Skip to content

Latest commit

 

History

History
390 lines (274 loc) · 15.9 KB

NetworkSyncModels.md

File metadata and controls

390 lines (274 loc) · 15.9 KB

两种网络同步方案:状态同步插值 vs 预测回滚重演(com.abilitykit.world.framesync)

本文档补充两种常见的实时战斗网络同步方案,并说明它们在本工程(FrameSync/Rollback 基础设施)中的落地方式、注意事项与常见坑。

  • 方案 A:服务器权威 + 状态同步(snapshot/delta) + 客户端插值(本地玩家可选局部预测)
  • 方案 B:客户端预测 + 回滚(rollback)+ 重演(replay)+ 对账(reconcile)(更强一致)

说明:两种方案并不是互斥关系;很多项目会采用“混合架构”:

  • 对本地玩家使用方案 B 的一部分能力(预测/回滚/重演)
  • 对其它实体主要使用方案 A(状态同步 + 插值)

0. 术语与目标

  • Authoritative(权威):服务器最终决定的输入/状态。
  • Predicted(预测):客户端在未收到权威确认前,为了手感而提前推进的结果。
  • Confirmed(确认):客户端已经从服务器确认一致的帧/状态。
  • Snapshot(快照):离散的世界/实体状态数据(可能是全量或差量)。
  • Delta / Diff(差量):相对某个基线快照的变化(用于节省带宽)。
  • Interpolation(插值):客户端渲染时用两份快照平滑出中间态。
  • Rollback/Replay(回滚/重演):发现预测偏差后回到历史帧并从输入历史重跑。

设计目标通常包含:

  • 手感(低延迟/流畅)
  • 一致性(不作弊/权威可控)
  • 可扩展(系统解耦/易接入)
  • 可观测(能定位 mismatch/抖动/回滚)

1. 方案 A:状态同步 + 客户端插值(可选局部预测)

1.1 核心理念

  • 服务器按固定频率(tickRate)生成“可渲染状态”(或世界状态)并发送给客户端。
  • 客户端不直接渲染“最新到达的快照”,而是引入插值缓冲:
    • 令 renderTime = now - interpolationDelay
    • 在 renderTime 两侧的两份快照之间做 lerp/slerp
  • 对离散事件(spawn、damage、buff 等)通常按帧/时间戳触发,不做插值。

1.2 数据流(概念)

flowchart LR
  Srv[服务器权威世界] -->|tick 输出 snapshot/delta| Net[网络]
  Net --> Buf[客户端插值缓冲\n按时间/帧排序]
  Buf -->|连续状态:Transform/Velocity| Render[渲染插值\nLerp/Slerp]
  Buf -->|离散事件:Spawn/Damage/CC| Events[事件调度/触发]
  Render --> View[客户端表现层]
  Events --> View
Loading

1.3 客户端插值缓冲(关键点)

  • 缓冲的对象:通常是“连续变化”的状态,例如:
    • 位置/朝向/速度
    • 动作状态(可选)
  • 插值延迟(interpolationDelay):
    • 常见取 50ms~200ms
    • 延迟越大越稳(更不容易缺帧),但“看到的世界”越落后
  • 缺快照的处理:
    • Hold:用最新快照(停顿但不发散)
    • 短时外推:用速度外推一小段(必须有上限,避免发散)

1.4 适用范围

  • MOBA/ARPG:多数实体采用状态同步 + 插值;本地玩家可能额外做局部预测。
  • 射击/动作:本地玩家移动/开火常用局部预测;其它玩家主要插值。

1.5 注意事项(坑)

  • 快照时间基准:用 FrameIndex 或 serverTime,必须统一。
  • 顺序/乱序:客户端缓冲必须能按时间排序,并丢弃过旧数据。
  • 离散事件与连续状态分流:
    • Transform 类插值
    • Spawn/Damage/Cue 等事件按帧触发
  • 纠正策略:若服务器权威位置与客户端显示偏差较大,需要平滑拉回或瞬移阈值。

2. 方案 B:预测 + 回滚 + 重演 + 对账(Reconcile)

2.1 核心理念

  • 客户端在未收到权威输入/状态前,先用本地输入推进世界(Predicted)。
  • 当收到权威对账信息(常见为 hash 或关键状态)后:
    • 如果一致:推进 confirmed
    • 如果不一致:回滚到历史帧并重演到当前

