PerformanceTimingConfidence

Instanz-Eigenschaften

PerformanceTimingConfidence.randomizedTriggerRate Schreibgeschützt

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

PerformanceTimingConfidence.value Schreibgeschützt

Ein enumerierter Wert, der ein breites Vertrauensmaß dafür angibt, ob ein Leistungsdatensatz die typische Anwendungsleistung widerspiegelt oder wahrscheinlich durch externe Faktoren beeinträchtigt wurde.

Instanz-Methoden

PerformanceTimingConfidence.toJSON()

Gibt eine JSON-Darstellung des PerformanceTimingConfidence-Objekts zurück.

Beschreibung

Wenn eine Website nach einem "Kaltstart" des Browsers oder einer Sitzungswiederherstellung geladen wurde, können die Seiten dadurch langsamer laden. Dies kann zu erheblichen Unterschieden zwischen den realen Dashboard-Metriken und den Leistungsbeobachtungen in Seitenprofilerstellungstools führen, was es für einen Entwickler schwierig macht zu verstehen, ob ein Leistungsproblem ein legitimes Anliegen oder eine durch externe Faktoren verursachte Ausnahme ist.

Das PerformanceTimingConfidence-Interface ermöglicht es Entwicklern, dieses Problem zu kompensieren, indem es eine Schätzung des Browsers zurückgibt (in der value-Eigenschaft), die die Wahrscheinlichkeit angibt, dass ein zurückgegebener Leistungsdatensatz die typische Anwendungsleistung darstellt. Dies ist entweder ein Wert von "low" oder "high", der das Vertrauen des Browsers in die Messung anzeigt.

Um die Möglichkeit zu reduzieren, den Wert für Fingerabdrücke zu verwenden, wird dem Schätzwert Rauschen hinzugefügt, was bedeutet, dass der value absichtlich für einen Teil der Ergebnisse falsch sein wird. Die Auslösungsrate für das Rauschen wird in der randomizedTriggerRate-Eigenschaft angegeben.

Da dies über Datensätze hinweg variieren kann, ist eine Gewichtung pro Datensatz erforderlich, um unvoreingenommene Aggregate wiederherzustellen, die Datenkonsistenz zu verbessern, die Anzahl der zusammengesetzten Fehler zu reduzieren und im Allgemeinen eine Basislinie zu schaffen, gegen die die gemessenen Ergebnisse bewertet werden können.

Verwendung der Daten

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

1. Beim Sammeln von PerformanceNavigationTiming-Datensätzen, erfassen Sie randomizedTriggerRate und value für jeden Datensatz.
2. Wenn Sie Statistiken wie das 75. Perzentil Largest contentful paint (LCP) oder die durchschnittliche Seitenladezeit berechnen, wenden Sie die unten erklärten Gewichtungsformeln anstelle eines einfachen Durchschnitts an — dies gibt Ihnen separate, korrigierte Metriken für "normale" Ladevorgänge vs. "verschlechterte" Ladevorgänge.
3. Verwenden Sie das "high" Vertrauen Durchschnitt/Perzentil als Ihre "reale" Leistungsbasislinie und das "low" Vertrauen, um zu verstehen, wie typische Daten in Kaltstart-Szenarien aussehen.

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

Berechnung unvoreingenommener Mittelwerte

Um unvoreingenommene Mittelwerte für beide high und low Werte zu berechnen:

1. Für jeden Datensatz:
   • Lassen Sie p die randomizedTriggerRate des Datensatzes sein.
   • Lassen Sie c der value des Datensatzes sein.
   • Lassen Sie R 1 sein, wenn c high ist, sonst 0.
2. Berechnen Sie das Gewicht w pro Datensatz basierend auf c:
   • Zur Schätzung des high Durchschnitts: w = (R - (p / 2)) / (1 - p).
   • Zur Schätzung des low Durchschnitts: w = ((1 - R) - (p / 2)) / (1 - p).

     Hinweis: w kann für einige Datensätze negativ sein; Sie sollten jeden Datensatz behalten.

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

Berechnung unvoreingenommener Perzentile

Um unvoreingenommene Perzentile für beide high und low zu berechnen:

1. Folgen Sie den Berechnung unvoreingenommener Mittelwerte-Schritten, um ein Gewicht w pro Datensatz zu berechnen.
2. Lassen Sie sum_weights die Summe der w-Werte über alle Datensätze sein.
3. Lassen Sie sorted_records alle Datensätze sein, die nach Dauer in aufsteigender Reihenfolge sortiert sind.
4. Für ein gewünschtes Perzentil (0-100), berechnen Sie q = percentile / 100.0.
5. Gehen Sie sorted_records durch und für jeden Datensatz:
   • Berechnen Sie das kumulative Gewicht cw pro Datensatz: cw = sum_{i: duration_i <= duration_j} w_i.
   • Berechnen Sie die unvoreingenommene kumulative Verteilungsfunktion pro Datensatz: cdf = cw / sum_weights.
6. Finden Sie den ersten Index idx, wo cdf >= q.
   • Wenn idx 0 ist, geben Sie die duration für sorted_records[0] zurück.
   • Wenn kein solcher idx existiert, geben Sie die duration für sorted_records[n] zurück.
7. Berechnen Sie den Interpolationsbruchteil:
   • 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 die duration für sorted_records[idx] zurück.
   • Andernfalls:
     • 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