在做性能测试平台的优化过程中，由于启动任务相对其他测试任务比较频繁，而目前30次两个包的交叉对比(30次)测试需要耗时30分钟整，因此打算优先对测试流程做一次优化，将测试时间消耗降低到20分钟。
　　由于一开始估计乐观，认为启动时间，一台设备理论上启动顶多1s，1*2*30也就60s，加上其他开销，5分钟都够了，能减少到20分钟应该小半天就能做完了。
　　于是就来到了第一步：
　　1.review代码流程
　　（1）把启动流程里相关的sleep全部review一遍
　　确实有一点效果，因为有一部分sleep在启动任务执行阶段，60倍杠杆放大后很可怕，因此去掉部分sleep，居然就减少到了23分钟了。
　　第二步一时想不出了，方法耦合嵌套相当多，而且适配多个版本的产品，迁一发动全身，第二步想到的就是将可疑方法监控起来
　　2.将可疑方法的耗时监控起来
　　为了方便监控，增加了两个个装饰器来统计耗时
　　def costs(fn):
　　def _wrapper(*args， **kwargs):
　　start = time.time()
　　fn(*args， **kwargs)
　　print "%s 函数cost %s 秒" % (fn.__name__， time.time() - start)
　　return _wrapper
　　def costs_with_info(info):
　　def _wrapper(fn):
　　print "info: " + info
　　return costs(fn)
　　return _wrapper
　　当方法需要监控时，则加入@costs或者@costs_with_info("some infomation")
　　@costs
　　def configureQuickStart(self， pkg_name):
　　if self.config.allow_quick_start == "1":
　　self.logger.info("Disable quick start: %s" % pkg_name)
　　self.disableQuickStartSnapShot(pkg_name)
　　else:
　　self.logger.info("Quick start is enabled: %s" % pkg_name)
　　推荐大家不要用这样的方法，真心耗时耗力，而且效果差。花了半天优化了一分钟。
　　于是想到了Android里的traceview，traceview有方法能拿到整个调用栈的性能消耗，包括耗时，python应该也有这样的方法才对，然后我找到了cProfile，于是便愉快地进入了第三步
　　3.使用cProfile进行分析
　　（1）直接将入口加入监控，输出result.prof文件，并在log区打印出tottime（不包含子方法的耗时统计）
　　import cProfile
　　import pstats
　　cProfile.run('main()'， filename='result.prof'， sort="tottime")
　　p = pstats.Stats('result.prof')
　　p.sort_stats('time').print_stats()
　　log区打印出的日志如下

　　一部分是系统方法，一部分是自己的方法，不是很直观，于是又找到了另一个神器graphviz。
　　首先需要安装：
　　sudo apt-get install graphviz
　　然后下载Gprof2Dot，接着运行
　　python gprof2dot.py -f pstats result.out | dot -Tpng -o result.png
　　终于我得到了一张启动测试的方法耗时统计图
　　局部展示如下：

　　这样就可以很清晰看到各个函数具体消耗的时间了，但令我震惊的是，启动测试中，30分钟里居然有95.29%的时间是在sleep！但是没关系，因为我知道是哪个方法开始引入的sleep，并且可以知道哪些是可以优化的。