多人游戏与网络同步 / 系统课时
玩家数量增加后瓶颈为何突变
玩家数量增加后瓶颈为何突变
多人服务器常见的误判是:玩家从 20 增到 40,负载只会翻倍。实际瓶颈往往在某个规模后突然恶化,因为每名玩家需要处理的相关对象、复制关系、序列化次数和发送队列会同时增长。本篇用一个可运行的小模型拆解这种“拐点”,并给出压测时应观察的证据。
学习目标
- 区分玩家数、对象数、相关对象集合与复制关系数量
- 理解为什么服务器 Tick 成本可能随玩家数非线性增长
- 用联合指标定位瓶颈究竟来自对象规模、相关性计算还是复制发送
瓶颈不是按玩家数线性放大
如果每个玩家只产生固定数量的输入与移动计算,那么玩家数翻倍时,这部分成本通常接近线性增长。真正容易形成突变的是“每个玩家都要面对多少对象”这一层:场景越拥挤,每个客户端的 Relevant Set 可能也随玩家数扩大。
例如 40 名玩家时,每人平均需要同步 320 个对象,复制关系大约是 12800 条;80 名玩家若每人相关对象增长到 560 个,复制关系会升到 44800 条,而不是简单翻倍。每条关系还可能触发可见性判断、脏状态检查、序列化、压缩、分包与发送,因此 Tick 成本会被多层放大。

用复制关系拆开 Tick 成本
定位时不要只看“在线人数”和“CPU 百分比”。至少要把服务器每 Tick 的工作拆成几类:固定模拟成本、对象更新成本、每客户端相关性判断、复制序列化以及实际网络发送。这样才能解释为什么 CPU 会在某个玩家数附近突然越过预算。
一个重要区分是 Total Object Count 与 Per-Client Relevant Set Size。前者稳定、后者快速增长,通常说明兴趣区域过大或相关性规则退化;两者都增长,则要继续检查对象生成、销毁和休眠策略。若复制关系没有明显增加,但每 Tick 字节数暴涨,则更像是单对象载荷、脏字段或发送频率出了问题。
用小模型观察拐点
下面的 Python 程序不是某个游戏引擎的性能公式,而是一个用于建立直觉的可运行模型。假设每名新增玩家会让平均相关对象集合扩大,同时每条复制关系产生固定的估算处理成本。
def estimate(player_count: int):
relevant_objects = min(1000, 80 + 6 * player_count)
replication_edges = player_count * relevant_objects
tick_ms = 2.5 + replication_edges * 0.0012
return relevant_objects, replication_edges, tick_ms
for players in (20, 40, 80, 120):
relevant, edges, tick_ms = estimate(players)
print(
f"players={players:3d} relevant={relevant:3d} "
f"edges={edges:5d} tick={tick_ms:5.1f} ms"
)预期输出
players= 20 relevant=200 edges= 4000 tick= 7.3 ms
players= 40 relevant=320 edges=12800 tick= 17.9 ms
players= 80 relevant=560 edges=44800 tick= 56.3 ms
players=120 relevant=800 edges=96000 tick=117.7 ms这里的绝对数值只是示例,关键是增长形态:玩家数从 40 增到 80 时翻倍,但复制关系约变为 3.5 倍,Tick 估算成本也随之陡升。真实压测应把模型中的系数替换为采样数据,而不是把这组数字当作性能目标。
压测时寻找真正的转折点
固定地图、机器人行为、构建版本、网络条件和测试时长,逐档增加玩家数,然后同时记录玩家数、总对象数、每客户端 Relevant Set、每 Tick 复制关系数、序列化字节数、发送包数以及 Tick 的 p50、p95、p99。
如果服务器目标是 60 Tick/s,单 Tick 预算约为 16.7 ms;30 Tick/s 时约为 33.3 ms。平均值仍在预算内但 p95 已经越线时,玩家会先看到抖动,因为偶发长 Tick 会形成排队并推迟后续同步。实际值还会受调度、GC、引擎实现和硬件影响,因此应以持续压测数据判断,而不是只看一次峰值。
从指标组合判断根因
| 观测模式 | 更可能的原因 |
|---|---|
| 总对象数稳定,Relevant Set 快速增长 | 兴趣区域过大、相关性规则失效 |
| 总对象数和 Relevant Set 一起增长 | 对象生成过快、清理或休眠失败 |
| 复制关系稳定,字节数快速增长 | 单对象载荷变大、字段频率过高 |
| 字节数变化不大,CPU 与 Tick 上升 | 相关性计算、序列化或其他模拟逻辑变重 |
| Tick 越线后发送队列持续增长 | 服务器已进入积压,网络症状可能只是结果 |
因此,“玩家一多就突然卡”不能只归因于人数本身。应先找到哪个中间量开始非线性增长,再确认它如何穿透到 CPU、Tick 和发送队列。优化目标也应针对这个中间量,例如缩小 Relevant Set、减少脏字段或让不活跃对象休眠,而不是盲目降低所有对象的同步频率。