BlinkOn9 - Blink Rendering

本次分享重点介绍了BlinkRendering项目中的三个核心部分:RootLayerScrolling改进滚动处理,LayoutNG重构排版逻辑,以及SlimmingPaint优化绘制过程。这些改进旨在提高浏览器性能并减少内存消耗。

作者在 4 月 18~19 期间和同事一起在湾区参加了为其两天的 BlinkOn 9 会议。每次 BlinkOn 都是了解当前 Blink & Chrome 和 Web 技术演进现状和发展方向的一个不错机会,两天的会议下来大概听了 6 ~ 7 场分享,有些主题是之前已经有所了解,这次又更新了最新的进展信息;有些主题则是完全陌生,在这次 BlinkOn 上才第一次知悉。作者接下来会撰写一系列文章,每篇文章针对一个特定的主题,尽可能把相关的信息回馈给读者。

BlinkOn9 上 Blink Rendering - Rebuilding the Engine Mid-Flight 还是信息量比较足的一场分享,几位分享的 Googler 对 Blink 里面的祖传代码的怨念之深,从 “Rebuilding the Engine Mid-Flight” 这个副标题也可窥一斑,在现场听的时候更是让人印象深刻(笑)。

所谓 Blink Rendering,确切地说只包括:

  1. Layout —— 决定每个排版对象的大小和位置;
  2. Compositing setup —— 决定哪些排版对象需要生成合成图层,决定最终的合成图层树结构;
  3. Paint —— 以 display list 的形式记录每个合成图层的绘制内容(绘制指令);

而光栅化和合成的部分,那是在 Blink 之外由合成器负责的,不属于 Blink 的范畴。

分享的内容可以大致分为两部分,第一部分简单介绍了浏览器渲染的一些内部实现,作为后续内容的背景知识,在这里本文就不再重复,感兴趣的读者自行看一下分享的幻灯片,或者也可以参考作者的另外一篇文章 - 浏览器渲染流水线解析与网页动画性能优化,这篇文章提供了关于浏览器渲染的更多信息。

第二部分主要是讲述已经完成和进行中的三个项目,分别和滚动,绘制和排版相关。

Root Layer Scrolling

滚动处理相关代码由于历史原因,文档滚动和 Div 滚动一直是分开的不同代码,而现在浏览器的滚动处理逻辑越来越复杂,两套功能相似的代码给维护者带来了极大的痛苦,Root Layer Scrolling 这个项目主要的目标就是统一代码,移除大量重复的代码,提供更好的代码可维护性,并为后续其它功能和性能优化项目打下基础。相关的实现已经在 M66 上上线。

Layout NG

排版的组合爆炸

排版相关代码也是一个历史非常悠久的部分,关于 Blink 里面代码的可读可理解可维护性的吐槽,排版是当之无愧的排在第一位的。

排版逻辑之所以复杂,组合爆炸是一个重要原因,CSS Custom Layout 又加剧了这一点。Blink 目前的排版相关代码最远可以追溯到 KHTML 时期(KHTML -> WebKit -> Blink),存在缺少模块化,缺少封装,不可重入,非线程安全等诸多问题。Layout NG 项目 主要就是解决以上问题,该项目计划重构整个 Blink 排版相关代码,支持子树排版,多线程,将绘制部分移到其它线程等等。不过这个项目才刚刚开始,看起来任重而道远。

Slimming Paint

这是分享内容最多的,也作者一直以来比较关注的项目。合成图层的概念和架构是 Apple 最早引入 WebKit 的,当时主要是解决在图层内容没有发生变化的状况下,因为滚动,矩阵变换,透明变化等原因导致图层不断重复光栅化的问题。但是沿袭至今的处理逻辑,就是目前先排版,然后更新合成图层树,然后更新绘制,接下来再交由合成器在合成线程去做光栅化和合成的方式存在诸多问题,有绘制正确性的,也有性能的,Slimming Paint 项目就是为了解决上述问题。

问题的根源是在于合成图层树是由 Blink 根据排版的结果来生成的,而更合理的逻辑是由合成器根据绘制的结果,和当前帧的各个绘制元素的合成属性(滚动位置,变换矩阵等)来决定合成图层树。

目前存在的问题包括:

根本性合成错误
  1. 无法解决的根本性合成错误,因为单纯根据排版结果,需要提升成合成图层的排版对象缺少足够的信息而没有获得提升,导致遮挡错误。上图显示了一个这样的错误,可以使用移动版 Chrome 访问这个网站查看(PC 版的 Chrome 因为合成图层的生成策略跟移动版有些差异,所以该页面可能不会出错);
  2. 为了避免合成器动画过程中产生遮挡错误,不得不把潜在的所有可能会 Overlap 的排版对象都提升成合成图层,从而导致图层爆炸,占用了大量内存;
  3. 更新合成图层树占用了主线程的 CPU 时间,而主线程又比较拥挤,要做的事情很多,导致其它关键任务更容易被阻塞;
  4. 妨碍了合成器更好地平衡性能和内存占用,根据不同设备和页面来调整合成图层的生成策略;
  5. 妨碍了将更多动画交由合成器去运行,获得更好的动画性能;

解决上述问题的方法就是,Blink 只负责排版和绘制,绘制根据排版的结果来为每个排版对象生成 display list。合成器接收 Blink 传递的 display list 和合成属性树,自己来决定如何生成合适的合成图层树,在保证正确性的前提下,更好平衡性能和内存占用。

Slimming Paint 项目当前还在进行中,比较完整的里程碑实现会在今年的下半年完成。

Slimming Paint + Viz

可以预想一下当 Slimming Paint 和 Viz 都完成后的最终状态,浏览器的渲染流水线分布在 Renderer 进程和 Viz 进程:

  1. Renderer 进程的 Blink 对外输出 display list 和合成属性树,提供足够的数据描述页面绘制的内容;
  2. Renderer 进程将上述数据序列化后通过 IPC 发送到 Viz 进程;
  3. Viz 进程的合成器根据 display list 和合成属性树来决定合成图层树的结构,并对 display list 进行光栅化;
  4. Viz 进程的合成器将光栅化后的结果合成输出;
标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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