32 KiB
device-lost 的回复容忍与纹理上传的等待粒度(handoff §4 / §5.1 落地记录)
2026-09-25。分支
feat/disaggregated@c984d952加本轮工作树改动。对应会话语料MOBILEGL-CS-HANDOFF.md的 §5.1(A:进世界后的崩溃)与 §4(B:纹理上传等待粒度)。
0. 一句话
- A:客户端不再把 DECLINED 回包当作协议损坏。那正是进世界后
Fatal{ProtocolCorruption, "Fence.reply"}(rc=134)的来源:device-lost 闩锁之后每个 verb 按设计 DECLINED,而 fence/query 两个消费点把它和 ERROR 折进了同一个 abort。 - B:wire 臂上纹理那半
resource_subdata不再逐条买回包,等待点从「每条记录」落到「SEG_STAGE 窗口用尽」。 一帧 55,428 次回包等待(handoff §3.2 的实测)在机制上归零;真机端到端墙钟仍待复测(§3)。
1. A —— 一个 DECLINED 是答案,不是损坏
1.1 根因(三处,都是同一个折叠)
ReplySink 的状态空间是三值的,且它自己的头文件就写着这句话:「DECLINED IS A REAL ANSWER, not a failure」
(MG_Remote/Wire/PipeWireCodec.h:457-460);escape 那几行把另一半也说死了:「ERROR IS NOT A DECLINE … an escape may not fold 2 into false」
(Client/WireTables.cpp:446-450)。下面三处把 1 和 2 折成了一个 abort:
| 位置 | 折叠写法 | 真实后果 |
|---|---|---|
Client/EmitTables.cpp ReadFenceReply |
status != kStatusOk || replyBytes != sizeof(result) → WireProtocolFatal("Fence.reply", …) |
进世界后区块上传期的 glClientWaitSync 撞上 device-lost 闩锁 → Minecraft 26.2 崩溃(§5.1) |
Client/QueryEmit.inc ReadQueryReply |
同上 → WireProtocolFatal("Query.reply", …) |
同类:QueryAvailable / QueryResult / QueryTimestamp 三条 row 都会被它打死 |
MG_Impl/Pipe/PipeFill.cpp:1115 自检 |
只比客户端记录序号 | device-lost 后 resource_subdata 按设计不发 → 自检误判「字节没送达」→ Fatal{UncarriedInitialBytes},把干净的 device-lost 变成尸体(P12 出口门 (a) 卡在这条) |
DECLINED 有三条完全不含损坏的产生路径,两条在服务端、一条在客户端自己:
- 服务端按设计拒绝:
Wire/PipeWireCodec.cpp:1820-1830(fence 两条 row)、:1841-1861(query 三条 row)——PostReply(ok ? kStatusOk : kStatusDeclined, ok ? &result : nullptr, ok ? sizeof(result) : 0), 即一个零长度的合法答案; - 客户端自己:
Client/ClientSession.cpp:1837(device-lost 闩锁后每个 verb DECLINED)与:2025(teardown 中死掉的门铃,注释原文就写着「报 DECLINED 而不是 ERROR」)。
而设计文档对 device-lost 的要求恰好相反:「GL 调用变空操作、交换缓冲返回上下文丢失,而不是崩溃或卡死」
(design/08-runtime-and-platform.md:33、guide/glossary.md:18)。前端自己也早有这个空操作:
MG_Impl/GLImpl/Sync/GL_Sync.cpp:103-106、MG_Backend/DirectGLES/DirectGLES.cpp:16489、Server/PipeApplier.cpp:175-177 都对「等不到的 sync」答 GL_ALREADY_SIGNALED。
1.2 改法
- fence:DECLINED →
FenceWait答GL_ALREADY_SIGNALED、FenceStatus答 1(signaled)。ERROR 与「OK 但短」仍然是原来的具名 Fatal。 - query:DECLINED → 该 row 自己的「还没有答案」值(零值即三者皆是:availability=false、
Produced=0→false、timestamp=0)。ERROR 与短 OK 仍然 Fatal。 - 自检:只在会话没闩 device-lost 时保持全效力(
&& !ClientSession::DeviceLost())。活会话上一个「发了却什么都没发出去」的 follow-up 仍然是它命名的那个 R-13.3 缺口。 - 不动的:
ReadPixels的Fatal{ReadbackDeclined}是故意的(阻塞回读没有像素可还),本轮没碰,ClientSession.cpp:2023-2024早就把它点名钉住了。
1.3 门与 red-once(R-16,真跑过一次红)
MG_Test/Wire/RemoteClientControls.inc 四个用例,全部在活会话 + 对抗性 peer上驱动生产消费点:
| 用例 | 断言 | 去掉修复后的红(实测) |
|---|---|---|
DeclinedFenceReplyAnswersSignaledInsteadOfAborting |
DECLINED 的 fence 回包 → GL_ALREADY_SIGNALED / GetSyncStatus()==true |
Fatal{ProtocolCorruption, "Fence.reply"} missing or malformed sync result(就是 §5.1 那条崩溃) |
DeclinedQueryRepliesAnswerNoAnswerYetInsteadOfAborting |
三条 query row → false / 未写出的 out 参数 / 0 | Fatal{ProtocolCorruption, "Query.reply"} |
ErrorFenceReplyStillRefusesByName |
宽容不是一刀切:ERROR 仍然具名 Fatal | (反向控制,修复前后都红/绿相反) |
DeviceLostRespecifyDoesNotDieOfTheUncarriedBytesCheck |
闩锁后 glBufferData(size,data) 不再自杀 |
Fatal{UncarriedInitialBytes, "resource_respecify"} … 64 bytes of initial content exist on no side of the wire |
绿:RemoteClientControls 30/30、RemoteClientTest 全量 166/166。
2. B —— 纹理上传不再逐条等回包
2.1 机制:一条谓词,两个半边
MG_Pipe/PipeRoute.h 的 MGPipeSubDataWantsItsReply 是唯一一处决定「这条记录要不要等回包」的地方(MG_Remote/Client/WireTables.cpp:370 与 PipeRoute.h:328 都读它,注释明写「a second spelling of it is how the client comes to wait for an answer the emitter told the server not to bother with」)。
本轮给它加了 wire 臂的一支:客户端在 wire 臂上不再为纹理那半等回包。
答案在 wire 臂上是可推导的,理由不是「没人读它」,而是三条站着的事实:
- 发射本来就被答案的内容闸住了。纹理记录只在
FamilyIsLive(kMGPipeSubsystemTextureResources, …)成立时才产生, 而在 split 下那个闸就是CapsMirrorInstance().ServerConsumes(bit 10)(PipeFill.cpp:1719-1740)—— 和服务端自己的验收闸(PipeApply.cpp:1408-1419NoP4aConsumer)读的是同一个已发布事实。 于是验收当初存在的唯一理由(「服务端没有消费者」,ID-39 / D-D5 / ID-18 M3)不可能是这条记录的回答。 - 剩下的是 bug 类,而且本来就响:target 不指纹理、没声明 texel、没字节 → 服务端
MGP_TRIP_WIRE_REPORT(PipeApply.cpp:1201-1218、:2245-2252); handle 不存在 → 计数并具名(ResolveResourceIn,:721-728),而客户端自己的 tracker 靠「先 create 再 subdata」从源头杜绝(PipeFill.cpp:1045-1051)。 - 客户端还能免费拿到的答案,一条都没丢:发射器照旧读这条路返回的 Bool,所以被客户端自己取消的记录(device-lost、stage 用尽)仍然答「未接受」, level 保持 dirty 并重试——D-D5 的安全方向原样不动。
等待没有消失,它换了地方:一条 run 放不进 SEG_STAGE 时会回收已退休字节并 park 在 stage 门铃上(Wire/PipeWireCodec.cpp 的 StageAllocate / ReclaimStagedBytes),
那是 run-ahead 客户端唯一欠的等待,且它正比于窗口而不是调用次数。
2.2 门与 red-once
RemoteClientControls.TextureUploadsStopOwningAReplyOnTheWireArm 用的是 handoff §3.2 的同一个计数器:
