Android CPU 使用率不准？一文搞懂 DVFS 降频对性能数据的影响

压测跑了 2 小时，CPU 一直稳定在 45%，看起来很健康。 但用户反馈"越用越卡"。查了才发现：设备早就热降频到 408MHz 了，45% 的算力只有正常模式的四分之一。 CPU% 没变，性能已经崩了。

---

一个真实场景

做长时间稳定性压测时，我们经常看到这样的 CPU 曲线：

时间     CPU%    体感
0min     40%     流畅
30min    42%     流畅
60min    45%     开始卡顿
90min    44%     明显卡顿
120min   43%     严重卡顿

CPU% 几乎没变，但卡顿越来越严重。如果只看 CPU 使用率，根本发现不了问题。

查 CPU 频率才发现真相：

时间     CPU%    频率        等效算力
0min     40%     1800MHz     40.0%
30min    42%     1400MHz     32.7%
60min    45%     800MHz      20.0%
90min    44%     408MHz      10.0%
120min   43%     408MHz      9.7%

60 分钟后设备因为发热触发了热降频，CPU 频率从 1800MHz 一路降到 408MHz。虽然 CPU% 还是 45%（占了 45% 的时间片），但每个时间片能做的运算量只有原来的四分之一。

这就是 CPU 采集中最容易误导人的坑：CPU% 只衡量"忙不忙"，不衡量"干了多少活"。

---

为什么会降频：DVFS 机制

Android 设备通过 DVFS（Dynamic Voltage and Frequency Scaling，动态电压频率调节） 来平衡性能和功耗。内核中的 CPU 调频器（governor）根据负载动态调整频率。

常见的调频器：

调频器	策略	典型场景
performance	锁定最高频率	跑分/性能测试
powersave	锁定最低频率	息屏待机
schedutil	根据调度器负载动态调	Android 默认（8.0+）
interactive	根据 CPU 忙碌度快速升频	旧版 Android 默认

除了 governor 调频，还有热降频（thermal throttling）——设备温度超过阈值后，内核强制把频率压低。这是长时间压测中最常见的降频原因。

查看当前频率：

# 各核当前频率（单位 KHz）
adb shell cat /sys/devices/system/cpu/cpu0/cpufreq/scaling_cur_freq
# → 1800000（1.8GHz）或 408000（408MHz）

# 各核最高频率
adb shell cat /sys/devices/system/cpu/cpu0/cpufreq/scaling_max_freq

# 各核最低频率
adb shell cat /sys/devices/system/cpu/cpu0/cpufreq/scaling_min_freq

# 可用频率档位
adb shell cat /sys/devices/system/cpu/cpu0/cpufreq/scaling_available_frequencies
# → 408000 600000 816000 1008000 1200000 1416000 1608000 1800000

查看热降频状态：

# 当前温度（不同设备路径不同）
adb shell cat /sys/class/thermal/thermal_zone0/temp
# → 65000（即 65°C）

# 当前热限制策略
adb shell cat /sys/class/thermal/thermal_zone0/policy

---

CPU% 的本质：时间片占比，不是算力占比

理解降频问题的关键，是搞清楚 CPU% 到底在度量什么。

/proc/stat 记录的是**时间片（tick）**的分配。CONFIG_HZ=100 时，每秒产生 100 个 tick，每个 tick 10ms。CPU% = 45% 意味着"在这些 tick 中，有 45% 的时间 CPU 在执行任务"。

但这些 tick 不关心频率。无论 CPU 跑在 408MHz 还是 1800MHz，1 个 tick 就是 1 个 tick。区别在于：

• 1800MHz 时，1 个 tick（10ms）能执行约 1800 万条指令
• 408MHz 时，1 个 tick（10ms）只能执行约 408 万条指令

同样是"用了 45 个 tick"，前者完成的计算量是后者的 4.4 倍。

用一个类比：CPU% 就像"一天中有多少小时在工作"，频率就像"每小时的工作效率"。一个人每天工作 8 小时（CPU 占用率不变），但如果他从精力充沛（高频）变成了困倦迷糊（低频），实际产出可能差好几倍。

---

Normalized CPU%：让使用率反映真实算力

解决思路很直接——把频率因素加进去。行业里这个指标叫 Normalized CPU%（归一化 CPU 使用率），PerfDog 等工具也是这么做的。

单核场景的公式：

Normalized CPU% = Raw CPU% × (当前频率 / 最高频率)

