笔记:Chrome 对浏览器的改进

本文介绍Chrome浏览器如何通过多进程架构及网络栈优化实现高性能网络访问。包括预解析DNS、预连接TCP等技术,显著降低延迟,提升用户体验。

最近公司架构师推荐看了一篇文件,觉得写得很好,特做笔记:

http://aosabook.org/en/posa/high-performance-networking-in-chrome.html


过去的浏览器只有一个进程,所有打开的 page 都共用同一个内存地址空间,任何地方发生的错,都回影响整个进程。

chrome 是基于多进程模式,每一个tab都是一个单独进程,由此提供隔离的内存和安全sandbox


web 程序的执行包括3个方面

1)fetching resources  (using Blink)

2) page layout and rendering: ( v8 engine)

3) JavaScript executio:

后两个都是单线程的因为 DOM 的修改不能并发;而JS是单线程语言;但尤其现在cpu的强大,它们都不是瓶颈问题。

性能的瓶颈在第1) fetching resources


一个普通 page 包含下面的东西

  • 1280 KB in size
  • composed of 88 resources
  • connects to 15+ distinct hosts
所以网络传输在web应用时短和爆发性的


资源请求的过程

给定url, browser 首先判断是否在cache, html header有(ExpiresCache-Control, etc.),browser 就访问 cache ,否则花费时间的网络访问开始了。

包括

1) proxy 检查

2) dns

3)  tcp ( 三次握手 ), 如果是 ssl 增加2遍三次握手

4) 服务处理和相应


  • 50 ms for DNS
  • 80 ms for TCP handshake (one RTT)
  • 160 ms for SSL handshake (two RTTs)
  • 40 ms for request to server
  • 100 ms for server processing
  • 40 ms for response from the server
That’s 470 milliseconds for a single request

再看时间,用户可接受的latency 是1秒,所以必须大量减少,网络访问的开销。


Table 1.1 - User perception of latency
Delay User Reaction
0 - 100 ms Instant
100 - 300 ms Small perceptible delay
300 - 1000 ms Machine is working
1 s+ Mental context switch
10 s+ I’ll come back later…

原先以为这个开销是没办法减少的,但 google 的确通过改进 chrome 的 network stack 大大减少了这些开销

通过kernel process 的 network模块给其他模块提供统一的服务




好处是可以做 socket pool, socket resue, 验证, cookie, cache 可以被所有的 render 进程共享,还有利于优化


FYI

对于手机,平板上浏览器,其内存小,用电有限制,但用户开的页面也不多,chrome 根据内存大小来决定 render 进程的数目。如果资源太小,android退化为单线程多进程模式。对于手机需要考略 radio 的耗电, 付费网络的使用等因素


除了构造 network stack, chrome 对网络的优化 preXXXX ( 提前做某些事情)

Table 1.3 - Network optimization techniques used by Chrome
Technique Description
DNS pre-resolve Resolve hostnames ahead of time, to avoid DNS latency
TCP pre-connect Connect to destination server ahead of time, to avoid TCP handshake latency
Resource prefetching Fetch critical resources on the page ahead of time, to accelerate rendering of the page
Page prerendering Fetch the entire page with all of its resources ahead of time, to enable instant navigation when triggered by the user


但用户鼠标到某link(还没有点下), 当用户在 url 输入 xxx, 就先去做事情,当然只所以能做这些,是对用户行为进行追踪和统计,防止了无效的 preXXXX. 

除了这些 google 还发明一些标签,嵌入在 html 中,明确指示 chrome 做 preXXX 的事情。

看来只要仔细研究,是可以把一些不可能的事情变现实。

内容概要:本文介绍了一个基于MATLAB实现的无人机三维路径规划项目,采用蚁群算法(ACO)与多层感知机(MLP)相结合的混合模型(ACO-MLP)。该模型通过三维环境离散化建模,利用ACO进行全局路径搜索,并引入MLP对环境特征进行自适应学习与启发因子优化,实现路径的动态调整与多目标优化。项目解决了高维空间建模、动态障碍规避、局部最优陷阱、算法实时性及多目标权衡等关键技术难题,结合并行计算与参数自适应机制,提升了路径规划的智能性、安全性和工程适用性。文中提供了详细的模型架构、核心算法流程及MATLAB代码示例,涵盖空间建模、信息素更新、MLP训练与融合优化等关键步骤。; 适合人群:具备一定MATLAB编程基础,熟悉智能优化算法与神经网络的高校学生、科研人员及从事无人机路径规划相关工作的工程师;适合从事智能无人系统、自动驾驶、机器人导航等领域的研究人员; 使用场景及目标:①应用于复杂三维环境下的无人机路径规划,如城市物流、灾害救援、军事侦察等场景;②实现飞行安全、能耗优化、路径平滑与实时避障等多目标协同优化;③为智能无人系统的自主决策与环境适应能力提供算法支持; 阅读建议:此资源结合理论模型与MATLAB实践,建议读者在理解ACO与MLP基本原理的基础上,结合代码示例进行仿真调试,重点关注ACO-MLP融合机制、多目标优化函数设计及参数自适应策略的实现,以深入掌握混合智能算法在工程中的应用方法。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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