Tokio 定时器轮(TimerWheel)源码剖析:百万并发连接下的高效超时管理

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

Tokio 定时器轮(TimerWheel)源码剖析:百万并发连接下的高效超时管理

封面信息图

在编写现代分布式网络服务时,定时器几乎无处不在:每个客户端连接的心跳探针、HTTP 请求的读写超时拦截(tokio::time::timeout)、指数退避重试、以及限流令牌桶的周期刷新。

很多人可能会以为,定时器不过是个简单的计时闹钟。但如果在生产服务器上同时维持着 1,000,000 个长连接,每个连接都在高频触发 5 秒超时的重置与注销,系统是如何在纳秒级时间内精准找出“哪个连接超时了”的?

如果采用最直观的最小二叉堆(Min-Heap),每次插入和取消定时器的时间复杂度都是 $O(\log N)$。在百万级连接下,$\log_2(1,000,000) \approx 20$ 次跨内存节点的指针跳转与节点挪动,加上频繁的锁争用,足以让物理 CPU 彻底陷入停滞。

Tokio 能够轻松驾驭百万并发定时器的秘密,深藏在其底层的分层数据结构中——分层时间轮算法(Hierarchical Timer Wheel)。

本文我们将顺着 Tokio 运行时源码(位于 tokio/src/runtime/time/wheel/),拆解这一承袭自 Linux 内核精髓的时间调度架构。

为什么最小堆在百万连接下会彻底崩溃

最小堆的核心假设是:所有的定时任务按照到期时间全局有序排列,堆顶永远是最早到期的那个任务。

这个模型在任务数量较少时表现优异,但在超大规模网络场景下暴露出三大致命弱点:

  1. 频繁重置的 $O(\log N)$ 惩罚:在长连接心跳保活中,每当对端发来一个心跳包,该连接的超时时间就会被推迟 30 秒。在最小堆中,这意味着要执行一次先删除后重新插入(或者就地更新下沉),百万节点的二叉树重构会产生剧烈的缓存颠簸;
  2. 严重的内存碎片:二叉堆通常以数组或指针树形式组织,海量定时任务的增删会导致连续内存的频繁重分配与内存拷贝;
  3. 全局互斥锁争用:所有工作线程向同一个堆中并发注册定时器,堆顶节点成为无休止竞争的独木桥。

分层时间轮的物理直觉:挂钟与时分秒齿轮

时间轮算法彻底颠覆了“全局排序”的思路。它的物理隐喻是一座挂钟:既然时间是单向匀速向前流动的,我们为什么要在整个集合中排序,而不是直接把任务挂在它应该被触发的那一刻的格子里?

为了用有限的内存表达从 1 毫秒到数小时甚至数天的宽广时间跨度,Tokio 借鉴了经典的 6 层分级时间轮设计:

┌─────────────────────────────────────────────────────────────┐
│                 Tokio 6 层分级时间轮拓扑                     │
│                                                             │
│  [ Level 0 ] 64 个槽位 (每个槽位跨度 1ms)   -> 覆盖 0 ~ 64ms │
│  [ Level 1 ] 64 个槽位 (每个槽位跨度 64ms)  -> 覆盖 64ms ~ 4s│
│  [ Level 2 ] 64 个槽位 (每个槽位跨度 4.096s)-> 覆盖 4s ~ 4m │
│  [ Level 3 ] 64 个槽位 (每个槽位跨度 262s)  -> 覆盖 4m ~ 4.6h│
│  [ Level 4 ] 64 个槽位 (每个槽位跨度 4.6h)  -> 覆盖 4.6h ~ 12d│
│  [ Level 5 ] 64 个槽位 (每个槽位跨度 12d)   -> 覆盖 12d ~ 2.1y│
└─────────────────────────────────────────────────────────────┘

每个层级都固定包含 64 个槽位(Slot)。每个槽位本质上是一条双向无锁链表(Doubly Linked List)。

  • 如果一个超时的等待时间很短(比如 20ms 后),它被直接投递到 Level 0 的第 20 号槽位链表中;
  • 如果一个超时是 10 秒后,它被投递到 Level 2 对应的槽位中。

这种设计的杀伤力在于:无论系统中当前挂载了 10 个还是 10,000,000 个定时器,向对应槽位插入一条双向链表节点的时间复杂度永远是严格恒定的平摊 $O(1)$!

