Автоматический мониторинг размера мобильного приложения по версиям

Мониторинг размера приложения по версиям: настройка в CI/CD

Без системного мониторинга размер приложения растёт незаметно. Недавний кейс: стартап с мессенджером за три релиза вырос с 50 до 85 МБ — конверсия установок упала на 12%. После внедрения автоматического трекинга мы откатили регрессию до 55 МБ. Каждый мегабайт сверх порога стоит реальных денег: потери конверсии могут достигать сотен тысяч рублей ежемесячно.

Мы настраиваем автоматический мониторинг размера по версиям для iOS и Android, интегрированный в CI/CD. Вы получаете прозрачную историю изменений, пороговые алерты и блокировку регрессий до релиза.

Почему размер приложения критичен для конверсии?

Согласно данным Google, каждые 6 МБ сверх порога снижают конверсию установки на 1%. App Store предупреждает пользователей при загрузке >200 МБ по мобильной сети — это прямой риск потери клиентов. Для игр и медиа-приложений порог ещё ниже: каждый дополнительный 1 МБ ресурсов уменьшает количество установок на 0.5%. Контроль размера напрямую влияет на LTV и retention.

Какие инструменты выбрать для мониторинга размера?

bundletool точнее ручного анализа в 10 раз, а appstoreconnect-swift-sdk автоматизирует получение данных из App Store Connect. Сравним эффективные решения:

bundletool обеспечивает точность до байта — на порядок выше ручного анализа. Для iOS appstoreconnect-swift-sdk позволяет получать метрики без ручной выгрузки. Оба инструмента легко интегрируются в GitLab CI или GitHub Actions.

Что мониторить: iOS и Android

iOS: в App Store Connect → TestFlight → App Size отображается сжатый и распакованный размер для каждой версии по типам устройств. App Thinning создаёт уникальные сборки под конкретные модели — мониторинг каждой важен. Ключевые метрики: Compressed (downloaded) size и Uncompressed (installed) size. Типичный диапазон для среднего приложения — 50–150 МБ. Также полезно отслеживать размер linkmap, чтобы видеть вклад каждой библиотеки. Размер IPA — итоговый файл дистрибутива, его тоже стоит контролировать.

Android: в Google Play Console → Android Vitals → App size показывается APK size и AAB download size по устройствам. AAB автоматически урезает ресурсы, поэтому реальный размер установки на 10–30% меньше APK. Прямой APK size не всегда показателен — используйте bundletool для получения точного download size.

Настройка мониторинга в CI/CD

Пошаговый план для обеих платформ:

1. iOS: после сборки xcarchive извлекаем размер с помощью Xcode size report или через API App Store Connect.
2. Android: из AAB получаем реальный download size через bundletool get-size total.
3. В CI-скрипте сравниваем размер с предыдущей версией из main ветки.
4. При превышении порога (например, +3 МБ — warning, +8 МБ — error) пайплайн падает или отправляет уведомление.

java -jar bundletool.jar get-size total \
  --bundle=app-release.aab \
  --dimensions=ABI,SCREEN_DENSITY \
  --device-spec=device-spec.json

Для iOS используем appstoreconnect-swift-sdk для получения размера из App Store Connect.

Блокировка билда при превышении порога

Этот процесс — ключевая защита от регрессий. В CI-скрипте извлекаем размер текущей сборки и сравниваем с размером последней стабильной версии (из main). Если разница превышает порог error, пайплайн завершается с ошибкой. Для порога warning отправляем уведомление в Slack/Telegram. Такая блокировка предотвращает случайное увеличение размера на продакшене.

Пороги и алерты

Действующие пороги настраиваются индивидуально. Для типового приложения разумные значения:

Порог зависит от типа приложения: для мессенджера +3 МБ — критично, для игры с новым уровнем — нормально. Мы настраиваем в процессе.

История размера по версиям

Сохраняем метрики при каждом релизе в базу или JSON. Структура записи: {version, build_number, date, ios_compressed_mb, ios_installed_mb, android_aab_mb, breakdown_by_category}. Breakdown по категориям: Resources (текстуры, звуки) — 60–70%, Frameworks/Libraries, Executable. На iOS linkmap показывает вклад каждой библиотеки. В Android Studio — Analyze APK с побайтовой разбивкой. Ведение истории позволяет анализировать тренды и предсказывать будущий рост.