本包 Runtime/FrameSync/Rollback 提供的正是这一方案的关键基础设施。

2.2 典型时序(与本包类型对齐)

sequenceDiagram
  participant Driver as ClientPredictionDriver
  participant World as IWorld
  participant RB as RollbackCoordinator
  participant IH as InputHistoryRingBuffer
  participant Hash as WorldStateHashRingBuffer
  participant Rec as ClientPredictionReconciler

  Driver->>IH: RecordInputs(frame, inputs)
  Driver->>World: Submit(inputs) + Tick(fixedDelta)
  Driver->>RB: CaptureAndStore(frame)
  Driver->>Hash: RecordPredictedHash(frame, hash)

  Note over Driver,Rec: 权威 hash 异步到达
  Driver->>Rec: OnAuthoritativeHash(frame, authoritativeHash)
  alt mismatch
    Rec-->>Driver: OnRollbackRequested(mismatchFrame)
    Driver->>RB: TryRestore(mismatchFrame-1)
    loop replay frames
      Driver->>IH: GetInputs(f)
      Driver->>World: Submit + Tick
      Driver->>RB: CaptureAndStore(f)
      Driver->>Hash: RecordPredictedHash(f)
    end
  else match
    Rec-->>Driver: OK
  end
Loading

2.3 落地前提(非常重要)

要让方案 B 稳定成立,你必须保证:

  • 确定性(Determinism):同输入序列同初始状态,必然得到同结果。
    • 随机必须可回滚(种子/状态纳入 provider)
    • 不读取真实时间
    • 避免依赖 Dictionary 遍历顺序影响分支
  • 回滚闭环(Rollbackable State):所有会影响逻辑分支/结果的状态都必须可回滚。
    • 不仅是 ECS 组件
    • 还包括“services 中可变数值/缓存/队列”等
  • 输入历史完整:重演用的 inputs 必须覆盖所有影响世界的输入。

2.4 Provider 接入建议

在本包体系中,“可回滚状态”的边界是 IRollbackStateProvider:

  • 每个系统(移动/技能/CD/随机数/内部 service 状态)提供一个 provider。
  • 通过 RollbackRegistry 注册,构造 RollbackCoordinator 后 Seal() 固化。

建议:

  • provider 的 payload 结构自行版本化(字段版本、校验等)。
  • provider 的 Export/Import 不要吞异常;出现异常应让上层能观测并 fail fast。

2.5 适用范围

  • 需要强一致、低输入延迟的逻辑(例如:本地玩家的核心移动/技能输入)
  • 需要长期可重演的系统(录像、观战、反作弊校验)

2.6 注意事项(坑)

  • 历史长度不足:TryRestore=false,回滚失败 -> 调大 rollbackHistoryFrames。
  • capture 过稀疏:captureEveryNFrames 太大 -> replay 距离变长、失败概率上升。
  • authoritative inputs 缺失:replay 用预测输入会 tug-of-war -> 需要等待权威或超时策略。
  • 表现层与回滚:
    • 推荐表现层跟随 confirmed 世界(避免回滚导致反复生成/销毁)
    • 若要预测表现,则必须为 view event 设计可撤销/可纠错机制(成本高)

3. 两种方案的对比与选型建议

维度 方案 A:状态同步 + 插值 方案 B:预测回滚重演
手感(本地) 一般(可加局部预测改善) 很好
一致性 依赖服务器,客户端主要显示 强一致(但实现难)
成本/复杂度 中等 高
对确定性的要求 中等(插值/纠正即可) 极高(必须可重演)
表现层处理 插值缓冲 + 事件触发 建议跟 confirmed;预测表现需额外机制

建议路线:

  • 首先把方案 A 的“状态输出 + 插值缓冲 + 离散事件分流”做好(快速稳定)。
  • 如果确实需要更强一致/更低输入延迟,再把关键路径纳入方案 B(逐步扩张回滚闭环范围)。

4. 与本工程其它模块的关系(建议)

  • Triggering(技能/效果):

    • 若要参与方案 B,需要保证所有写入可回滚、确定性随机、无不可回滚副作用。
  • Motion(移动/位移):