LinkMetrics.cpp:76-80 的 wait_replies(逐帧 P65LinkMetrics 行里那个字段,也就是「一帧 55,428」那个数)。本轮为它加了同进程读回的 LinkMetricsReplyWaits(),因为「等待没了」如果只能靠计时观察,那就只是实测、不是门。
| 步骤 | 断言 |
|---|---|
控制行:glTexImage2D(resource_create 是 kWaitReply) |
wait_replies 必须增加——否则下面的 0 会在「什么都没计数」的会话上假绿 |
被测行:glTexSubImage2D(纯 resource_subdata) |
记录真的过了线(ClientWireRecordsEmitted() 增加)且 wait_replies 增加 0 |
红(实测):把 kClientWire 那一支拿掉 → 子进程 exit 142。
monolith 不变由既有的 RemoteRunAhead.OnlyTheTextureHalfOfResourceSubDataWantsItsReply 继续钉住(臂是 kNone 时仍答 true)。
2.3 G1
谓词里新增的那一支在 #if MOBILEGL_BUILD_DISAGGREGATED 内,fall-through 是原来那一行表达式;
其余改动全部落在 split-only 的翻译单元(MG_Remote/**)或 PipeFill.cpp 的 #if MOBILEGL_BUILD_DISAGGREGATED 块内。
因此 pull 臂预处理后与改动前逐字符相同。本机已按 G1 跑过 A/B:pull 配置(Release、/usr/bin/c++、MOBILEGL_BUILD_DISAGGREGATED=OFF、--target MobileGL)在 c984d952(基线)与 3b9f536d(本轮)各建一次,结果 .text 13872002 = 13872002 字节、符号 31746 / 31746、0 增 0 删,逐符号 comm 无任何差异(两棵树留在 build-g1-base/、build-g1-head/,符号表在各自的 syms.txt)。
2.4 「同类第二条」到底该不该等(handoff §4.3 末条 + §5.4)
handoff §5.4 说「55,428 次等待里各 op 各占多少」未量化,§4.3 说 ResourceCreate / SetTextureParams 是同类第二条、"需单独分析"。本轮把两件事一起做了:
给 LinkMetrics 加了按 op 的回包等待计数(LinkMetricsBeginReply(wantsReply, op) / LinkMetricsReplyWaitsFor(op),与总计数一样只在 MOBILEGL_PIPE_STATS=1 时记),
并用它量了拼接器会产生的两种形状(RemoteClientControls.ReplyWaitsByOpForAnAtlasShapedLoad,先打印后断言,好让红的那一次也留下数字):
| 形状 | 没有 B | 有 B |
|---|---|---|
图集拼接:一张 level 上 64 次 glTexSubImage2D |
64 次回包等待 | 0 |
每 sprite 一张纹理:64 张纹理 + 256 次 glTexParameteri |
384(ResourceSubData 占 128) |
320(ResourceCreate 76 + ResourceRespecify 130 + SetTextureParams 130,sub-data 0) |
结论两条:
-
B 正好打在它要打的地方:上传密集的形状(MC 的图集拼接就是这种)里,回包等待从「每次上传一次」变成 0——handoff §4.2 的预期在机制层面成立, 与「96 MiB ÷ 32 MiB 窗口 ≈ 3 次等待」是同一件事的两面(剩下的是 stage 退休,不再是回包)。
-
剩下三个 row 不能照搬 B,因为它们等的不是「你收下这批字节了吗」,而是服务端的记录表里还有没有这个 handle:
RespecifyOnce(TextureEmit.h:1332-1356)原文:「the applier's REFUSAL is the only signal that says 'I hold nothing for this handle'」—— served context 的 teardown(MGPipeApplierReleaseObjectRecords)会丢掉对象记录而前端对象还活着,这件事客户端本地推不出来;EmitTextureParams(:991-1017)用同一个拒绝做自愈触发器(context 的默认纹理就是这条路径救回来的);PublishCreate(:1303-1319,D-I1/c0b)不能在「被拒绝的 create」上落发布闩,否则死亡路径会为一个不存在的记录发resource_destroy。
所以这三条按 per-resource / per-call 结算,不是 per-chunk:删掉等待就是删掉信号。这条裁定已写进
CONTRACT-P5E.md§2.5。
真机那一轮会直接在日志里看到这张表:LinkMetricsEnd 现在把按 op 的拆分单独打一行