Что входит в работу и сроки

• Интеграция скриптов в GitLab CI / GitHub Actions
• Настройка порогов и алертов (Slack/Telegram)
• Создание dashboard в Grafana или простого JSON-лога
• Документация по расширению
• Обучение команды (1 час созвон)

Ориентировочные сроки: 1–2 рабочих дня. Стоимость рассчитывается индивидуально под ваш стек и инфраструктуру. Получите консультацию — мы оценим ваш проект за 1 час.

Наши инженеры имеют опыт более 40 проектов по оптимизации мобильных приложений. Закажите настройку мониторинга размера прямо сейчас — ваше приложение останется лёгким.

Оптимизация мобильных приложений: cold start, память, батарея, FPS, профилирование

Приложение с временем холодного старта 4+ секунды теряет пользователей ещё до первого экрана. Android Vitals в Google Play Console прямо влияют на ранжирование в поиске: приложения с плохими метриками получают меньший organic reach. Apple аналогично мониторит crash rate и время запуска через MetricKit. Оптимизация — это не «сделать быстрее», а понять где именно теряется время и что с этим делать.

Cold Start: где убивается время до первого кадра

Cold start — запуск приложения, когда процесс не существует в памяти. На Android это время от нажатия на иконку до Activity.onWindowFocusChanged(hasFocus = true). На iOS — от tap до viewDidAppear первого экрана.

Android: main thread перегружен при инициализации

Application.onCreate() — главный враг быстрого старта на Android. Разработчики инициализируют здесь всё подряд: Firebase, Analytics, базу данных, HTTP-клиент, DI-контейнер. Каждый SDK добавляет 20–200 мс на main thread.

Инструмент для диагностики: Android Studio Profiler → App Startup. Показывает граф инициализации с временем каждого компонента. Альтернатива — Tracing.beginSection("MyInitTag") в коде + systrace.

Решение: App Startup Library (Jetpack) с явным графом зависимостей инициализаторов. Компоненты, нужные только в конкретных сценариях, инициализируются лениво — by lazy {} или initializer с флагом lazyInit. Firebase Analytics, например, не нужен до первого пользовательского действия — его инициализацию можно отложить.

ContentProvider-ы, автоматически добавляемые SDK через AndroidManifest merge, тоже запускаются при старте. tools:node="remove" в манифесте позволяет отключить конкретный провайдер и инициализировать SDK вручную в нужный момент.

Ещё одна грабля: Room.databaseBuilder().build() на main thread. Это синхронная операция создания/открытия файла БД — на медленных устройствах занимает 50–300 мс. Переносим в coroutine с Dispatchers.IO, в ViewModel через viewModelScope.launch.

iOS: Dyld linking и +load

На iOS cold start делится на pre-main (до вызова main()) и post-main. Pre-main — время загрузки dylib, rebase/binding, Objective-C runtime initialization и выполнения +load методов.

Xcode Instruments → App Launch template показывает время pre-main и post-main раздельно. DYLD_PRINT_STATISTICS=1 в схеме запуска выводит детальное время загрузки в консоль.

Что убивает pre-main:

• Много динамических библиотек (каждая dylib — накладные расходы на линковку). CocoaPods добавляет отдельную dylib на каждый pod. Решение: Swift Package Manager со статической линковкой (type: .static) или use_frameworks! :linkage => :static в CocoaPods.
• +load методы в Objective-C — выполняются синхронно при загрузке класса, до main(). Сторонние SDK могут злоупотреблять этим. +initialize — ленивый аналог, вызывается при первом обращении к классу.

Post-main — application(_:didFinishLaunchingWithOptions:). Та же история что на Android: синхронная инициализация всего. lazy var для сервисов, которые не нужны немедленно. SwiftUI @StateObject инициализирует объект только когда View появляется — это уже встроенная ленивость.

Целевые метрики (App Store рекомендации): cold start < 400 мс для простых приложений, < 2 секунды для сложных. Warm start (процесс в памяти, но Activity/Scene пересоздаётся) — < 1 секунда.

Память: утечки, OOM, excessive pressure

Утечка памяти в iOS — retention cycle: объект A держит ссылку на B, B держит на A, ни один не освобождается. Классика: Timer с self в замыкании без [weak self]. Timer удерживает замыкание, замыкание удерживает self (ViewController), ViewController не освобождается при закрытии. Instruments → Leaks или Memory Graph Debugger в Xcode — находит живые объекты, которых не должно быть.

