抖音以端侧模型预测GC风险并调整线程调度

抖音业务从短视频扩展到直播、电商、本地生活，端侧同时承载高性能渲染、低延迟推流与多线程预加载，内存峰值与并发任务数激增，Android 原生 ADPF 偏游戏场景、难以满足多资源维度综合调度，团队自研 DDPF 动态性能框架，把端上业务与性能时机抽象为信号、把二三方动态能力标准化，并通过 DSL 在 A/B 平台上做策略调节。 感知侧建设低交互场景识别（按停留时长加分、交互行为扣分并在阈值进出模式）与内存负载分级（轻量采集 JavaHeap/NativeHeap，EWMA 抗波动，阈值按 AB 实验与机型下发，输出 Low/Medium/High/Extreme 四级信号）。决策侧引入端智能：模型在端侧基于内存分配速率等实时特征做秒级预测，敏感数据不出端。 以 GC 多参数智能决策为典型闭环——感知层监测到 GC 压力信号后触发虚拟机打分模型，输出未来 8 秒内发生 GC 卡顿风险的标签、置信度与建议参数（extOut），DDPF 转换引擎用 filter/eval 条件（如 label=='1' 且 confidence>0.8）判断是否响应，再把预测分映射为线程优先级等动作参数，由动作工厂组装并做合法性裁剪后提交调度中心执行提升 GC 线程优先级或调整 GC 步长。 执行状态记录为后续特征并派生日志信号，性能监控回采实际 GC 耗时作为 Reward，与当时预测输入共同构成新训练样本，形成「预测—执行—回采—再训练」闭环。