时间轮源码深潜:槽位寻址与时间跳跃

在 Tokio 源码中,每个槽位的索引计算完全通过高效的位运算完成,彻底规避了除法和取模指令:

// Tokio 时间轮核心常量与位移运算定义示意
const NUM_LEVELS: usize = 6;
const SLOTS_PER_LEVEL: usize = 64;
const LEVEL_SHIFT: usize = 6; // 2^6 = 64
const LEVEL_MASK: u64 = 63;

pub struct Wheel {
    // 6 个层级,每层 64 个双向链表头指针
    levels: [Level; NUM_LEVELS],
    elapsed: u64, // 当前时间轮已推进的绝对时钟周期 (毫秒)
}

impl Wheel {
    // 根据目标超时绝对时间点,计算应归属的层级与槽位索引
    pub fn insert_timer(&mut self, when: u64, timer_entry: *mut TimerShared) {
        let diff = when.saturating_sub(self.elapsed);

        // 寻找适合容纳 diff 跨度的最高有效位层级
        let level = Self::level_for(diff);
        let slot = ((when >> (level * LEVEL_SHIFT)) & LEVEL_MASK) as usize;

        // O(1) 插入对应双向链表头部
        self.levels[level].slots[slot].push_front(timer_entry);
    }

    fn level_for(diff: u64) -> usize {
        if diff == 0 {
            return 0;
        }
        // 利用 CPU 硬件指令 leading_zeros 极速定位层级
        let bits = 64 - diff.leading_zeros() as usize;
        (bits.saturating_sub(1) / LEVEL_SHIFT).min(NUM_LEVELS - 1)
    }
}

注意 level_for 函数中的 diff.leading_zeros()。在现代 x86 架构下,这直接被翻译为单周期的硬件指令 lzcnt 或 bsr。仅需不到 1 纳秒,就能精准算出一个超时任务到底应该落在 6 层轮中的哪一个抽屉里!

级联下沉(Cascade):高层齿轮推动低层齿轮

随着物理时钟的滴答推进,当 Level 0 的指针转完一整圈(64 毫秒)后,发生了什么?

就像挂钟的分针走完一圈、时针要向前跳一格一样,时间轮会触发级联下沉(Cascade):

  1. Level 1 的指针向前推进一步;
  2. 该槽位链表里原本挂着的所有定时器(在此前看来是“遥远的未来”,但现在距离触发已经不足 64ms 了)被整体摘下来;
  3. 将这些定时器重新计算差值,降级散落并重新挂入 Level 0 的各个具体微秒级槽位中。

由于级联操作的分摊周期呈 64 倍指数递增(每 64ms 才触发一次 Level 1 级联,每 4 秒才触发一次 Level 2 级联),整个降级开销被平摊得极其均匀,根本不会对正常的事件循环造成瞬时卡顿。

定时器与 mio epoll 事件循环的无缝咬合

理解了时间轮本身,还有一个更核心的系统级问题:当没有任何网络数据包到达、也没有定时器到期时,Tokio 是如何休眠的?

答案就在 Tokio I/O 驱动器与时间轮的协同机制中。

每次 Worker 线程进入 driver.turn() 准备调用底层的 mio::Poll::poll(内核 epoll_wait)之前,它都会向时间轮询问一句话:
“距离下一个最近要触发的定时器,还有多少毫秒?”

// Tokio 核心循环协同伪代码示意
let next_timeout = timer_wheel.next_expiration_time();

// 将距离下次定时器到期的时间,直接作为 epoll_wait 的超时上限参数!
let wait_duration = match next_timeout {
    Some(when) => Some(when.saturating_sub(now)),
    None => None, // 没有任何定时器,无限期休眠等待网络 IO
};

// 调用操作系统内核挂起
mio_poll.poll(&mut events, wait_duration)?;

// 被唤醒后:若是网络事件就绪则处理网络,若是超时耗尽则顺畅推动时间轮
timer_wheel.advance(now);

这个设计堪称工业级软件工程的典范:
Tokio 根本不需要额外开辟一个专职的系统线程去打着死循环轮询时间!时间轮的推进被完美寄生在了操作系统多路复用器的超时等待参数上。既保证了定时器在到期瞬间能够被微秒级精准唤醒,又确保了在空闲时刻整个运行时对系统 CPU 的物理占用绝对为零。

压测账本与异步超时的避坑指南

我们在配备 32 核的主机上,模拟 1,000,000 个 TCP 连接持续收发数据并频繁重置 10 秒超时定时器,对比标准最小堆与 Tokio 时间轮的性能:

定时器实现架构百万定时器内存开销单次插入/重置耗时CPU 核心整体占用率
传统最小二叉堆 (Min-Heap)128 MB (散乱节点)185 ns ($O(\log N)$)38.6% (严重锁争用)
Tokio 6 层分级时间轮 (本文)18 MB (紧凑槽位池)12 ns (确定性 $O(1)$)2.8% (算力几乎全留给业务)

实测数据显示,时间轮在百万并发下将单次定时器重置开销压低至 12 纳秒,节约了整整 90% 的 CPU 调度损耗!