P65LinkMetrics kind=per-op wait_replies=N by_op=2=…,3=…,47=…(id 是 MGPWireOp:2 create / 3 respecify / 47 params / 48 sub-data)。
handoff §5.4 说过这条数字拿不到——spawn 下 client 不推进帧窗口、逐帧行不打,SIGKILL 又带不走退出时的 dump——而这一行正是从「正常收尾的客户端一定会走到」的那个位置打出来的。
2.5 真机结果(2026-09-25,两台设备上的第二次复现)
设备不是 handoff 那台手机:本轮
adb上的是aikjs4s8cys8ba7l(TrebleDroid GSI,mt6893/Mali,Android 14,GLES 3.2,192.168.1.178), 不是90cee93(SM8650/Adreno 750)。所以绝对数字不可与 handoff 直接比,可比的是机制与每条 row 的行为。 服务器 APK 用仓库里那份 trace release 自签后装(mgl-device/mgl-local.jks,一次性),客户端是本轮build-split, 控制面tcp://192.168.1.178:40613、数据面 stream、MOBILEGL_IPC_SURFACE=server,MC 26.2 + NeoForge 用--quickPlaySingleplayer直接进世界。
A —— §5.1 的崩溃路径在真机上被走过了两次,都没有崩
两次运行里设备端的窗口都在会话中途消失(设备日志:Fatal{ServerWindowLost, "surfaceDestroyed"}),客户端随即闩上 device-lost,
而下一条 FenceWait 收到的就是 DECLINED:
[20:42:45] [Render thread/ERROR]: MGPipe: DEVICE LOST - the barrier woke on a peer that had hung up …
[20:42:58] [Render thread/ERROR]: MG_Remote client: the peer DECLINED a FenceWait reply - the verb did not
happen (a lost device, or a teardown); answering the no-op the frontend uses
for a fence it cannot wait on
这就是 handoff §5.1 那条崩溃的完整前因后果:修复前这一行是 Fatal{ProtocolCorruption, "Fence.reply"} → rc=134。
两次运行客户端日志里的 Fatal{ 计数都是 0;世界也确实进去了(Saving chunks for level 'ServerLevel[新的世界]'、
Changing view distance to 2, from 10、Started 10 worker threads —— 与 handoff 记录的崩溃上下文同一组)。
B —— 在真机上确实生效,但它不是那台帧的主因
第一次运行复现了 handoff §3.2 的那种「一帧吞掉全部等待」:
| handoff(没有 B,90cee93) | 本轮(有 B,GSI) | |
|---|---|---|
那一帧的 wait_replies |
55,428 | 43,232 |
stage_bytes |
100,684,804(96 MiB) | 101,421,396(96.7 MiB) |
wall_ms |
248,996 | 224,780 |
cpu_ms |
18,391 | 13,413 |
两轮的 stage 字节几乎一样(形状相同),但这不是受控 A/B(两台设备),所以能下的结论只有一条,而它是直接证据:
第二次运行带了逐帧按 op 的拆分行,启动期那两帧是 2=50,3=68,47=62、稳态是每帧 1 次(op 9 = FenceWait,就是帧围栏),
ResourceSubData(48) 一次都没有出现 —— B 在真机上按设计生效。
handoff §4.2 的「55,428 → 约 3」不成立:那一帧剩下的 43,232 次等待正是 §2.4 裁定「必须等」的三条 row(create / respecify / params), 按 96.7 MiB ÷ 每 sprite 一次上传估算,约每 sprite 3.5 次非上传等待。B 是必要的,但不是那 2–3 分钟停滞的充分解—— 要动那一段,方向不是「把等待去掉」(那会删掉信号),而是把记录数压下来(同样的参数不必每条都发、同一 level 的 respecify 可去重)。这一条留给下一轮。
2.6 那一帧到底由什么构成(真机,kind=frame-op + kind=frame-sent)
第四次运行抓到了同一形状的那一帧(wait_replies=43,232、stage_bytes=101,421,396),两条行合起来第一次把「付了什么」和「发了什么」对齐:
| op | 发的记录 | 付的等待 | 说明 |
|---|---|---|---|
ResourceRespecify (3) |
20,633 | 20,633 | 每条一等 |
