关于windows系统上tcp TcpAckFrequency TcpDelAckTicks 注册表参数的社区回复

Windows用于控制 TCP 确认 (ACK)行为的注册表项 -TcpAckFrequency 本文介绍 TcpAckFrequency,这是一个新的注册表项,用于确定 TCP 确认 (AKS) 。适用于: Windows 10 – 所有版本,Windows Server 2012 R2TcpAckFrequency 是一个注册表项,用于确定在忽略延迟 ACK 计时器之前将未完成的 TCP (AKS) 的 TCP 确认数。如 RFC 1122 中指定,TCP 使用延迟确认减少在媒体上发送的数据包数。 与针对收到的每个 TCP 段发送确认不同,Windows TCP 采用一种实现延迟确认的常见方法。 阅读详情
AI摘要

本文解释了Windows系统中TcpAckFrequency和TcpDelAckTicks参数的作用,阐述了它们如何影响延迟确认,并提醒在调整这些高级设置时需谨慎,仅在必要时在受控环境下进行测试。,

您好!很高兴为您解答关于Windows操作系统中TCP/IP设置的问题。

在Windows的注册表设置中,TcpAckFrequency和TcpDelAckTicks是两个关于TCP确认(ACK)包发送策略的参数。这两个参数控制的是延迟确认(Delayed ACK)的行为,但它们的作用略有不同。

TcpAckFrequency

  • 路径:HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Services\Tcpip\Parameters\Interfaces{Interface_GUID}

  • 用途:这个参数用于控制每接收到多少个包发送一个确认(ACK)。默认情况下,该值通常不设置,TCP栈会每接收两个包发送一个ACK。

  • 修改方式:如果将TcpAckFrequency设置为1,则每收到一个TCP数据包就立即发送一个ACK,这相当于禁用了延迟确认机制。

TcpDelAckTicks

  • 路径:HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Services\Tcpip\Parameters\Interfaces{Interface_GUID}{Interface_GUID}

  • 用途:这个参数控制的是接收到数据包后,延迟多长时间发送确认(ACK)。默认情况下,Windows可能会等待一个固定的间隔(大约为200毫秒),以期望在此期间内收到更多的数据包,从而可以一次确认多个数据包。

  • 修改方式:如果将TcpDelAckTicks设置为0,那么接收到数据包后将不会有任何延迟,立即发送确认(ACK)。这与将TcpAckFrequency设置为1有类似的效果,但更直接地针对延迟的调整。

两者的关系

  • 在大多数情况下,修改这两个参数中的任何一个都会影响TCP的延迟确认行为。不过,TcpDelAckTicks更多地影响延迟的时间长度,而TcpAckFrequency直接控制基于接收到的数据包数量的确认发送频率。

  • 对于绝大多数应用和环境,使用默认的TCP设置就足够好,因为TCP协议已经设计得很好地平衡了性能和网络效率。不过,在特定的高性能环境或低延迟要求的场景中(例如游戏服务器、高频交易平台),这些参数的调整可能会有所帮助。

注意事项

  • 修改这些TCP设置可能会对网络性能产生不可预见的影响,因此在进行任何永久性调整前,建议在控制好的环境中进行充分的测试。

  • 修改注册表涉及到系统级的配置更改,应谨慎操作,确保有相关的备份和恢复方案。

回复链接
如何关闭server 2019版本上的tcp Delayed Ack?

TCP ACK响应延迟问题 <br /> <br />TCP ACK响应<br /> <br />这个问题称之为 delayed ack algorithm ,同应用层软件无关,是TCP传输层的一个优化策略,为了降低网络数据包压力,减少小数据包而进行的一个处理,称之为Nagle演算法<br /> <br />在google上搜 delayed ack 可以看到很多对应文章,这是在操作系统驱动层处理的,不能依靠应用层代码修改。windows和Linux缺省的设置都是200ms的延迟<br /> <br />如下连接可参考<br />ht 阅读详情

相关推荐

调整 Windows 系统以优化服务器性能

 本主题描述如何调整 Windows 2000、Windows XP 和 Windows 2003 操作系统以提高 WebSphere Application Server 的性能。由于 Windows 操作系统不是 WebSphere Application Server 产品,因此请注意,这些产品可能会改变,并且结果可能会有所变化。关于本任务 遇到性能问题时,请检查操作系统设置以确

半道出家的和尚 2163

关于修改Tcp的几个参数来提高延迟敏感应用的心得

关于修改Tcp的几个参数来提高延迟敏感应用的心得 在一个Tcp通信的实例里,需要通信的双方在接收到对方报文的时候回应一个Ack。但是,标准的Tcp/ip协议栈在收到对方的数据包时并不会立即回应一个Ack,而是会开启一个200ms的定时器来判断,200ms以后才会发送这个Ack。 那么如何来压缩这个时间来提高延时敏感应用的效果呢。 以windows操作系统为例: regedit打开注册表: 打开:HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\MSMQ\Param

bingyu的博客 3747

Windows系统下的TCP参数优化

续上文:TCP连接的状态与关闭方式,及其对Server与Client的影响   通常会采用修改注册表的方式改进Windows的系统参数。下面将为大家介绍Windows系统下的TCP参数优化方式,适用于Windows 2003、Windows XP、Windows 7以及Server版。对于具体的系统环境与性能需求,优化方式会有所差异,效果也不尽相同,仅是个人的建议。所有的优化操作都通过修改注...

weixin_30614587的博客 2614

我的世界低延迟的服务器,TcpAckFrequency——降低服务器延迟!!!