    • 方案 A:服务器发 Transform/Velocity,客户端插值
    • 方案 B:移动系统要可回滚(MotionState + source 状态)
  • Record(录制/回放):

    • 方案 A:可记录网络快照流(用于复盘展示)
    • 方案 B:更推荐记录 authoritative inputs(可完全重演)

5. 混合架构:同局多模式客户端与切换策略

本节回答一个常见诉求:

  • 服务器既运行权威逻辑世界,又能同时推送:
    • 状态快照(State Stream)
    • 权威帧/权威输入/权威 hash(Authority Stream)
  • 从而让“偏状态同步的客户端”和“偏预测回滚的客户端”在同一局共存。
  • 并允许在一定条件下(设备性能/带宽/网络质量)切换同步模式。

结论:可以做到同局共存,但“动态切换”要严格限制时机,并且需要明确权威边界与对齐流程。

5.1 前提:服务器权威世界是唯一真相

同局多模式要稳定,通常需要:

  • 服务器始终运行权威逻辑世界(最终判定、最终状态)。
  • 两类客户端都以服务器为准:
    • 状态同步客户端:主要消费快照做插值。
    • 预测回滚客户端:本地可预测推进,但必须能被权威输入/hash/快照纠正。

这意味着“帧同步客户端”在这里更准确的称呼是:客户端预测 + 服务器权威纠错,而不是“服务器不跑逻辑的纯 lockstep”。

5.2 双通道输出(概念)

  • State Stream(状态流):
    • 世界/实体状态快照(全量或差量),用于插值与纠正。
  • Authority Stream(权威流):
    • 权威帧进度、authoritative inputs、authoritative hash(或关键校验数据)。
    • 用于 predicted 客户端收敛与触发 rollback/replay。
flowchart LR
  Srv["服务器:权威逻辑世界"]

  Srv -->|"State Stream<br/>(snapshot/delta + timestamp/frame)"| NetA[网络 A]
  Srv -->|"Authority Stream<br/>(authoritative inputs/hash/confirmed)"| NetB[网络 B]

  NetA --> AClient["客户端 A<br/>状态同步+插值"]
  NetB --> BClient["客户端 B<br/>预测+回滚+重演"]

  NetA --> BClient

  AClient --> ViewA["表现层<br/>插值/事件触发"]
  BClient --> ViewB["表现层<br/>建议跟 confirmed<br/>(或可选预测表现)"]
Loading

说明:

  • 客户端 A 可以只订阅 State Stream。
  • 客户端 B 通常需要 Authority Stream,并可选订阅 State Stream 作为“强校正/补帧/观测”的来源。

5.3 同局共存的收益与代价

收益:

  • 可按客户端能力分级:
    • 低端机/高丢包:偏方案 A(少算力,多带宽)
    • 高端机/低延迟:偏方案 B(多算力,少延迟)

代价:

  • 服务器可能需要同时维护两类下发(带宽上升)。
  • 你需要明确“哪些数据属于逻辑判定、哪些属于表现”,避免两种客户端看到的世界在语义上不一致。

5.4 动态切换:可以做,但建议限制在“安全窗口”

5.4.1 为什么切换有成本

两种客户端在本地维护的状态不同:

  • 状态同步:快照缓冲 + renderTime
  • 预测回滚:predictedFrame/confirmedFrame + inputHistory + rollbackSnapshots + hashes

要切换,必须建立一个一致的“基线帧”。

5.4.2 推荐切换流程(从 A 切到 B)

原则:以服务器发出的基线快照为准,并在基线帧之后开始记录 inputs/hash。

sequenceDiagram
  participant S as 服务器
  participant C as 客户端

  Note over C: 当前模式:状态同步(A)
  C->>S: 请求切换到预测模式(B)
  S-->>C: 下发基线(baselineFrame + baselineSnapshot)
  C->>C: 清空插值缓冲/预测历史
  C->>C: Restore 到 baselineSnapshot
  C->>C: 初始化 predictedFrame=baselineFrame<br/>confirmedFrame=baselineFrame
  S-->>C: 下发 baselineFrame 之后的 authoritative inputs/hash(持续流)
  loop 后续帧
    C->>C: 本地预测 tick + capture + record predicted hash
    C->>C: 收到 authoritative hash/input -> reconcile/rollback/replay
  end
Loading

从 B 切回 A:

