多人游戏与网络同步 / 系统课时
客户端与服务器谁决定状态
客户端与服务器谁决定状态
客户端预测最容易被误解成“客户端先做决定,服务器再同步一下”。实际设计恰好相反:客户端可以先预测表现,但最终状态由服务器裁决。本课从职责边界出发,建立一条可实现的权威同步模型,并说明发生分歧时应该由谁覆盖谁。
学习目标
- 理解服务器权威模型的核心职责
- 区分客户端预测状态、服务器权威状态与输入历史
- 能根据分歧场景判断哪些数据必须由服务器覆盖
服务器为什么必须拥有最终决定权
多人游戏中的共享状态不能依赖某一个客户端单方面宣布。例如角色位置、生命值、技能冷却、背包数量都会影响其他玩家。如果客户端可以直接决定这些结果,恶意修改或不同步都可能把整个房间带入不一致状态。
因此,服务器权威模型要求客户端提交“意图”或“输入”,服务器依据自己的规则计算共享状态,再把结果广播给客户端。客户端可以预测本地结果,但不能把预测值当成最终事实。
三类数据要分开
实现时至少要区分三种数据。第一类是 Client Input,例如移动方向、技能指令和序列号;第二类是 Predicted State,这是客户端为了即时反馈根据输入计算出的临时结果;第三类是 Authoritative State,这是服务器确认后可作为共享事实的状态。

这种拆分很重要,因为“预测错误”并不意味着客户端代码坏了,而是预测与权威计算产生了差异。此时正确做法不是继续坚持预测结果,而是接受服务器快照,再根据尚未确认的本地输入重新计算。
一次校正应该怎样发生
假设客户端已经记录了序列号为 17、18、19 的三个输入。服务器返回的快照确认自己已经处理到 17,并给出权威位置。客户端首先把本地状态恢复到服务器确认的状态,再取出仍未确认的 18、19 两个输入重新模拟。这样,客户端不会丢掉玩家刚刚产生但服务器还没处理到的操作。
整个过程可以用下面的最小伪代码表达。它是可运行的 Python 示例,用来说明校正顺序,而不是网络库的完整实现。
from dataclasses import dataclass
@dataclass
class State:
x: float = 0.0
def simulate(state: State, input_value: float, dt: float) -> None:
# 本地和服务器必须尽量共享同一套模拟规则。
state.x += input_value * dt
def reconcile(authoritative_x: float, pending_inputs: list[float], dt: float) -> State:
state = State(authoritative_x)
for input_value in pending_inputs:
simulate(state, input_value, dt)
return state
server_x = 10.0
pending_inputs = [1.0, -1.0]
corrected = reconcile(server_x, pending_inputs, 0.1)
print(f"corrected_x={corrected.x:.1f}")预期输出
corrected_x=10.0这里服务器快照给出 ,客户端只重放尚未确认的两个输入;第一个输入把位置增加 ,第二个再减少 ,因此校正后仍为 。真正的网络实现还需要序列号、快照版本和输入缓存,但“先接受权威状态,再重放未确认输入”这一顺序不变。
哪些状态必须听服务器的
共享世界中的关键事实必须以服务器为准,例如玩家最终位置、生命值、库存数量、技能是否进入冷却,以及命中是否成立。客户端可以提前播放动画、移动镜头或显示预测轨迹,但这些视觉表现不能成为服务器状态的替代品。
有些数据则天然属于客户端表现层,例如界面高亮、输入指示器和预测中的局部动画。把这些内容也强行交给服务器,会增加通信成本,却不能提升权威性。
什么时候会出现分歧
最常见的分歧来源有三类:输入到达服务器的顺序不同、客户端和服务器的模拟参数不同,以及服务器依据碰撞或游戏规则拒绝了某个预测结果。例如客户端预测角色可以继续向前移动,但服务器发现前方已经有障碍物,就会返回一个不同的位置。
这时正确的职责边界仍然明确:服务器产生权威结果,客户端根据快照校正自身状态。调试时应重点记录输入序列号、服务器确认到的序号和校正前后的状态,而不是只观察最终画面是否“抖了一下”。
因此,客户端预测同步模型可以概括为一句话:客户端负责提前算,服务器负责最终判,客户端负责接受判定并重放尚未确认的输入。 这个边界一旦明确,后续的预测、回滚、重放和误差平滑就都有了稳定的设计基础。