多人游戏与网络同步 / 系统课时

给移动平滑加上网络模拟

给移动平滑加上网络模拟

本篇不直接在真实网络上碰运气,而是在本地主动制造延迟、抖动、丢包和乱序,再观察移动平滑算法是否仍能保持连续运动。你将得到一套可重复的测试入口,用来比较不同平滑参数在非理想网络下的表现。

学习目标

  • 能构造可控的延迟、抖动、丢包和乱序条件
  • 能用固定随机种子重复同一组网络场景并比较结果
  • 能根据日志判断平滑策略到底是在吸收网络波动,还是把问题延迟到更大的回弹

先把网络问题变成可重复输入

网络模拟的关键不是“让网络变差”,而是让每种坏条件都能单独控制。延迟决定快照多久后才能到达,抖动决定到达时间在平均延迟附近如何波动,丢包决定某些快照是否完全消失,乱序则让较新的快照可能早于较旧快照到达。

测试时最好一次只改变一个维度,再逐步组合。例如先测试固定延迟,再加入抖动,然后加入丢包,最后加入乱序。每个场景都保留相同的输入轨迹与随机种子,这样参数变化带来的结果差异才有意义。

图片说明

用 Python 构造可重复的网络场景

下面的示例只依赖 Python 标准库。它生成一串服务器快照,先加入随机延迟,再按到达时间排序,并随机丢弃部分快照。为了观察乱序,可以把原始序号和服务器时间一起打印出来;如果接收端只按到达顺序使用数据,就能直接看到旧快照晚于新快照到达的情况。

python
from dataclasses import dataclass
import random

@dataclass(frozen=True)
class Snapshot:
    seq: int
    server_time: float
    position: float
    arrival_time: float


def simulate_network(
    snapshots: list[tuple[int, float, float]],
    base_delay: float,
    jitter: float,
    loss_rate: float,
    seed: int,
) -> list[Snapshot]:
    rng = random.Random(seed)
    received: list[Snapshot] = []

    for seq, server_time, position in snapshots:
        if rng.random() < loss_rate:
            continue

        delay = base_delay + rng.uniform(-jitter, jitter)
        delay = max(0.0, delay)
        received.append(
            Snapshot(
                seq=seq,
                server_time=server_time,
                position=position,
                arrival_time=server_time + delay,
            )
        )

    # 到达顺序可能与服务器发送顺序不同,用 arrival_time 模拟客户端收到的顺序。
    received.sort(key=lambda item: item.arrival_time)
    return received


snapshots = [(seq, seq * 0.05, seq * 1.0) for seq in range(12)]
received = simulate_network(
    snapshots=snapshots,
    base_delay=0.12,
    jitter=0.08,
    loss_rate=0.20,
    seed=7,
)

for item in received:
    print(
        f"arrival={item.arrival_time:.3f}s "
        f"seq={item.seq:02d} server={item.server_time:.3f}s "
        f"x={item.position:.1f}"
    )

预期输出

text
arrival=0.105s seq=02 server=0.100s x=2.0
arrival=0.179s seq=01 server=0.050s x=1.0
arrival=0.246s seq=04 server=0.200s x=4.0
arrival=0.301s seq=03 server=0.150s x=3.0
...

实际输出中的快照数量和具体顺序取决于随机过程;本例固定 seed=7,因此同一 Python 版本下重复运行可以稳定复现同一组测试条件。这里最重要的现象是 seq 与 arrival_time 不必保持同序,这正是乱序处理需要面对的输入。

从坏网络观察平滑器

网络模拟器输出的不是最终渲染位置,而是“客户端可能收到什么数据”。接下来应把这些快照送入真实的插值、外推和误差校正逻辑。测试时至少记录三个阶段:收到快照后的原始误差、平滑处理后的误差、最终进入重同步分支的次数。

建议建立固定场景矩阵,例如低延迟低抖动、较高延迟高抖动、轻度丢包、连续丢包和明显乱序。若加入网络恶化后,角色只是稍慢地跟随目标且没有频繁回弹,说明平滑器正在吸收网络变化;若出现长时间停滞、追赶式抖动或突然大幅跳转,则应回到快照缓冲、外推窗口和误差阈值一起检查。

把测试结果用于调参

网络模拟最大的价值是可比较。固定角色移动轨迹和随机种子,只修改一个平滑参数,再比较校正次数、最大位置误差和视觉恢复时间。这样可以判断某个参数是在改善稳定性,还是仅仅把明显错误隐藏得更久。

当网络条件从正常逐渐恶化时,理想结果不是“永远不瞬移”,而是在可平滑吸收的范围内保持连续移动,超过预测可信范围后及时回到服务器权威状态。只有把这条边界通过可重复的网络场景跑出来,平滑参数才真正变成可调、可验证的系统。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

给移动平滑加上网络模拟

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通