PresentMon项目:将内核迁移至独立进程的技术实践
2025-07-05 20:32:20作者:江焘钦
在游戏性能监控工具PresentMon的开发过程中,团队面临了一个重要的架构调整需求——将原本位于渲染进程中的内核(Kernel)迁移到一个独立的根进程中。这一技术决策不仅解决了CEF进程关闭时的稳定性问题,还提升了用户体验和系统安全性。
架构调整的背景与动机
PresentMon最初将Kernel放置在渲染进程中,主要是因为该部分与V8引擎有着紧密的耦合关系。然而,这种设计在实践中暴露出一些问题:
- 进程关闭问题:CEF(Chromium Embedded Framework)进程在关闭时会出现不稳定现象
- 权限问题:整个应用需要以管理员权限运行,影响用户体验和系统安全
- 架构耦合:内核功能与渲染进程过度绑定,不利于功能扩展和维护
将Kernel迁移到独立的根进程中,可以解决这些问题,同时也为未来功能扩展提供了更好的架构基础。
技术挑战与解决方案
迁移过程中,开发团队面临了几个关键的技术挑战:
进程间通信(IPC)机制重构
原先内核与前端直接通过CEF的CefValue结构进行通信,这种JSON-like的数据结构在新的架构中不再适用,因为独立的Kernel进程不应依赖CEF。团队考虑了多种替代方案:
- JSON文本+Nlohmann库:简单直接的文本序列化方案
- reflect::结构体序列化:基于反射的类型安全方案
- Cereal库:提供更灵活的序列化控制
最终,团队选择了结合reflect::和自定义序列化的混合方案,既保证了类型安全,又保持了足够的灵活性。
功能解耦与重组
迁移过程中,团队对原有功能进行了彻底的重构:
- 动作服务器与客户端代码:完全重写为进程间通信模式
- 管道写入机制:支持多线程安全写入,并引入协程互斥锁
- 会话上下文管理:改进查找机制,降低耦合度
- 双向全双工管道连接协议:建立对称的动作连接器
这些重构工作确保了新架构下的通信效率和稳定性。
关键技术实现细节
进程间通信基础设施
团队构建了一套完整的IPC基础设施:
- 保留式关闭机制:确保客户端/服务器IO上下文能够优雅关闭
- 分离事件分发系统:支持异步事件处理
- 带延续的分离分发:优化异步操作流程
- 信号系统迁移:将原有信号系统整合到动作事件系统中
功能模块独立化
- 热键系统隔离:将热键功能完全限定在CEF渲染进程中
- 调用管理器:实现端点名称到静态分发调用的转换
- 异步任务处理:在渲染进程中使用std::async处理适合的任务
- 保留动作机制:支持长时间运行的操作
V8数据转换
针对V8引擎的数据交互需求,团队开发了专门的转换工具:
- 静态结构体绑定:为V8转换建立类型安全的接口
- 推送规范动作:构建专门的静态响应结构
- 覆盖规范生成:迁移所有可能的动作端点,减少内核依赖
迁移实施过程
实际的迁移工作分为几个关键阶段:
- 内核进程项目创建:建立独立的KernelProcess项目
- 进程启动顺序调整:修改WinMain使内核进程作为父进程启动AppCef
- 功能迁移:将动作从渲染进程内核线程迁移到内核进程
- 用户体验优化:为内核进程添加图标和窗口分组支持
- 部署适配:调整安装程序以支持新的进程结构
- 签名验证:更新构建脚本以支持内核进程的代码签名
- 权限验证:确认非特权用户的z-band操作正常
- 命令行分离:为CEF和内核进程创建独立的CLI接口
- 日志系统重构:为两个进程建立独立的日志配置
成果与收益
通过这次架构调整,PresentMon获得了多方面的改进:
- 稳定性提升:解决了CEF进程关闭时的稳定性问题
- 安全性增强:应用可以以普通用户权限运行,减少安全风险
- 架构清晰:功能模块边界更清晰,便于维护和扩展
- 性能优化:新的IPC机制提高了通信效率
- 用户体验改善:减少了权限提示,操作更加流畅
这次架构迁移不仅解决了眼前的问题,还为PresentMon未来的功能扩展奠定了坚实的基础,展示了良好的软件架构设计在长期项目维护中的重要性。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (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
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137