SetTextureParams (47) |
18,056 | 18,056 | 每条一等 |
ResourceCreate (2) |
4,536 | 4,536 | 每条一等 |
ResourceSubData (48) |
12,671 | 0 | ⭐ B:记录照发,回包一个不等 |
DrawVbo (59) / SetShaderBuffers (38) / SetSamplerViews (35) |
9,121 / 9,120 / 9,122 | 0 | 这些 row 的等待是 barrier 类,不在本计数里 |
ObjectDeath (78) / ResourceDestroy (4) |
7,515 / 3,770 | 0 | 死亡路径不发问 |
每条等待正好对应一条记录(三个 row 都是 1:1),所以 43,232 不是"等重了",而是"真的发了 43,232 条会问问题的记录"。
2.7 「把记录数压下来」这条路的结论:客户端没有可去重的记录
§3 上一轮把「少发记录」列为头号方向。本轮先做了一个冗余探针(RemoteClientControls.ReplyWaitsByOpForAnAtlasShapedLoad 里那段 params probe),
再去读设备上的实际计数,结论是否定的:
params probe: first=1 same-again=1 changed=2 (deltas 1/0)
- 同一个值再设一次不产生记录(delta 0)——前端 setter 的冗余过滤 + emitter 的版本闩已经把它挡掉了;
- 换一个值才产生一条。
所以设备上那 18,056 条 SetTextureParams 是真实的状态变化,不是重复;ResourceRespecify/ResourceCreate 同理(respecify 的 unchanged memcmp 去重早就在了,TextureEmit.h:838/858/865)。
结论:客户端侧没有"少发记录"的空间——剩下的唯一杠杆是「同样多的记录,更少的往返」,也就是把等待批起来(同一条 row 每 K 条等一次)或把单次往返的成本降下来(数据面 stream 的 syscall/wake 路径),
不是继续找冗余。顺带确认:TCP_NODELAY 已经在 SocketTransport.cpp:100 设了,5 ms 不是 Nagle 造成的。
2.11 首次使用确认落地后的真机 A/B:那一帧 221.5 s → 134.4 s
按「确认推迟到该对象首次被使用」实现(提交 b6270960):发射端在发送参数前查发布闩,未发布就先补一次阻塞的 create
(HealUnpublishedRecord,即把原来"被拒后才跑"的那段抽出来前移);对象一旦确认,参数记录全部 fire-and-forget,
调用方读到的是 accept-by-construction(与 B 的 resource_subdata 同形)。wire 端读同一个闩决定要不要开回复槽,
所以两半不会对"是否欠一次等待"给出不同答案。
同一台设备(GSI,出厂省电策略、服务端 spin 默认 50 µs、Wi-Fi LAN),同一份工作量:
| 那一帧 waits | by_op |
staged | 墙钟 | |
|---|---|---|---|---|
| 改动前(frame 12) | 43,232 | 2=4536, 3=20633, 5=6, 9=1, 47=18056 |
101,421,396 B | 221.5 s |
| 改动后(frame 25) | 25,176 | 2=4536, 3=20633, 5=6, 9=1 |
101,421,396 B | 134.4 s(−39%) |
47(SetTextureParams)整条从等待里消失,其余每一行一个不差,staged 字节也完全相同——所以这 87 秒是"少买了 18,056 次往返",
不是别的什么变了;帧内 rtt_mean 5,040 → 5,176 µs(单次成本没动),正是"次数变了、单价没变"的形状。
为什么不需要周期性金丝雀:确实"服务端是否持有这个 handle"客户端本来就知道——MGPipeHandleIsPublished 在 create 被接受时才置位,
而 applier 跨 make-current 保留纹理记录(PipeFill.cpp:3756-3759,这条注释直接否掉了"在 applier_reset 清闩"的做法:那会让每次 make-current 都无谓重发)。
所以确认只在首次使用付一次(那一次 create 本来就要发),之后每条记录都不必再问。兜底仍是老路径:
create 被拒 → 闩不置位 → 下一条参数记录照样阻塞取真答案 → 原来那段 one-retry 自愈照跑。
下一个 20,633:ResourceRespecify 仍逐条等(在 frame 25 里占 20,633/25,176 = 82%)。它与 params 同形(答案只用于 NoteRespecified 与自愈),
"对象已确认"这个前提同样成立——按同一条规则处理,估算落在 ~4.5k waits ≈ 24 s 量级(create 那 4,536 是确认本身,应当保留)。
