PerformanceTimingConfidence

Instanzeigenschaften

PerformanceTimingConfidence.randomizedTriggerRate Schreibgeschützt

Eine Zahl, die angibt, wie oft Rauschen angewendet wird, wenn der value offengelegt wird.

PerformanceTimingConfidence.value Schreibgeschützt

Ein enumerierter Wert, der eine breite Vertrauensbeurteilung dafür angibt, ob ein Leistungsprotokoll die typische Anwendungsleistung widerspiegelt oder wahrscheinlich durch externe Faktoren beeinflusst wird.

Instanzmethoden

PerformanceTimingConfidence.toJSON()

Gibt eine JSON-Repräsentation des PerformanceTimingConfidence-Objekts zurück.

Beschreibung

Wenn eine Website nach einem "Kaltstart" des Browsers oder einer Sitzungswiederherstellung geladen wurde, können ihre Seiten aufgrund dessen langsamer geladen werden. Dies kann zu einem erheblichen Unterschied zwischen den realen Dashboard-Metriken und den Leistungsbeobachtungen in Seitenprofilierungstools führen, was es einem Entwickler erschwert, zu verstehen, ob ein Leistungsproblem ein legitimes Anliegen oder ein Ausreißer aufgrund externer Faktoren ist.

Die PerformanceTimingConfidence-Schnittstelle ermöglicht es Entwicklern, dieses Problem zu kompensieren, indem sie eine Schätzung des Browsers zurückgibt (in der value-Eigenschaft), wie wahrscheinlich es ist, dass ein zurückgegebenes Leistungsprotokoll die typische Anwendungsleistung darstellt. Dies ist ein Wert von entweder "low" oder "high", der das Vertrauen des Browsers in die Messung angibt.

Um die Möglichkeit der Verwendung des Wertes zur Erstellung von Fingerabdrücken zu verringern, wird dem Schätzwert Rauschen hinzugefügt, was bedeutet, dass der value absichtlich für einen Teil der Ergebnisse falsch sein wird. Die Auslöserate für das Rauschen wird in der randomizedTriggerRate-Eigenschaft angegeben.

Da dies je nach Aufzeichnung variieren kann, ist eine gewichtete Betrachtung pro Aufzeichnung erforderlich, um unverzerrte Aggregationen zu erhalten, die Datenkonsistenz zu verbessern, die Anzahl kombinierter Fehler zu reduzieren und im Allgemeinen eine Basislinie zu schaffen, an der die gemessenen Ergebnisse bewertet werden können.

Verwendung der Daten

Sie sollten die Daten wie folgt verwenden, um aussagekräftige Informationen aus den zufälligen Werten zu extrahieren:

1. Beim Sammeln von PerformanceNavigationTiming-Aufzeichnungen, sammeln Sie randomizedTriggerRate und value für jede Aufzeichnung.
2. Beim Berechnen von Statistiken wie dem 75. Perzentil des Largest Contentful Paint (LCP) oder der mittleren Seitenladezeit, verwenden Sie die unten erläuterten Gewichtungsformeln anstelle eines einfachen Durchschnitts — dies gibt Ihnen separate, korrigierte Metriken für "typische" Ladungen gegenüber "verschlechterten" Ladungen.
3. Verwenden Sie den Mittelwert/Perzentil mit "hohem" Vertrauen als Ihre "reale" Leistungsgrundlage und verwenden Sie den mit "niedrigem" Vertrauen, um zu verstehen, wie typische Daten in Kaltstart-Szenarien aussehen.

Die unten stehenden Verfahren veranschaulichen, wie Gewichtung basierend auf value angewendet werden kann, bevor zusammenfassende Statistiken basierend auf den Vertrauensdaten berechnet werden.

Berechnen nicht verzerrter Mittelwerte

Um nicht verzerrte Mittelwerte für sowohl high und low Werte zu berechnen:

1. Für jede Aufzeichnung:
   • Lassen Sie p die randomizedTriggerRate der Aufzeichnung sein.
   • Lassen Sie c den value der Aufzeichnung sein.
   • Lassen Sie R 1 sein, wenn c high ist, andernfalls 0.
2. Berechnen Sie das pro Aufzeichnung Gewicht w basierend auf c:
   • Zur Schätzung des high-Mittels: w = (R - (p / 2)) / (1 - p).
   • Zur Schätzung des low-Mittels: w = ((1 - R) - (p / 2)) / (1 - p).

     Hinweis: w kann für einige Aufzeichnungen negativ sein; Sie sollten jede Aufzeichnung behalten.

   • Lassen Sie weighted_duration = duration * w (siehe duration).
3. Lassen Sie total_weighted_duration die Summe der weighted_duration-Werte über alle Aufzeichnungen hinweg sein.
4. Lassen Sie sum_weights die Summe der w-Werte über alle Aufzeichnungen hinweg sein.
5. Lassen Sie debiased_mean = total_weighted_duration / sum_weights, vorausgesetzt sum_weights ist nicht nahe null.

Berechnen nicht verzerrter Perzentile

Um nicht verzerrte Perzentile für sowohl high als auch low zu berechnen:

1. Folgen Sie den Schritten für das Berechnen nicht verzerrter Mittelwerte, um ein Pro-Aufzeichnung-Gewicht w zu berechnen.
2. Lassen Sie sum_weights die Summe der w-Werte über alle Aufzeichnungen hinweg sein.
3. Lassen Sie sorted_records alle Aufzeichnungen nach Dauer aufsteigend sortiert sein.
4. Für ein gewünschtes Perzentil (0-100), berechnen Sie q = percentile / 100.0.
5. Gehen Sie sorted_records durch und für jede Aufzeichnung:
   • Berechnen Sie das kumulative Gewicht cw pro Aufzeichnung: cw = sum_{i: duration_i <= duration_j} w_i.
   • Berechnen Sie die nicht verzerrte kumulative Verteilungsfunktion pro Aufzeichnung: cdf = cw / sum_weights.
6. Finden Sie den ersten Index idx, wo cdf >= q.
   • Wenn idx 0 ist, geben Sie duration für sorted_records[0] zurück.
   • Wenn kein solcher idx existiert, geben Sie duration für sorted_records[n] zurück.
7. Berechnen Sie den Interpolationsanteil:
   • Lassen Sie lower_cdf das cdf für sorted_records[idx-1] sein.
   • Lassen Sie upper_cdf das cdf für sorted_records[idx] sein.
   • Wenn lower_cdf = upper_cdf, geben Sie duration für sorted_records[idx] zurück.
   • Ansonsten:
     • Lassen Sie ifrac = (q - lower_cdf) / (upper_cdf - lower_cdf).
     • Lassen Sie lower_duration die duration für sorted_records[idx-1] sein.
     • Lassen Sie upper_duration die duration für sorted_records[idx] sein.
     • Geben Sie lower_duration + (upper_duration - lower_duration) * ifrac zurück.

Beispiele

Grundlegende Verwendung

Dieses Beispiel verwendet einen PerformanceObserver, um Vertrauensdaten von beobachteten PerformanceNavigationTiming-Einträgen abzurufen.

const observer = new PerformanceObserver((list) => {
  list.getEntries().forEach((entry) => {
    console.log(
      `${entry.name} confidence: ${entry.confidence.value}`,
      `Trigger rate: ${entry.confidence.randomizedTriggerRate}`,
    );
  });
});

observer.observe({ type: "navigation", buffered: true });

Spezifikationen

Browser-Kompatibilität

Siehe auch

• PerformanceNavigationTiming