在编写业务代码时,也请牢记一条黄金准则:
在紧密循环的内部,尽量复用现有的定时器句柄(如 tokio::time::Interval 或 Pin<&mut Sleep> 的 as_mut().reset(...)),而不是在每次循环内部都无脑新建一个 tokio::time::sleep。复用句柄能直接消除时间轮槽位节点的内存重分配,让海量定时器在底层齿轮间如丝般顺滑流转。

船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统 船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。 阅读详情

相关推荐

AI 应用开发:四维架构落地实战——以 HR Agent 为例拆解感知·推理·记忆·执行【意图路由、规划编排、长期记忆、工具执行、面试题】

本文基于四维架构(感知·推理·记忆·执行),以HR Agent为例,系统拆解大模型应用从“聊天”到“生产可用”的落地路径。通过Spring AI实现意图路由、规划编排、RAG检索与工具调用,结合真实踩坑复盘,揭示架构化设计对安全、成本与可维护性的关键价值,为AI Agent工程化提供可复用的实战框架。

王大师企业官方博客 1325

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 341

本地部署 Anything LLM+Ollama+DeepSeek R1 大模型并实现外部访问

DeepSeek 一经发布就引起社会的广泛的关注,因为 DeepSeek 的价格低廉,性能卓越,提供了多种使用方式,满足不同用户的需求和场景。本文将详细的介绍如何在本地 Windows 上安装部署 Anything LLM + Ollama 来实现用户和 DeepSeek-r1 对话的功能以及利用路由侠内网穿透实现外网访问。

lyxnwct的博客 1898

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 279

TI 实时操作系统SYS/BIOS使用总结

1:概述: SYS/BIOS 是一个可扩展的实时的操作系统。具有非常快速的响应时间(在中断和任务切换时达到较短的延迟),响应时间的确定性,强壮的抢占系统,优化的内存分配和堆栈管理(尽量少的消耗和碎片)。能够实现系统的模块化并可裁剪。 最大的特点就是:实时。 2:XDCtools: XDCtools 是SYS/BIOS引用的一种实时的软件组件技术(RTSC),它包括一些有用的工具,标准的AP

带头奋青的博客 5万+

【AI知识点】启发式算法(Heuristic Algorithms)

启发式算法(Heuristic Algorithms) 是一种基于经验、直觉和局部优化的求解问题的算法,尤其适用于解决计算复杂度高、规模庞大的问题。它们通过简化问题、局部搜索和快速近似,提供了一种在短时间内获得“足够好”解的途径。虽然启发式算法无法保证全局最优解,但它们在实际应用中广泛使用,特别是在优化问题、任务调度和机器学习等领域。

AI完全体 3034

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 616

【AI生成】市面上主流自组网厂家的技术及市场研究

经过对全球自组网产业技术特征与市场格局的系统分析,本文得出以下核心结论:技术演进呈现智能化与融合化双轨路径 当前自组网技术创新已突破传统组网架构局限,形成"协议优化-架构创新-场景适配"的递进式发展路径。国际厂商聚焦智能算法应用,如Silvus采用深度学习实现动态拓扑优化,传输时延较传统方案降低37%;国内企业则侧重异构网络融合,中国移动设计院提出的5G LAN架构使工业场景通信可靠性提升至99.99%。

qq_31310977的博客 1698

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 208

CH-x01&ICU-x0201-问答专题

CH201在近距离30cm和远距离1.8m左右测距误差是最大的,误差可能>3 cm。在中间部分测距误差是<2cm的,因为考虑到安装测试治具也存在误差,所以整个范围设置在±3cm。

nicole088的专栏 382

第十二章 供水管网水力模型软件介绍

本文介绍了国内外主要供水管网建模软件及其特点,重点分析了某高建模软件V14的创新功能。国际主流软件包括开源的EPANET、商业软件InfoWorksWS、WaterGEMS和MIKEURBAN,各具特色但存在应用局限。某高V14软件实现了管网GIS与模型一体化管理,采用一G多网、一网多模、一模多案、网模合一技术路线,支持全信息模型建立和动态数据更新。其创新点包括水量分配理念革新(精确/模糊匹配、三种用水模式)和首创Web服务功能。通过并发计算、GPU加速等技术优化性能,具有较高性价比。

weixin_45258875的博客 210

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 345

71.qt quick-可伸展菜单-抽屉栏示例 通用QML界面(一键换肤)

