之前很多研究是针对大型应用而言，很少有关注移动端应用的影响，这里会同时关注两个主要的目标，安装包体积和冷启动耗时。

1、代码布局优化

函数布局(function layout) 优化，即函数重排(function reordering)，把频繁执行(hot) 或连续执行的函数放到一起，让内存页更加紧凑，减少缺页中断的次数。当然还有代码块重排，以及内联(inlining) 的优化。

但之前很多研究是针对大型应用而言，很少有关注移动端应用的影响，这里会同时关注两个主要的目标，安装包体积和冷启动耗时。本文的内容来源于论文《Optimizing Function Layout for Mobile Applications》。

PGO(Profile-Guided-Optimization) 的概念就不重复介绍了，之前的文章有写到过，主要是通过插桩或采样，拿到应用的运行时数据(代码块调用次数等)，通过重排等手段来优化性能。

2、建立模型

尝试定义图，来建立优化的模型。这里会涉及到一点数学，在图中会标注写明公式的含义。

按照压缩算法的实际实验，越多连续重复的字串挨在一起，压缩率就越高。依此，我们定义模型的优化指标，是高压缩率。

定义 U 为出现在不同函数 F 的相同指令，即目标为把有更多共同指令的函数放得更近。

但由于我们是需要考虑综合指标，即安装包体积和性能，所以最好是优先考虑把执行频繁的函数(hot) 排列到一起。

假设冷启动情况下，函数只在第一次执行时，需要从磁盘传递到主存，触发缺页中断，所以我们需要记录每个函数第一次执行的时间戳(timestamp)。按这种时间顺序执行的一连串函数称之为 trace，用符号 S 标识。

按下图分析，比较好的布局是按照 trace 的顺序排列函数，看起来缺页次数和时间的关系曲线会比较线性，不过我们的目标是使得这个关系曲线更加扁平。

如何让曲线更加扁平呢？那就是在某个时刻，让所需的 trace 都已经能在内存中拿得到，也就是缺页已经发生过，且尽可能少。

这里的算法都直接在上图解释了，是一个递归不断划分成子问题优化的过程，最后再整合到一起。关于如何定义划分的收益，就是函数划分到另一部分的损耗，主要如下图，实际操作中，也可以像人工智能算法一样自己设置。

那么该如何获取到函数第一次执行的时间等信息，就需要通过 PGO 的方式来进行了。

拿到大量的用户运行时执行数据后，就需要整合，文中会先进行冷启动耗时的优化，然后再在 LTO(Link-Time-Optimization，之前文章写过) 阶段对执行很少(cold) 的函数进行包体积优化。

对于缺页次数的优化，比起按顺序平均布局函数，bps(模型算法) 的冷启动优化效果更好。

对于体积的优化，bpc(模型算法) 的体积减少效果也更好。