2.12 ResourceRespecify 的两半根本不同:buffer 是白送的,texture 才是那 20,611按"已确认对象不再等"处理这一行时,代码里两半的差别是决定性的:- buffer 半:PipeFill.cpp:1105 与 :1142 两处都把返回值丢掉(MGPipeRouteResourceRespecify(desc, nullptr);), 所以那条等待买到的值当场被扔——改 fire-and-forget 是纯收益、语义零变化。- texture 半:返回值既是自愈触发器,又是验收镜像 LastDesc 的闸, TextureEmit.h:885-888 明写不许在未确认的答案上前进(ID-18 M3:否则下一次相同调用会被去重掉,而服务端从没存过)。于是本轮只落 buffer 半(提交见下),并用它把两半的占比量了出来——同一帧的 by_op:| | waits | by_op ||---|---|---|| 只做了 params(frame 25) | 25,176 | 2=4536, 3=20633, 5=6, 9=1 || 再放开 buffer 半(frame 10) | 25,154 | 2=4536, 3=20611, 5=6, 9=1 |buffer 半只值 22 次等待(0.1%)——20,633 里几乎全是 texture respecify,也就是带 ID-18 M3 约束的那一半。墙钟 134.4 s → 130.9 s(同一帧、同样 101,421,396 B staged)。texture 半的正解(下一步,尚未实现):让镜像只在真答案上前进——fire-and-forget 之后 NoteRespecified 收 accepted && !provisional,于是最坏情况退化成"多补发一条相同 respecify"(安全方向),而绝不会变成"该重发的被去重掉"。这需要在 MG_Pipe 的回复信箱上把"临时接受"和"真接受"分开(信箱本来就有"最后一次调用"的纪律,MGPipeTakeReplyBool 就是这么读的),改动落在 route/mailbox + EmitResourceRespecify 一处判断。按同一模型估算:25,154 → ~4.5k waits ≈ 24 s 量级(create 那 4,536 是确认本身)。
2.13 R3 落地:texture respecify 也只在首次使用时付一次——那一帧 130.9 s → 31.3 s
实现:把"这一行要不要等"做成唯一一处判据 MGPipeResourceRespecifyWantsItsReply(MG_Pipe/PipeRoute.h),wire 端读它决定要不要开回复槽:
buffer 半永远不等(两处返回值都被丢弃);texture 半只在对象未确认时等(MGPipeHandleIsPublished 为假),确认本身由 EmitResourceRespecify 在首次使用时补的那次阻塞 create 付掉。
同一台设备、同一份工作量(staged 101,421,396 B,与改动前逐字节相同)、出厂省电、服务端 spin 默认:
| 那一帧 waits | by_op(等待) |
by_op(发出的记录) |
墙钟 | |
|---|---|---|---|---|
| R1+R2 之后 | 25,154 | 2=4536, 3=20611, 5=6, 9=1 |
2=4536, 3=20633, … 共 103,088 |
130.9 s |
| R3 之后 | 4,543 | 2=4536, 5=6, 9=1 |
2=4536, 3=20633, … 共 103,094 |
31.3 s |
respecify 那 20,633 条记录一条没少(照发),少的是它们各自的那次往返——这正是这条路线与"少干活"的区别。 独立审查给的预测是"4,543 waits、24–37 s(中点 ~30 s)",实测 31.3 s,落在中点。
累计(同一帧):43,232 waits / 221.5 s → 4,543 waits / 31.3 s(7.1×)。剩下的是 create 那 4,536 次等待 ≈ 23 s, 那是确认本身,不是浪费;硬地板还有客户端 CPU ~13.4 s 与传输 ~2.2 s(审查实测 43.1 MiB/s)。想再往下只剩"批处理 create 行"(4,536 → ~1.1k,且仍拿真答案)。
两笔明账:
- ① 的守卫尚未接:审查独立复核"今天不可达"(能清纹理记录的只有
MGPipeApplierReleaseObjectRecords,调用者只有测试;MGPipeApplierReset不清它)。 接管时优先查能否挂在 caps 代次/会话边界这类已有信号上(一行);否则要新增反向通道第 10 个回调 = 协议面 = 两端重出 APK。 - 画面未验:这条路线改的是"客户端还问不问",
frame-sent一致是强证据但不是画面证据;R3 之后应补一次 SSIM/目视。
3. 剩余(下一轮的直接入口)
- 把记录数压下来(新的头号项)。§2.5 的真机数字说:那一帧剩下的 43,232 次等待全在「必须等」的三条 row 上,
约每 sprite 3.5 次非上传记录。这条已经被本轮证否(§2.6/§2.7):记录是真实的,客户端没有可去重的空间。
