多人游戏与网络同步 / 系统课时

预测系统怎样做压力测试

预测系统怎样做压力测试

预测系统不能只在本机低延迟环境中验证“看起来顺滑”。真正的压力测试要同时改变延迟、抖动和丢包,重复执行同一组可控输入,并记录输入响应时间、未确认队列长度和状态收敛时间,才能看出系统在哪个网络条件下开始失稳。

学习目标

  • 设计覆盖延迟、抖动与丢包的最小压力测试矩阵
  • 用自动化脚本采集预测误差与收敛时间,而不是只凭肉眼判断
  • 根据阈值区分可接受校正、明显抖动与无法收敛

固定负载,再改变网络条件

压力测试首先要把“玩家行为”固定下来,否则一次测试疯狂移动、另一次几乎静止,网络条件就无法公平比较。可以准备固定的输入脚本,例如持续前进 3 秒、右转 1 秒、停止 2 秒,并确保每轮使用相同 tick rate、输入发送频率、地图和服务器版本。

网络变量建议从一个小矩阵开始:

场景 单向基础延迟 抖动 丢包
Baseline 20 ms 0 ms 0%
High Latency 100 ms 0 ms 0%
Jitter 80 ms ±40 ms 0%
Loss 80 ms ±20 ms 2%
Stress 150 ms ±60 ms 5%

不要一开始就组合几十种参数。先找到从稳定到失稳的边界,再在边界附近增加样本密度,这样更容易定位真正影响预测系统的变量。

预测压力测试从网络条件到收敛指标的数据流

采集能回答“是否失控”的指标

至少记录四类指标。第一类是本地输入响应时间,即输入产生到本地预测状态变化的时间;预测正常时,它不应随着 RTT 成比例增加。第二类是 Pending Inputs 长度,它反映确认滞后。第三类是每次服务器校正的误差距离或角度。第四类是收敛时间,即收到新权威状态后,误差回到容忍阈值以内所需的时间。

为了让统计过程可重复,先把下面样例保存为 prediction_metrics.csv。真实测试时保持相同列名,用每轮采集结果替换数值。

text
scenario,convergence_ms
Baseline,18
Baseline,20
Baseline,23
Baseline,26
Baseline,28
High Latency,45
High Latency,52
High Latency,60
High Latency,73
High Latency,75
Stress,120
Stress,150
Stress,180
Stress,230
Stress,240

再把下面脚本保存为 prediction_report.py,它会计算每个场景的平均与 P95 收敛时间。

python
import csv
from collections import defaultdict
from pathlib import Path

DATA_FILE = Path("prediction_metrics.csv")

def percentile(values: list[float], p: float) -> float:
    ordered = sorted(values)
    index = max(0, min(len(ordered) - 1, round((len(ordered) - 1) * p)))
    return ordered[index]

def main() -> None:
    samples: dict[str, list[float]] = defaultdict(list)

    with DATA_FILE.open("r", encoding="utf-8", newline="") as f:
        for row in csv.DictReader(f):
            samples[row["scenario"]].append(float(row["convergence_ms"]))

    for scenario, values in samples.items():
        avg = sum(values) / len(values)
        p95 = percentile(values, 0.95)
        print(f"{scenario}: n={len(values)}, avg={avg:.1f} ms, p95={p95:.1f} ms")

if __name__ == "__main__":
    main()

预期输出

text
Baseline: n=5, avg=23.0 ms, p95=28.0 ms
High Latency: n=5, avg=61.0 ms, p95=75.0 ms
Stress: n=5, avg=184.0 ms, p95=240.0 ms

实际数值取决于游戏逻辑与采样数据;关键是同一脚本在不同网络条件下使用相同统计口径。

让网络模拟本身可复现

网络模拟可以部署在客户端出口、服务端测试环境或独立代理层,但必须记录实际注入的方向、参数和持续时间。否则你以为测试的是“双向 100 ms 延迟”,实际可能只给客户端上行增加了延迟,最后得到的结论无法复现。

每轮测试至少保存场景名、客户端构建版本、服务器构建版本、tick rate、输入发送频率、网络参数和指标文件。若某次结果异常,应能用同一输入脚本和同一网络参数再次运行,而不是依赖“当时手感很差”的主观描述。

用阈值判断是“变差”还是“失稳”

单次最大误差很容易受偶然抖动影响,判定时更应关注分布和恢复能力。可以给每个场景设三条验收线:P95 收敛时间不超过目标值、连续未收敛次数不超过上限、Pending Inputs 在网络恢复后能回到正常区间。

如果延迟升高后本地输入仍即时响应、Pending Inputs 变长但随后下降、P95 收敛时间随网络条件平滑上升,说明预测系统仍在可控范围。若丢包一出现就永久积压输入、乱序后误差跳到旧状态,或网络恢复后数秒仍无法回到权威轨迹,就应把对应场景视为失败样本并继续定位确认、重传或重放逻辑。

压力测试的价值不是证明“最坏网络也完全没有误差”,而是找到系统从可收敛到不可收敛的边界,并让这个边界能在版本迭代中被自动重复验证。

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

预测系统怎样做压力测试

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