多人游戏与网络同步 / 系统课时
指数退避还要加多少随机抖动
指数退避还要加多少随机抖动
指数退避能把连续失败后的重试频率降下来,但大量客户端若使用同一公式,仍可能在相同时间点重新连接。本篇把每次退避改成随机窗口,并比较 Full Jitter 与 Equal Jitter,让重试既能分散,又不会失去等待上限和可预测性。
学习目标
- 理解随机抖动为什么必须作用在退避窗口而不是随意加一个常量
- 根据重试次数、基准等待和最大上限计算随机重连时间
- 在 Full Jitter 与 Equal Jitter 之间做出适合多人游戏的选择
抖动的目标是把一个时间点变成一个时间窗
假设第 4 次失败后的指数退避上限是 8 秒。如果所有客户端都固定等待 8 秒,它们只是把重连风暴从现在推迟到 8 秒后。加入抖动后,不再让客户端命中同一个时间点,而是让每个客户端独立地从允许窗口内选择等待时间。
Full Jitter 常见做法是从 0 到当前退避上限之间均匀随机;Equal Jitter 则至少等待窗口的一半,再在剩余一半内随机。前者打散效果更强,后者能避免部分客户端抽到接近 0 的等待时间。

先算退避上限再从窗口里抽样
实现时最好把确定性的退避上限和随机策略分开。当前重试次数先计算 max_delay = min(cap, base * 2 ** attempt),然后再由抖动算法决定实际等待。这样日志中既能记录本轮允许的最大窗口,也能记录客户端真正采用的延迟。
下面使用固定随机种子演示两种抖动,因此每次运行都能得到相同结果,便于验证算法。
import random
BASE_DELAY = 0.5
CAP_DELAY = 8.0
ATTEMPTS = 5
random.seed(7)
for attempt in range(ATTEMPTS):
max_delay = min(CAP_DELAY, BASE_DELAY * (2 ** attempt))
# Full Jitter 可以落在整个窗口;Equal Jitter 至少等待一半窗口。
full_jitter = random.uniform(0, max_delay)
equal_jitter = max_delay / 2 + random.uniform(0, max_delay / 2)
print(
attempt,
f"max={max_delay:.2f}",
f"full={full_jitter:.3f}",
f"equal={equal_jitter:.3f}",
)预期输出
0 max=0.50 full=0.162 equal=0.288
1 max=1.00 full=0.651 equal=0.536
2 max=2.00 full=1.072 equal=1.366
3 max=4.00 full=0.232 equal=3.015
4 max=8.00 full=0.300 equal=5.735真实客户端不应固定随机种子;这里设置种子只是为了让教学输出可复现。生产环境应让不同进程独立取得随机值,否则相同种子和相同调用序列又可能把客户端重新同步起来。
Full Jitter 和 Equal Jitter 怎么选
Full Jitter 更适合优先保护服务器的场景,因为它能把客户端尽可能铺满整个退避窗口。代价是少数客户端可能连续抽到较短等待,出现比平均值更积极的重试。只要仍有最大尝试次数和总恢复时限,这通常是可接受的。
Equal Jitter 更保守:每轮至少等待当前上限的一半,所以不会出现接近 0 的延迟,同时仍能分散后一半窗口内的请求。它适合希望保持较稳定最小等待、又不想退回固定间隔的客户端策略。
不要把抖动写成固定的正负 100 毫秒偏移。随着指数退避从 0.5 秒增长到 8 秒,固定 100 毫秒所占比例会越来越小,大规模客户端最终仍会集中在狭窄区间。抖动窗口应随当前退避上限一起增长。
把随机延迟放进完整重连策略
一次可控的重连决策至少需要当前尝试次数、退避上限、随机后的实际等待和停止条件。收到明确的不可恢复错误,例如会话凭据失效、房间已结束或账号被踢出时,不应继续依赖退避重试;只有网络不可达、握手超时、临时 5xx 等可恢复故障才适合进入下一轮。
对大规模多人游戏,Full Jitter 通常是更简单可靠的默认值;如果产品要求每轮都保证一定的最小等待,再考虑 Equal Jitter。关键不是追求某个固定抖动百分比,而是让随机范围随退避窗口增长,同时始终受最大等待和恢复时限约束。