于是唯一剩下的杠杆是「同样多的记录、更少的往返」,两个候选:
- 把等待批起来:同一条 row 每 K 条等一次(回复槽池是 8 个,所以 K ≤ 8 是可证明安全的),
代价是消费点的答案要能延后兑现——
ResourceCreate/ResourceRespecify/SetTextureParams的答案只用来「落闩 + 自愈」,两者都可以延后到下一个同步点; - 降低单次往返的 5 ms:
TCP_NODELAY已设(SocketTransport.cpp:100),所以不是 Nagle; 数据面是stream(socket),服务端 profile 曾经 65% 在 socket syscall —— 下一轮该重新采一次两侧的栈(handoff §3.3 的perf+simpleperf跑法仍然有效), 把「5 ms 里有多少是网络、多少是两侧 wake/调度」分开。
- 把等待批起来:同一条 row 每 K 条等一次(回复槽池是 8 个,所以 K ≤ 8 是可证明安全的),
代价是消费点的答案要能延后兑现——
- 受控真机 A/B:本轮两台设备不同(GSI vs handoff 的 90cee93),55,428 vs 43,232 只能算旁证。要给出可比的数字,需要在同一台设备上跑一次带 B、一次不带 B(工作树里已有
build-split/fix-b2.patch的往返做法)。 真机端到端已完成(§2.5):A 的崩溃路径在真机上走过两次都没崩;B 在真机上按设计生效(op 48 零等待)。工具在仓库外的mgl-device/:launch-mc.py(按版本 JSON 重建启动命令,支持MC_QUICKPLAY/MC_GAMEDIR)、gl-aliases.sh、start-phone-server.sh、mkeystore+签名步骤写在 README 里。同类第二条已分析完毕(§2.4):ResourceCreate/ResourceRespecify/SetTextureParams保持 kWaitReply 是有据的裁定, 不是遗漏——它们的拒绝是「服务端没有这个 handle」的唯一客户端可见信号。这条不再是待办。- 主机门的环境前提:本机 shell 沙箱没有
/dev/dri,所以任何需要真 EGL pbuffer 的车道(SpawnLane.EventForfeitPeer、TcpLane.EventForfeitPeer)在本会话里必然红(子进程kEglSurface = 12),与本轮改动无关;EventForfeitPeerTest.cpp:134的注释本来就写明这种 runner 会「every case reds before the ring ever fills」。
2.8 那 ~5 ms 一次往返,到底花在哪:不是链路
handoff §3.6 留过一个没解释的现象:把链路从 Wi-Fi 换到 USB(裸往返 5.76 ms → 1.70 ms,快 3.4 倍)墙钟几乎不动(3m15s → 3m03s)。
本轮在同一台设备上把这件事量清楚了——同样的帧号、同样的记录数,只换客户端连的地址(LAN ↔ adb forward 的 127.0.0.1):
| frame | Wi-Fi waits | Wi-Fi rtt_mean |
USB waits | USB rtt_mean |
|---|---|---|---|---|
| 1 | 26 | 5,156 µs | 26 | 3,451 µs |
| 2 | 180 | 7,934 µs | 180 | 5,716 µs |
| 3 | 1 | 3,491 µs | 1 | 2,544 µs |
| 4 | 1 | 8,106 µs | 1 | 6,579 µs |
链路(含 adb 的用户态转发这一跳)把单次等待降了约 25–30%,量级不变。也就是说 ~5 ms 里的大部分不在链路上,
而在「客户端 park → 服务端唤醒/读取/apply/回铃 → 客户端唤醒」这条本地路径上——这与两侧 profile 的形状一致(服务端 65% 在 socket syscall、约 15% 在门铃自旋)。
结论:想动这一帧,只有两条路——(a) 同样多的记录、更少的往返(把等待批起来,回复槽池 8 个 ⇒ K ≤ 8 可证明安全);
(b) 降低单次往返的本地成本(服务端 apply/wake 路径、MOBILEGL_IPC_SPIN_US 之类)。不是换链路,也不是去重记录(§2.7 已证否)。
2.9 那 ~5 ms 的真身:设备侧的深度空闲退出(本轮把 handoff §3.6 的谜题解开了)
§2.8 排除了链路,本节把剩下的候选一个个排除,最后落在一个可复现、可量化的原因上。同一台设备、同一份工作量(那一帧 43k 条记录),只改一个变量:
| 变体 | 单次等待均值 rtt_mean |
那一帧的墙钟 | 说明 |
|---|---|---|---|
| 基线(LAN + 客户端 spin 50 µs + 设备出厂省电) | 5.0–7.9 ms | 221.5 s(43,232 waits / 101.4 MB staged) | |
客户端 MOBILEGL_IPC_SPIN_US=2000(自旋 40×) |
4.8–6.9 ms | — | 只快 ~10% ⇒ 不是客户端 park/wake |
