Оптимизация Draw Calls мобильной игры: GPU, батчинг, FPS

Представьте: ваша мобильная игра тормозит на Adreno 506, хотя графика скромная. Frame Debugger показывает 350 Draw Calls на кадр, а FPS проседает до 35. Цель — стабильные 60 FPS. Оптимизация Draw Calls — первый и самый эффективный шаг. Мы снижаем число вызовов со средних 300 до 150, поднимая FPS до 60 на mid-range устройствах без потери качества. Используем батчинг, GPU Instancing, атласы текстур. За 5 лет оптимизировали 30+ проектов. Свяжитесь с нами для аудита вашего проекта — это сэкономит ваши ресурсы.

Почему Draw Calls критичны для мобильных игр?

На мобильных GPU с тайловой архитектурой (Mali, Adreno, Apple GPU) каждый лишний Draw Call дороже, чем на десктопе. CPU тратит время на подготовку данных, а GPU — на переключение контекстов. В результате при хаотичном рендеринге FPS падает ниже целевых 30 или 60 FPS. Оптимизация Draw Calls — один из самых эффективных способов повысить производительность без изменения контента.

Откуда берутся лишние вызовы

Три главных источника.

Разные материалы на похожих объектах. Каждый уникальный материал = минимум один отдельный Draw Call. Часто видим проекты, где монеты, враги и бонусы используют разные текстуры (PNG разных размеров), упакованные в разные атласы. Batch для них невозможен.

Dynamic batching ломается незаметно. Unity батчит меши только если они меньше 900 вершин, используют один материал и не имеют статичного флага. Добавление тени (Shadow Casting = On) на динамический объект автоматически выбивает его из батча — это не очевидно из документации.

Skinned mesh без GPU Instancing. Анимированные персонажи с SkinnedMeshRenderer не участвуют ни в static batching, ни в dynamic batching. Если на экране 20 врагов с одинаковым мешем, но без GPU Instancing — 20 отдельных Draw Calls.

Как снизить Draw Calls без потери качества?

Sprite Atlas для 2D

Для 2D-игр — SpriteAtlas (не устаревший Sprite Packer). Все спрайты одного игрового слоя — в один атлас, один материал, один Draw Call для всего слоя. Атлас должен быть Include in Build, иначе в рантайме подгрузятся отдельные текстуры. Максимальный размер атласа на мобильных — 2048×2048 для большинства устройств, 4096×4096 допускается для Android API 26+ и iOS 12+. Используем ASTC 6×6 для обоих: хорошая компрессия без заметных артефактов.

GPU Instancing для 3D

Для повторяющихся объектов (враги, деревья, пули) — Enable Instancing на материале + шейдер с #pragma multi_compile_instancing. С Unity 2022+ можно использовать BatchRendererGroup для полного контроля. GPU Instancing не работает с анимацией на CPU — для анимированных врагов применяем GPU skinning через AnimationInstancing или вертексные шейдеры с запечёнными анимациями.

Static Batching

Статичные объекты (платформы, стены) помечаем как Static, включаем Static Batching в Player Settings. Unity объединит меши в build time. Оверхед: увеличение памяти, поэтому не помечаем статикой всё подряд.

Убираем лишние Shadow Casters

Тени — дорого. На мобильных часто отключаем real-time тени и заменяем blob shadow (простой dark circle спрайт под объектом). Если тени нужны — ограничиваем дистанцию и переходим на одну каскадную карту теней вместо четырёх.

Целевые метрики

Эти цифры — для 60 FPS. Если таргет 30 FPS, бюджет вдвое мягче. GPU Instancing эффективнее Dynamic Batching в 3–5 раз на мобильных.

Сравнение методов батчинга

Как диагностировать узкие места?

Unity Frame Debugger (документация) — первый шаг. Показывает каждый Draw Call в кадре с объяснением, почему батчинг не произошёл. Snapdragon Profiler (для Android на Adreno) и Xcode GPU Frame Capture (iOS) дают детальную картину на реальном железе, включая time per draw call. RenderDoc — для глубокого анализа.

Что входит в работу

• Аудит Frame Debugger и Snapdragon Profiler
• Внедрение Sprite Atlas и GPU Instancing
• Оптимизация теней и статического батчинга
• Тестирование на 5+ реальных устройствах (low-end, mid-range)
• Документация по поддержке оптимизаций
• Гарантия 6 месяцев на производительность (прирост FPS минимум 20% на low-end)

Процесс работы

1. Анализ текущего состояния (1 день)
2. Приоритизация проблем (1 день)
3. Реализация атласов/инстансинга/батчинга (2–5 дней в зависимости от сложности)
4. Тестирование на low-end и mid-range устройствах (1 день)
5. Финальный отчёт и передача правок

Сроки зависят от масштаба: простая 2D-аркада — два-три дня, 3D с анимированными персонажами — неделя и больше. Оценим ваш проект за 1 рабочий день. Свяжитесь с нами — получите консультацию и коммерческое предложение.

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.