场景 A：Raw CPU 50% @ 1800MHz
Normalized = 50% × (1800/1800) = 50.0%

场景 B：Raw CPU 50% @ 408MHz
Normalized = 50% × (408/1800) = 11.3%

场景 B 虽然占了 50% 的时间片，但实际算力只有满血状态的 11.3%。

多核场景：实际设备中各核频率经常不同，需要用"频率比"来统一衡量：

频率比 = Σ(各在线核当前频率) / Σ(各核最高频率)

Normalized CPU% = Raw CPU% × 频率比

比如 4 核设备，cpu0~cpu3 最高均为 1800MHz，当前分别跑在 1200/408/1800/1800MHz：

频率比 = (1200 + 408 + 1800 + 1800) / (1800 × 4) = 0.723

Raw CPU 60% → Normalized = 60% × 0.723 = 43.4%

虽然 CPU 忙碌度有 60%，但因为部分核心降频了，实际算力打了七折。

关于分母"各核最高频率"——和第 6 篇不矛盾

第 6 篇说 Raw CPU% "无需知道核数"——因为 /proc/stat 汇总行只含在线核 tick，Δuse/Δtotal 在时间维度上天然正确。

这里 Normalized CPU% 的分母用了全部核心的最高频率（含关掉的核），是故意的——它度量的是"设备满血状态下，你用了多少算力"。如果 4 核关了 2 核，Raw CPU% = 100%（可用资源耗尽），而 Normalized CPU% = 50%（设备只发挥了一半潜力）。两个指标度量不同维度，一个看"忙不忙"，一个看"产出了多少"。

频率比的完整数学推导（包含关核场景），见下篇第 8 篇：CPU 单核分析。与 PerfDog / Linux PELT 的公式对齐，见第 9 篇：CPU 采集落地方案。

---

大小核的隐患：频率相同，算力不同

上面的 Normalized CPU% 只考虑了频率维度。但现代 Android 几乎都是 big.LITTLE 架构：

小核 (LITTLE): cpu0~cpu3, 最高 1800MHz, Cortex-A55
大核 (big):    cpu4~cpu5, 最高 2400MHz, Cortex-A76
超大核:        cpu6~cpu7, 最高 3000MHz, Cortex-X2

关键问题：同样跑在最高频率，大核的 IPC（每时钟周期指令数）是小核的 2~3 倍。

也就是说：

• 进程跑在小核 cpu0 上，CPU% = 80%，实际性能可能只相当于大核 cpu6 的 20~25%
• 同一个解码任务，调度到小核可能卡顿，调度到大核完全流畅

纯频率加权解决了"降频导致数据失真"的问题，但无法区分大小核的微架构差异。要精确衡量，需要引入核心性能系数（IPC 系数）——这部分涉及 per-cpu 时间分摊、性能系数标定、CV 负载均衡度等，在下篇 第 8 篇：CPU 单核分析 中详细展开。

对于大部分测试场景，频率加权已经覆盖了最主要的误差来源（降频导致的数据失真）。大小核 IPC 差异属于进一步精细化的范畴。

---

频率驻留时间：time_in_state

除了实时频率，还有一个重要数据源——频率驻留时间统计。

adb shell cat /sys/devices/system/cpu/cpu0/cpufreq/stats/time_in_state
# 频率(KHz)   驻留时间(10ms为单位)
# 408000      52341
# 600000      1203
# 816000      892
# 1008000     2451
# 1200000     5623
# 1416000     3892
# 1608000     2341
# 1800000     8923

这告诉你从开机到现在，cpu0 在每个频率档位分别待了多长时间。做两次差值就能得到"这段测试时间内，CPU 在各频率档位的分布"。

典型应用场景：

场景 1：热降频严重程度量化

正常运行（前 30 分钟）：
  1800MHz: 70%   1200MHz: 20%   408MHz: 10%

热降频后（60~90 分钟）：
  1800MHz: 5%    1200MHz: 15%   408MHz: 80%

一目了然：80% 的时间被压在最低频率，性能衰减非常严重。

场景 2：不同版本/配置的功耗对比

功耗大致正比于 频率² × 电压（DVFS 调频的同时也在调电压）。频率差 4 倍时，功耗差可达 10~16 倍。

通过 time_in_state 可以算出"加权平均频率"，比直接看瞬时频率更能反映整体能效：

def weighted_avg_freq(time_in_state_delta):
    """计算加权平均频率"""
    total_time = sum(time_in_state_delta.values())
    if total_time == 0:
        return 0
    weighted = sum(freq * duration for freq, duration in time_in_state_delta.items())
    return weighted / total_time

