IrisShaders项目中的JVM崩溃问题分析与修复
2025-06-24 10:36:20作者:盛欣凯Ernestine
问题背景
在Minecraft 1.21版本中,当使用Iris渲染器配合Sodium时,如果BlockEntityRenderer尝试渲染一个顶点数超过50000的模型,会导致JVM崩溃。这个问题在Windows 10系统、NVIDIA GeForce GTX 1070显卡环境下尤为明显。
技术分析
问题根源
该问题的核心在于Iris的MixinBufferBuilder::fillExtendedData方法在处理ByteBufferBuilder增长时存在缺陷。具体表现为:
- iris$beforeNext方法保存了直接内存指针到vertexPointers中
- 调用fillExtendedData方法修改四边形数据
- 当BufferBuilder需要添加大量顶点时,ByteBufferBuilder会扩展其大小
- 扩展过程中会重新分配内存到新地址
- 导致vertexPointers中部分指针指向已释放的旧缓冲区,部分指向新缓冲区
- 最终MemoryUtil.memPutFloat调用时引发JVM崩溃
内存管理细节
在正常渲染过程中,BufferBuilder会维护一个顶点缓冲区。当顶点数量超过当前缓冲区容量时,系统会:
- 分配一个新的更大的缓冲区(通常是原大小的两倍)
- 将现有数据复制到新缓冲区
- 释放旧缓冲区
问题在于Iris的扩展数据处理机制没有考虑到这种缓冲区重新分配的情况,导致部分指针失效。
解决方案
Iris开发团队在1.8.0-beta.3+mc1.21.1版本中修复了这个问题。修复方案可能包括:
- 在缓冲区重新分配时更新所有相关指针
- 实现更安全的指针管理机制
- 添加缓冲区增长时的状态检查
开发者建议
对于需要渲染高顶点数模型的开发者:
- 尽量将模型分割为多个部分渲染
- 避免在单个BlockEntityRenderer中渲染过多顶点
- 使用最新版本的Iris渲染器
- 在开发过程中监控顶点数量和内存使用情况
总结
这个案例展示了在图形渲染中内存管理的重要性,特别是在处理大规模顶点数据时。Iris团队的修复确保了在高负载情况下的稳定性,为Minecraft模组开发者提供了更可靠的渲染基础。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
FreeSql功能强大的对象关系映射(O/RM)组件,支持 .NET Core 2.1+、.NET Framework 4.0+、Xamarin 以及 AOT。C#00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
655
4.25 K
deepin linux kernel
C
27
14
Ascend Extension for PyTorch
Python
498
604
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
390
282
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.53 K
889
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
938
859
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.07 K
557
暂无简介
Dart
902
217
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
132
207
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
124
195