游戏客户端架构 / 系统课时
哪些指标最能看出收益
哪些指标最能看出收益
对象池的收益不是某一个数字决定的。最有价值的做法是把“结果指标”和“原因指标”一起看:帧时间告诉你玩家是否受益,实例化耗时、内存分配、GC 与池命中率则解释收益来自哪里,以及池是否配置合理。
学习目标
- 区分帧时间、实例化耗时、分配量、GC 和池命中率的作用
- 用一组指标判断对象池是真正优化还是只把成本转移了位置
- 能计算池命中率,并识别容量过小或过大的信号
先看结果,再追原因
帧时间是最终结果。对象池如果有效,频繁生成对象的尖峰帧通常会减少,慢帧分布也会更稳定。但“平均帧时间下降”并不能证明原因一定是对象池,所以还要同时检查创建路径耗时和内存行为。
最常用的指标可以这样分工:
| 指标 | 主要回答的问题 | 常见改善信号 |
|---|---|---|
| 帧时间 | 玩家一帧是否更稳定 | 峰值减少,慢帧收敛 |
| 实例化耗时 | 创建对象是否仍占主线程 | Instantiate 热点下降 |
| 托管分配 | 每轮是否产生临时垃圾 | 每帧分配字节下降 |
| GC | 回收是否造成卡顿 | GC 次数或停顿减少 |
| 池命中率 | 申请对象时能否直接复用 | 稳定负载下维持较高水平 |
| 常驻内存 | 池是否保留过多闲置对象 | 增幅与峰值需求匹配 |

池命中率要自己记录
Profiler 能看到帧时间、CPU、分配和 GC,但“这次申请到底是复用还是新建”属于对象池自身状态,最好在池实现里加计数器。命中率可定义为复用次数除以总申请次数。
下面是一个可独立运行的 C# 示例,用于验证统计逻辑:
csharp
using System;
public sealed class PoolMetrics
{
private int hits;
private int misses;
public void RecordAcquire(bool reused)
{
if (reused)
{
hits++;
}
else
{
misses++;
}
}
public double HitRate
{
get
{
int total = hits + misses;
return total == 0 ? 0.0 : (double)hits / total;
}
}
public int Hits => hits;
public int Misses => misses;
}
public static class Program
{
public static void Main()
{
var metrics = new PoolMetrics();
for (int i = 0; i < 920; i++)
{
metrics.RecordAcquire(true);
}
for (int i = 0; i < 80; i++)
{
metrics.RecordAcquire(false);
}
Console.WriteLine($"hits={metrics.Hits}");
Console.WriteLine($"misses={metrics.Misses}");
Console.WriteLine($"hitRate={metrics.HitRate:P1}");
}
}预期输出:
text
hits=920
misses=80
hitRate=92.0%实际项目中应在对象池 Acquire 路径上调用同类统计逻辑,并按一段稳定运行时间汇总,而不是只看启动后的前几次申请。
用组合信号判断池是否健康
“命中率高”不等于一定优化成功。若命中率很高,但常驻内存翻倍,说明池可能过大;若常驻内存正常,但高峰期 Miss 激增并重新出现 Instantiate 尖峰,说明容量不足或回收不及时。
更可信的判断是同时满足几类信号:慢帧减少,实例化热点降低,分配与 GC 压力下降,同时池命中率稳定,常驻内存仍在可接受范围内。这样才能证明对象池既减少了运行时抖动,又没有用过量内存换取表面上的 CPU 改善。
不要被平均值掩盖尖峰
对象池的价值往往体现在“少卡一次”,而不是让平均帧时间大幅下降。因此除了平均值,更应该观察最慢的一批帧、生成高峰时的尖峰,以及 GC 发生前后的帧时间变化。
如果对象创建本来就很少,池化后这些指标几乎不变,说明对象池可能没有实际收益。性能优化的目标不是让所有对象都进入池,而是针对频繁创建、生命周期短且会造成可观测开销的对象使用池化。
按自己的节奏,确认真正理解。