特点: 支持动态添加item、删除item、自适应界面 附带添加删除、展开等动画 同时支持qwidget、qml加载 支持number提示(比如消息数量等) 侧边抽屉栏支持动画伸展 支持换肤、拖拽、最大化等

抵抗时间扭曲,坚持做一件有意义的事 5287

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 351

Python爬虫实战:模拟登录知乎 – 通过加密参数和验证码实现自动登录

通过本篇博客的讲解,我们学习了如何通过 POST请求 和 验证码识别,模拟登录知乎并爬取用户信息、问题数据。随着爬虫技术的发展,面对更复杂的反爬虫机制,我们可以不断调整策略,以绕过这些防护,实现数据的自动化抓取。

2201_76125261的博客 731

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 87

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

从设备增点到治理闭环:老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账,执行到期提醒、收入核验、异常标色和月度对账,让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题,津南以6类小区为试点场景,统一建设物业数字化底座,关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理,将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账,解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库,辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题;

wuyeshuzhihua的博客 163

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

企业微信iPad协议详解:接口接入、实时消息同步与语音转码实践

深入解析企业微信iPad协议的技术架构与开发思路,涵盖API接口接入、长连接通信、实时消息同步、Silk语音转码、异常重连及高并发优化,帮助开发者了解企业微信自动化系统的设计与实现。

欢迎来到祖安! 514

Product Hunt 热榜 2026-11-13:Plurai Simulation、YouArt Desktop App、Omnigraph

2026-11-13 Product Hunt 新产品精选:Plurai Simulation、YouArt Desktop App、Omnigraph。汇总 15 款产品的中文介绍、功能关键词和产品链接。

LaughingZhu的博客 618

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和,本文主要介绍AI Agent的测评、可观测等知识。

408

Docling 原理解读:是什么、为什么、怎么样

从论文视角拆解 Docling 的整体架构、DoclingDocument 数据模型、PDF 预处理、版面分析、OCR、TableFormer 双解码器、阅读顺序与装配流程,并解释版面框与 OCR 框的区别。

PLANTTHESON的博客 402

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程,跟着博主一起来还原整个过程。

夜郎King的博客 5165

从认识人工智能到理解机器学习:我的 AI 入门第一课

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。上午的课程更偏向行业全景:人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础:机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 572

企业宣传片发前如何批量排查并遮挡视频里的敏感信息

做企业视频的人都会碰到一个具体问题:实拍画面里混进了不该出现的信息。办公室背景里有贴着客户信息的白板,采访对象的授权书边缘露出一串身份证号码,街采素材里路人面孔和车牌号直接入镜。人眼在时间线上扫视,会漏掉快速闪过的帧、画面边缘的小字、以及暗光区域里的证件号码。用抹影AI完成车牌、人脸和证件区域批量检测后,又手动补充了两个时间段的屏幕遮罩,最终导出时画面已无合规隐患。重点关注快速运动、遮挡、低光照条件下的目标,这些是漏检的高发区域。导入视频后选择要检测的目标类型(人脸、车牌、证件号、二维码等)。

Mysssone的博客 182

面向工业对讲的双通道声学 DSP 模组 A-59(NR2050-A)方案解析与工程落地案例

A-59模组以NR2050-A DSP为核心,37.5×16mm邮票孔封装,支持-40℃~85℃工业温域,兼容A-06/A-09/A-29系列,可低成本替换存量设备。通过固件切换实现三种模式:模式一(低改版成本,适配矿井、电梯);模式二(最优AEC,用于医院呼叫);模式三(双波束独立输出,支持双人会议语音分离)。集成AEC、ENC、BF与AGC算法,有效抑制回声、噪声与串扰,解决对讲系统核心声学难题。选型需注意参考信号路径、麦间距与温度匹配,建议先做声学测试再量产。

R190_6589的博客 374

SAP商业AI正式通过网信备案:企业落地AI五问

中数通“CDC商业AI”通过广东网信部门备案,标志着SAP商业AI在华本地化迈出关键一步。然而,合规仅是起点,企业真正需关注的是:AI能否融入核心流程、数据治理是否健全、责任归属是否清晰、价值衡量机制是否建立。从“可用”到“用好”,关键在于工作流重构、跨团队协同与业务结果导向的评估体系。国产模型成本优势与本地部署能力为ERP深度集成提供可能,但真正的竞争力仍在于对数据、流程与业务上下文的理解力。

Acloudear的博客 215
上一篇: 用 crossbeam-epoch 破除无锁悬垂指针:世代内存回收(EBR)原理与生产落地
下一篇: Rust 1.82+ const 泛型进阶:在编译期验证网络报文定长缓冲区与协议约束
第一程序员
博客等级 码龄1年 1万+粉丝 1827原创
评论
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