游戏引擎 / 系统课时
先复现再判断根因
先复现再判断根因
综合性能异常最容易出现“看到一个可疑函数就开始改”的误判。本节建立一条更可靠的诊断顺序:先把异常稳定复现,固定测试条件并建立基线,再用 CPU、渲染线程和 GPU 证据逐步缩小范围,最后用重新测量验证根因。
学习目标
- 能把一次性能异常整理成可重复的复现步骤
- 能建立同口径基线并判断异常是否稳定存在
- 能用多层证据缩小根因,而不是直接凭单次采样下结论
复现是诊断的入口条件
性能问题受构建配置、硬件、场景状态、缓存、资源流送和后台负载影响。若同一路径每次结果差异很大,任何“根因”都可能只是偶然相关。因此第一步不是打开最复杂的分析器,而是定义最小复现合同:什么版本、什么设备、进入哪个场景、执行什么动作、预热多久、测量多长时间。

复现步骤要尽量机械化,例如“进入关卡后等待 20 秒,沿固定路径移动到战斗区域,触发 30 个敌人,再持续采样 60 秒”。真正重要的是同一套动作能被别人重复,而不是步骤看起来复杂。
固定测试条件并建立基线
至少固定构建版本、目标平台、分辨率与画质、地图或存档、角色路径、预热方式和采样区间。编辑器中的结果适合早期定位,但最终结论应尽量回到目标平台或与发布环境一致的构建上验证。
在可复现场景中,可以先用 Unreal 的基础统计命令判断瓶颈方向:
stat unit
stat unitgraph预期结果
视口出现 Frame、Game、Draw、GPU 等时间统计,并显示这些时间随帧变化的曲线。不同平台、RHI 或引擎版本的显示细节可能不同,但这些指标足以作为第一层分流:Game 偏高时优先调查游戏线程,Draw 偏高时关注渲染线程,GPU 偏高时进入 GPU 分析。它们只能指方向,不能单独证明具体函数或 Pass 就是根因。
先确认异常稳定,再进入深挖
一次尖峰不能代表稳定回归。可以把多次运行的关键帧时间记下来,先看均值、波动范围以及相对基线的差距。下面的脚本用于判断五次样本是否足够集中,并计算相对基线的变慢比例。
from statistics import mean
baseline_ms = 16.7
samples_ms = [24.8, 25.1, 24.9, 25.0, 24.7]
avg = mean(samples_ms)
spread = max(samples_ms) - min(samples_ms)
slowdown = (avg - baseline_ms) / baseline_ms * 100
stable = spread <= 1.0
print(f"avg={avg:.2f} ms")
print(f"spread={spread:.2f} ms")
print(f"slowdown={slowdown:.1f}%")
print(f"stable={stable}")预期输出
avg=24.90 ms
spread=0.40 ms
slowdown=49.1%
stable=Truestable=True 只说明这五次样本波动较小,并不代表 1 ms 是通用阈值。项目应根据目标帧预算、设备噪声和历史基线设置自己的稳定性标准。如果波动很大,应先查资源流送、后台任务、热降频、随机 AI 数量或场景状态差异。
用证据链而不是单点热点判断根因
进入 Unreal Insights、GPU Profiler 或平台工具后,根因判断至少要满足“现象、相关性、干预验证”三层证据。比如 Game Thread 持续超预算只是现象;某个 Tick 在问题窗口占用显著增加是相关性;临时关闭该逻辑后,在相同复现条件下帧时间稳定回落,才形成更强的因果证据。
一次只改一个主要变量。若同时降低画质、减少 AI 数量并修改 Tick,很难知道到底哪个改动产生收益,也无法形成可回归的结论。
复测决定诊断是否成立
根因假设成立后,回到最初的复现合同,用相同版本、设备、路径和采样窗口重新测试,并保留修改前后的数据。若指标没有稳定改善,就撤回假设继续取证;若改善只发生在一个设备或一个场景,也应缩小结论范围。
完整诊断的结束条件不是“找到一个看起来很慢的地方”,而是异常可复现、证据能够指向具体机制、最小修改能改变指标,并且同口径复测能够重复这个结果。