На Android garbage collector управляет памятью, но утечки всё равно случаются. Activity или Fragment, удерживаемые через статическую ссылку, singleton, или Handler/Runnable после onDestroy — классика. LeakCanary — обязательный инструмент в debug-сборке. Добавляется одной зависимостью debugImplementation "com.squareup.leakcanary:leakcanary-android" и автоматически детектирует утечки с полным стектрейсом.

OutOfMemoryError чаще всего происходит из-за загрузки изображений. Bitmap в памяти занимает ширина × высота × 4 байта. Изображение 4000×3000 px — 48 МБ в памяти, независимо от размера файла на диске. Glide / Coil правильно обрабатывают это: загружают с даунсемплингом под размер View, кешируют в LRU-кеш. Загружать в ImageView без Glide/Coil через BitmapFactory.decodeFile — путь к OOM на устройствах с 2 ГБ RAM.

На Flutter Dart VM имеет свой GC, но нативные ресурсы (изображения, текстуры) не управляются Dart GC. Image.network кеширует изображения в памяти без автоматического освобождения при выходе из дерева виджетов — при длинных списках с картинками используем cached_network_image с правильным memCacheWidth/memCacheHeight.

FPS и UI Performance

60 FPS — 16.67 мс на кадр. 120 FPS (ProMotion) — 8.33 мс. Всё что занимает больше на main thread — джанк.

Типичные причины просадок FPS:

На iOS: синхронная декодировка изображений в cellForRowAt. Когда ячейка таблицы появляется, UIImage(contentsOfFile:) декодирует JPEG/PNG на main thread — видно как заторможенный скролл на длинных списках. Решение: UIImage.preparingForDisplay() (iOS 15+) или ImageIO с kCGImageSourceCreateThumbnailWithTransform в background queue, результат через DispatchQueue.main.async.

На Android: RecyclerView.Adapter.onBindViewHolder с синхронными операциями. Базы данных, файловая система, синхронные сетевые запросы на main thread — StrictMode.ThreadPolicy с detectAll().penaltyLog() в debug-сборке покажет все нарушения.

На Flutter: build() метод вызывается часто, он должен быть дешёвым. setState() на верхнем виджете пересобирует всё дерево. const конструкторы, RepaintBoundary, разбиение на мелкие виджеты с локальным стейтом — основные инструменты. Flutter DevTools → Performance показывает janky frames (красные) с причинами.

Профилирование Compose: Recomposition Highlighter и трассировка через Trace.beginSection в @Composable. remember для дорогих вычислений, derivedStateOf для computed values, LazyColumn вместо Column + forEach для длинных списков.

Батарея: Wake locks, WorkManager, сетевые запросы

Приложение в топе по расходу батареи — пользователь видит это в настройках и удаляет. Android Battery Historian (из ADB bug report) показывает детальный timeline: wake locks, wakeups, network activity, sensor usage.

Основные потребители энергии:

• Постоянный GPS (разбираем в maps-geo)
• Polling сети каждые N секунд вместо push
• Holding wake lock дольше необходимого
• Excessive AlarmManager wakeups

WorkManager с Constraints — правильный способ планировать фоновые задачи: setRequiredNetworkType, setRequiresBatteryNotLow, setRequiresCharging. ОС батчирует задачи и выполняет в удобное время.

На iOS BGTaskScheduler с BGProcessingTaskRequest (для тяжёлых задач при зарядке) и BGAppRefreshTaskRequest (для лёгких обновлений) — система решает когда выполнять, разработчик только регистрирует и реализует логику.

Батчинг сетевых запросов: вместо 10 отдельных запросов в течение минуты — один батч запрос. Меньше радио-активностей (LTE radio потребляет много при инициализации соединения), меньше wakeups.

Инструменты профилирования

MetricKit на iOS — особенно ценен: реальные данные с устройств пользователей, а не симулятора. MXMetricManager получает агрегированные метрики раз в сутки: MXAppLaunchMetric, MXHangDiagnostic, MXCPUExceptionDiagnostic. Диагностики по hang и CPU-exceptions содержат стектрейс с реального устройства — золото для диагностики production-проблем.

Процесс оптимизации

Начинаем с измерения, не с предположений. Инструменты выше дают цифры: конкретное время cold start, конкретный объём памяти, конкретные кадры с просадкой. Потом — приоритизация по impact: что больше всего влияет на пользовательский опыт именно в этом приложении.

Аудит производительности существующего приложения: 3–5 рабочих дней. Реализация оптимизаций — от недели до двух месяцев в зависимости от запущенности проблем и архитектуры кода.