  • 通常更简单:客户端丢弃预测历史,开始以 State Stream 快照插值渲染即可。

5.4.3 建议的切换时机

  • 更推荐:
    • 进入战斗/加载完成时
    • 复活/重连/重建世界时
  • 尽量避免:
    • 激烈战斗中频繁切换(会增加纠正与表现突变概率)

5.5 公平性与安全性注意事项

同局多模式必须保证:

  • 最终判定一致:命中、打断、伤害、buff 生效全部以服务器为准。
  • 客户端预测只影响表现与短期操控反馈,最终都要能被权威纠正。
  • 对“状态同步客户端”的插值延迟与“预测客户端”的输入延迟差异,需要从体验上做权衡(例如统一 UI 呈现的时间基准)。

5.6 切换触发策略(建议)

如果你的目标是“按算力/带宽/网络质量自动选择模式”,推荐以会话级策略为主,而不是战斗中间高频切换。

建议的指标与阈值(示例,需结合你的 tickRate/玩法调参):

  • CPU/帧预算(客户端):

    • predicted 模式(B)在低端机上可能因为 multi-step replay 造成卡顿。
    • 触发降级:连续 N 秒逻辑帧耗时超过预算(例如超过 fixedDelta * 0.8)。
  • 网络质量(客户端):

    • 指标:RTT、jitter、loss、out-of-order。
    • 触发降级:丢包率持续偏高 / jitter 过大导致 authoritative inputs 长时间缺失(replay 等待频繁)。
    • 触发升级:网络稳定后,且设备性能允许,再申请升级到 B。
  • 回滚压力(预测客户端):

    • 指标:mismatch 频率、平均 rollback 距离、TryRestore 失败次数、ReplayWaitTimeout 次数。
    • 触发降级:频繁 mismatch + replay 等待(说明“预测收敛性”差或权威输入不稳定)。

建议策略:

  • 初次进入对局时,根据设备分档与网络探测选择默认模式。
  • 对局中只允许少量次切换,并要求进入“安全窗口”(例如死亡/复活/加载段)。

5.7 服务器侧消息/通道设计建议

为了支持两类客户端共存,建议把输出明确分层:

  • State Stream(状态流):

    • payload 面向“可渲染状态”,例如 Transform/Velocity、关键动画状态、离散事件(spawn/damage/cc)。
    • 可做 delta 压缩与聚合打包。
  • Authority Stream(权威流):

    • payload 面向“收敛与可重演”:authoritative inputs、authoritative hash、confirmed frame。
    • 要求:有序/可去重(至少每条带 frameIndex)。

一个常见的工程化拆法是:

  • State Stream:允许丢包(UDP),靠下一包快照覆盖;客户端插值缓冲自然容错。
  • Authority Stream:尽量保证有序与到达(或至少可请求补齐),否则 predicted 侧会出现 replay 等待/降级。

5.8 切换实现清单(Checklist)

从 A 切到 B 时,你至少需要保证:

  • 基线帧:服务器下发 baselineFrame。
  • 基线状态:服务器下发与该帧严格对齐的 baselineSnapshot(建议全量)。
  • 重建预测上下文:
    • 清空输入历史与 rollback ring buffers。
    • confirmedFrame = baselineFrame,predictedFrame = baselineFrame。
  • 权威流补齐策略:
    • baselineFrame 之后的 authoritative inputs/hash 必须能持续到达。
    • 若缺失,驱动层需要等待或超时降级。

从 B 切到 A 时,你至少需要保证:

  • 丢弃 predicted 历史与本地预测状态(避免旧预测继续影响表现)。
  • 进入插值缓冲渲染:
    • 选定插值延迟。
    • 处理瞬移阈值与软纠正。

5.9 常见误区(FAQ)

  • 误区 1:服务器同时发 inputs 和 snapshots,就等于两种架构都免费得到。

    • 现实是:两种客户端维护的本地时间线不同;切换需要基线与历史重建。
  • 误区 2:预测客户端一定比状态同步客户端“更公平/更强”。

    • 预测只是更低输入延迟;最终判定仍必须以服务器为准,否则会引入作弊面。
  • 误区 3:战斗中可以随意频繁切换模式。

    • 频繁切换会导致大量纠正与表现突变;推荐限制在安全窗口。