如果想要好的降延迟效果的话,需要满足以下要求:1.下载>500KB/s 上传>100KB/s2.双核CPU3.系统为Win XP Win03 Win7 Win8 Win10 其中一个4.不是拨号上网的网络(话说现在已经没有拨号上网的了吧)5.你电脑的管理者权限6.仔细看完本教程7.不要挑错字-----------------------------------------------------...

weixin_33547353的博客 3581

Win2003修改TcpAckFrequency值无效热修复补丁

针对症状: Windows2003操作系统下,TcpAckFrequency注册表项设置为1后,ACK验证包的发送依然存在默认的<200ms延时。 密码: ueE]qJ*T

Ubuntu技巧-Ubuntu远程访问之SSH反向代理

💡大家好,我是可夫小子,《小白玩转ChatGPT》专栏作者,关注AIGC、互联网和自媒体。要把内网的一台的Ubuntu服务器让外面也能访问,总共有三种可行的方案,前面已经介绍了两种方式,今天就来介绍更健壮稳定的方式——ssh反向代理。大概的框架图如下,今天就从服务器购买到设置,手把手的教程,让你花费100块以内,就拥有一个强大的「云服务器」。

可夫小子的频道 1154

TCP的确认延时机制及Windows系统的确认延时修改

TCP本身属面向链接的通讯协议。通讯双方的每一个收发动作,需要以通讯链路正常为前提。因此TCP协议内部提供了默认的ACK验证机制。  而ACK验证方式存又与操作系统有关,在TCP中,对数据的确认往往是延迟的,在时延定时器没有溢出的情况下,一般情况是两个TCP数据对应一个确认,如果时延定时器溢出了,那么自然也会发送确认报文。  但在某些系统中,会出现必须每次回复ACK包才继续发送TCP数据,这时就会

HyperWang的专栏 1万+

从农田到城市:如何利用NDVI和缨帽变换提升遥感图像分类精度?

本文深入探讨了如何利用NDVI(归一化差值植被指数)和缨帽变换(Tasseled Cap Transformation)两大关键技术,有效提升从农田到城市等复杂场景的遥感图像分类精度。文章通过剖析地物光谱特征,对比了原始波段与衍生特征的优劣,并提供了在ENVI、ArcGIS及Python环境中的具体操作指南与实战策略,旨在帮助从业者构建更鲁棒的特征工程流程,从而解决地物混淆、边界模糊等常见分类难题。

redis7keeper的博客 869

修改注册表减少网络延迟的方法

修改注册表减少网络延迟的方法: 1.按下开始→运行→输入“regedit”点确定→打开注册表编辑器 2.在注册表编辑器里寻找下面字串内的位置: HKEY_LOCAL_MACHINE → SOFTWARE → Microsoft → MSMQ → Parameters 3.修改TCPNoDelay

chenzhjlf的专栏 1万+

强网杯Web题ezphp解题全记录:利用PHP反序列化与条件竞争拿下服务器

本文详细解析了强网杯Web题目ezphp的解题过程,通过PHP反序列化与条件竞争漏洞的组合利用,成功获取服务器权限。文章深入剖析了反序列化链的构造、文件上传绕过技巧以及条件竞争的实际应用,为CTF选手和Web安全研究者提供了宝贵的实战经验。

weixin_29006187的博客 389

电工识图入门:从电气符号到控制逻辑的完整指南

电工图纸是电气工程领域的通用语言,无论是设备安装、线路检修还是系统设计,看不懂图纸就像航海没有海图。很多初学者面对复杂的电气符号和线路走向感到无从下手,实际上只要掌握正确的识图方法,就能从简单的照明电路逐步过渡到复杂的自动化控制系统。 本文将从最基础的电气符号和图纸类型讲起,通过实际图纸案例解析,带你建立完整的识图逻辑。你将学会如何区分主回路和控制回路,如何追踪电流路径,以及如何结合图纸进行故障排查。无论你是电工新手、设备维护人员还是相关专业学生,这套方法都能帮你快速提升图纸理解能力。 1. 电气图纸基础:

chengyixian7877的博客 339

TCP/IP卷一:80---TCP数据流与窗口管理之(延时确认(延迟ACK)、Nagle算法)

一、延迟确认(延迟ACK) 在许多情况下,TCP并不对每个到来的数据包都返回ACK,利用TCP的累积ACK字段(参见TCP报文格式https://blog.youkuaiyun.com/qq_41453285/article/details/104016416)就能实现该功能 累积确认可以允许TCP延迟一段时间发送ACK,以便将ACK和相同方向上需要传的数据结合发送。这种捎带传输的方法经常用于批量数据传输...