# 结果：
# 正常运行：avg_freq ≈ 1500MHz
# 热降频后：avg_freq ≈ 550MHz

---

真实案例：CPU 45% 却严重卡顿的排查

回到开头的场景，完整的排查思路：

第一步：发现问题

压测 2 小时后用户反馈"越来越卡"，但 CPU 监控曲线一直平稳在 45% 左右。

第二步：叠加频率数据

同时采集 CPU% 和各核频率，发现：

0~30min:   Raw 40% × freq_ratio 0.95 = Normalized 38%    → 正常
30~60min:  Raw 42% × freq_ratio 0.72 = Normalized 30%    → 开始衰减
60~90min:  Raw 45% × freq_ratio 0.35 = Normalized 16%    → 严重衰减
90~120min: Raw 44% × freq_ratio 0.23 = Normalized 10%    → 几乎不可用

Normalized CPU 从 38% 一路降到 10%——算力跌了 74%。

第三步：确认降频原因

adb shell cat /sys/class/thermal/thermal_zone0/temp
# → 78000（78°C，超过降频阈值 70°C）

设备在高负载下持续发热，温度超过 70°C 后触发热降频，CPU 频率被强制压到最低档。

第四步：定位根因

• 不是 CPU 算法问题，是散热/热设计问题
• 解决方案：优化散热（加散热片/风扇）、降低持续负载、或在热降频前主动降低画质/帧率

如果只看 Raw CPU%，这个问题永远发现不了。 CPU% 会告诉你"一切正常"，但用户已经卡到无法使用。

---

落地建议：三条线同时看

把 CPU 使用率和频率放在一起采集，每轮同时输出三个指标：

Raw CPU%        → 衡量"CPU 有多忙"（时间片维度）
频率比          → 衡量"CPU 跑得多快"（频率维度）
Normalized CPU% → 衡量"CPU 做了多少活"（算力维度）

三个指标同时上报到图表，叠加展示：

• Raw CPU% 曲线发现"是否忙"
• 频率比曲线发现"是否降频"
• Normalized CPU% 曲线发现"实际算力变化"

三条线同时看，任何异常都藏不住。

单核粒度的归一化方案见第 8 篇，完整的采集代码和平台落地方案见第 9 篇。

---

小结

维度	Raw CPU%	Normalized CPU%
度量含义	时间片占比	等效算力占比
降频场景	看不出问题	直接反映算力衰减
大小核 IPC 差异	不区分	本篇不处理（见第 8、9 篇）
功耗关联	弱	强（功耗 ∝ f² × V）
实现成本	零	每轮多读几个 sysfs 文件

一句话总结：Raw CPU% 只告诉你"忙不忙"，加上频率做 Normalized 才能告诉你"干了多少活"。

长时间压测、功耗分析、热性能评估——只要涉及频率变化的场景，Normalized CPU% 都比 Raw 值有意义得多。

---

下篇预告

CPU 单核分析：均值是最大的谎言

频率加权解决了降频失真，但整机均值掩盖了单核瓶颈——8 核平均 45%，其中一个小核已经 95% 满载。 下篇从数学推导出发，搞清楚整机 CPU% 和各核的真实关系，引入 CV 负载均衡度和 IPC 性能系数，补上空间维度的分析。

---

系列目录

• 第 1 篇：内存泄漏自动检测（上）——采集层设计
• 第 2 篇：内存泄漏自动检测（中）——检测层设计
• 第 3 篇：内存泄漏自动检测（下）——响应层设计
• 第 4 篇：Android 内存采集避坑指南
• 第 5 篇：Android CPU 使用率采集入门
• 第 6 篇：CPU 采集的 8 个坑
• 第 7 篇（本篇）：CPU 降频了，你的采集数据还准吗？
• 第 8 篇（下一篇）：CPU 单核分析：均值是最大的谎言
• 第 9 篇：CPU 采集落地：从公式到平台的完整方案

---

我是测试工坊，专注 Android 系统级性能工程。 如果你也遇到过"CPU 不高但就是卡"的场景，欢迎评论区交流 👇 关注我，后续更新不迷路。