文件。您可能还需要使用
--nobuild将构建限制为只进入分析阶段，因为这是大部分 CPU 密集型工作会在该阶段完成。
- 如果两次项目提交后 CPU 时间回归，我们建议收集 Starlark CPU 配置文件。您可能还需要使用
系统时间是内核中的 CPU 所花费的时间。
- 如果系统时间回归，则当 Bazel 从您的文件系统读取文件时，这主要与 I/O 有关。
系统级负载分析
使用 Bazel 6.0 中引入的 --experimental_collect_load_average_in_profiler 标志，JSON 跟踪记录性能分析器可在调用期间收集系统平均负载。
图 1. 包含系统平均负载的配置文件。
Bazel 调用期间的负载较高可能表示 Bazel 为您的机器并行安排了过多的本地操作。您可能需要考虑调整 --local_cpu_resources 和 --local_ram_resources，尤其是在容器环境中（至少直到 #16512 合并为止）。
监控 Bazel 内存使用情况
获取 Bazel 的内存用量的主要来源有两个：Bazel info 和 BEP。
bazel info used-heap-size-after-gc：调用System.gc()后已使用的内存量（以字节为单位）。- Bazel bench 也为此指标提供了基准。
- 此外，还有
peak-heap-size、max-heap-size、used-heap-size和committed-heap-size（请参阅文档），但它们的相关性较低。
BEP 的
MemoryMetrics.peak_post_gc_heap_size：GC 后 JVM 堆大小上限（以字节为单位）（需要设置尝试强制执行完整 GC 的--memory_profile）。
内存用量回归通常是由于构建请求大小指标回归而导致的，而这通常是由于添加了依赖项或规则实现更改所致。
如需更精细地分析 Bazel 的内存占用量，我们建议您使用内置内存分析器来分析规则。
永久性工作器的内存性能分析
虽然持久性工作器有助于显著加快构建速度（尤其是对于解释型语言），但其内存占用可能会带来问题。Bazel 会收集关于其工作器的指标，特别是，WorkerMetrics.WorkerStats.worker_memory_in_kb 字段会（通过助记符）说明工作器使用的内存量。
JSON 跟踪记录性能分析器还会通过传入 --experimental_collect_system_network_usage 标志来收集调用期间的持久性工作器内存用量（Bazel 6.0 中的新功能）。
图 2. 包含工作器内存用量的配置文件。
降低 --worker_max_instances 的值（默认值为 4）可能有助于减少持久性工作器占用的内存量。我们正积极努力让 Bazel 的资源管理器和调度器更加智能，以便将来需要减少的频率进行此类微调。
监控远程构建的网络流量
在远程执行中，Bazel 会下载因执行操作而构建的工件。因此，网络带宽可能会影响构建的性能。
如果您要对构建使用远程执行，则可能需要考虑使用 BEP 中的 NetworkMetrics.SystemNetworkStats proto 来监控调用期间的网络流量（需要传递 --experimental_collect_system_network_usage）。
此外，借助 JSON 跟踪记录配置文件，您还可以通过传递 --experimental_collect_system_network_usage 标志（Bazel 6.0 中的新功能）在构建过程中查看系统级网络使用情况。
图 3. 包含系统级网络使用情况的配置文件。
使用远程执行时，网络使用量较高但比较平坦，可能表示网络是构建中的瓶颈；如果您尚未使用它，可以考虑通过传递 --remote_download_minimal 来启用在没有 Bytes 的情况下启用 Build。这样可以避免下载不必要的中间工件，从而加快构建速度。
另一种方法是配置本地磁盘缓存以节省下载带宽。