董哥的黑板报 4480

PX4实战指南:通过遥控器通道直连实现舵机PWM控制

本文详细介绍了如何通过PX4飞控实现遥控器通道直连控制舵机PWM输出的完整流程。从硬件准备、遥控器配对到PX4参数配置和硬件连接,提供了实战技巧和常见问题解决方案,帮助无人机爱好者快速掌握舵机控制技术。重点讲解了AUX Passthrough模式设置和PWM参数调整等关键步骤。

weixin_29195217的博客 154

Tcp设置TcpAckFrequency后,使用socket的recv获取数据时,存在获取错误的数据的情况

Tcp设置TcpAckFrequency后,使用socket的recv获取数据时,存在获取错误的数据的情况,做了对比实验,同时使用wireshark获取数据是正常的。

bxwbgxifpj的博客 297

ALSA音频开发实战:如何用snd_pcm_avail避免缓冲区溢出(附完整代码)

本文深入探讨了在ALSA音频开发中,如何利用`snd_pcm_avail`函数有效管理环形缓冲区,从而避免音频数据溢出或下溢。通过实战代码示例,详细解析了该函数在播放场景下的核心作用,即实时查询可写入的帧数,并构建了自适应写入循环以实现稳健的流量控制,确保音频流的平滑与稳定。

weixin_29183637的博客 463

几款开源的自动驾驶仿真平台项目

它被开发为一个虚幻的插件,可以简单地放到任何你想要的虚幻环境中。第一类是基于合成的数据,对环境、感知及车辆进行模拟,这里的感知大多数是图像层面的感知,这类模拟器主要用于感知、规划算法的初步开发上,Carla、AirSim、Udacity self-driving car simulator就属于这类;第二类是基于真实数据的回放,这里的真实数据包括图像、lidar、radar等各种传感器的数据,这类模拟器主要用于测试无人驾驶中信息融合算法以及车辆不同部件的性能,Apollo和Autoware就属于这类。

南七小僧的学海无涯 2851

注册表增加“TcpAckFrequency”值,提高网络响应速度

注意这个修改只对Windows XP有效果。 操作如下:在开始->运行内输入"regedit"打开注册表编辑器。然后找到HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Services\Tcpip\Parameters\Interfaces\你会发现有许多下层目录,找到你用来连接网络的那个,通常名字比较长,比如{7DBA6DCA...

weixin_34014555的博客 1727

RK3588上使用PCIE接口的国产千兆网卡YT6801

YT6801是裕太微电子开发的一款国产千兆PCIE以太网控制器芯片,可作为RK3588的PCIE外扩网口使用。

荻夜的博客 8237

linux,windows keepalive参数的查看与设置

------------------------------------------------------------------------------------------------------ Linux下使用TCP的keepalive tcp_keepalive_time     一个连接需要TCP开始发送keepalive探测数据包之前的空闲时间。以秒为单位

化天际的相遇---博客 1万+

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

修改注册表改善Windows中因Tcp延时导致网络速度慢的问题

TCP本身属面向链接的通讯协议。通讯双方的每一个收发动作,需要以通讯链路正常为前提。因此TCP协议内部提供了默认的ACK验证机制。 而ACK验证方式存又与操作系统有关,在TCP中,对数据的确认往往是延迟的,在时延定时器没有溢出的情况下,一般情况是两个TCP数据对应一个确认,如果时延定时器溢出了,那么自然也会发送确认报文。但在某些系统中,会出现必须每次回复ACK包才继续发送TCP数据,这时就会...

shuaijie506 2823

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

tcpack理解

ack理解

steel0205的专栏 450

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

如何在Windows或Linux系统中禁用TCP ACK Delay?

TCP ACK延迟(也称为延迟确认)是一种网络性能优化技术,它允许接收方在接收到数据后不立即发送ACK(确认)报文,而是等待一段时间。这样做的目的是为了减少网络中的ACK流量,同时可能通过将ACK与后续的数据包一起发送来提高效率。然而,在某些情况下,延迟ACK可能会导致不必要的延迟,特别是在实时应用或需要快速响应的应用中。如果你想要禁用TCP ACK延迟,具体的方法取决于你的操作系统。

Super_Dargon的博客 1976

TCP延迟ACK策略

在报文接收路径上,处理完报文的接收之后,使用函数__tcp_ack_snd_check检查是否需要发送ACK确认报文。如果不符合立即发送的条件,内核将延迟发送ACK确认报文。 1)接收到一个以上的全尺寸报文; 2)a)接收窗口增长足够大,可接收新报文。否则,只有在应用层调用tcp_recvmsg函数取走数据后,发送ACK确认报文,避免窗口满; b)或者套接口处于QUICK ACK模式; ...

redwingz的博客 5459
上一篇: Win10让远程连接能登录本地账号并不会让已登录账号退出的办法
下一篇: Qt5.15.2安装Android开发环境。
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值