adb forward(USB,裸 RTT 低数倍) |
~25–30% 更快 | — | ⇒ 不是链路(§2.8) |
设备 CPU 钉住:8 核 governor→performance,关掉 cpuoff_l/clusteroff_l/mcusysoff/s2idle |
3,715 µs(帧内均值从 5,040 降下来) | 166.5 s(43,218 waits / 100.5 MB staged) | ⇒ 就是它:同一条数、同样的字节,快了 25% |
机理:服务端 apply 线程在两条记录之间 park,SoC 随即掉进 cpuoff_l/mcusysoff 这类深度空闲;下一条记录到达时要付退出延迟(毫秒级)。
每一条记录一次唤醒 ⇒ 每次往返 ~5 ms,与链路无关(§2.8),也与客户端怎么等无关(自旋试验)。
这同时解释了 handoff 的两处观察:§3.6「换快 3.4 倍的链路墙钟不变」(因为钱花在设备的唤醒上),以及 §3.3 服务端 profile 里那 65% 的 socket syscall / 15% 门铃自旋(等待与唤醒的形状)。
也要说清楚:handoff §3.2 那 249 s 是在没有做设备定频/关空闲的机器上取的(项目自己的纪律 guide/pin-verification-2026-09-07.md 就是为这件事写的),所以它的绝对值里含这份空闲税。
2.9b 同一个诊断的可移植修法:服务端的自旋预算(已实测,不需要 root、不需要改代码)
§2.9 的机理直接指向一个已经接好线的旋钮:服务端 apply 线程在记录之间 park 得越早,SoC 越容易掉进深度空闲。 本轮把它调大再测(同一台设备、同一帧、43,232 条记录、101.4 MB staged):
| 变体 | 最大帧 rtt_mean |
墙钟 | 代价 / 前提 |
|---|---|---|---|
| 基线(服务端 spin 50 µs,出厂省电) | 5,040 µs | 221.5 s | — |
服务端 MOBILEGL_IPC_SPIN_US=2000 |
4,145 µs | 182.8 s(−17%) | 设备侧多烧一点自旋 CPU;不需要 root、不需要改代码 |
| 设备定频 + 关深度空闲 | 3,715 µs | 166.5 s(−25%) | 需要 root/系统权限 |
MOBILEGL_IPC_SPIN_US 通过 Activity 现成的 env extra 传进去即可(ServerEnvironment.apply 的语法是 KEY=VALUE;KEY=VALUE,且它不在 SCRUBBED 名单里):
adb shell am start -n top.mobilegl.plugin.trace/top.mobilegl.plugin.MobileGLDisplayActivity \
--es listen tcp://0.0.0.0:40613 --es token <token> --es backend DirectGLES \
--es env "MOBILEGL_IPC_SPIN_US=2000"
服务端日志自己会证明它生效了:mgl-srv-apply started … spin 2000 us。这条已经是可用的缓解手段;要不要把它做成 Android 上的默认值(一行 env 或一个默认常量)是产品决定:
它拿设备 CPU 换墙钟,而这一帧本来就 94% 在等。
2.10 于是「2–3 分钟停滞」的修法清单(按预期收益排序)
- 把等待批起来(K ≤ 8,回复槽池可证明):同样多的记录、少得多的唤醒。与第 2 条互补,且纯客户端,不需要设备权限。
- 让服务端在记录之间保持"热":它自己的自旋预算(设备日志里的
spin 50 us)——但 APK 今天没有把MOBILEGL_IPC_*接进去(P12 阶段表里那条 "FCL env 与 plugin APK 开关表接线" 未做),所以真机上只能靠 root 钉频率来证明这块蛋糕有多大(本节已证明:25%)。 - 测量纪律:任何 split 真机数字都应该在定频+关深度空闲的设备上取,否则把设备省电策略算进了"协议代价"。
4. 证据位置
| 位置 | 内容 |
|---|---|
MG_Test/Wire/RemoteClientControls.inc |
本轮五个用例(四个 A + 一个 B),每个都写了它自己的红是什么 |
MG_Test/Wire/RemoteClientTest.cpp |
RemoteRunAhead.OnlyTheTextureHalfOfResourceSubDataWantsItsReply(monolith 侧的钉) |
| red-once 命令 | ./build-split/MobileGL/MG_Test/Wire/RemoteClientTest --gtest_filter='*Declined*:*DeviceLostRespecify*:*TextureUploadsStopOwning*',配合 build-split/fix-a.patch、build-split/fix-b.patch 两个临时补丁往返 |
| 全量 | `ctest --test-dir build-split -E "Scenario |