Speedtest Tracker项目实现服务器黑名单功能的技术解析
背景介绍
在网络测速工具Speedtest Tracker的开发过程中,开发者发现现有的Ookla Speedtest CLI工具已经移除了--exclude参数功能,这导致用户无法主动排除某些不理想的测速服务器。针对这一需求,项目决定实现一个"服务器黑名单"功能,让用户能够自主选择排除某些不希望使用的测速节点。
技术实现方案
服务器列表获取方式
经过技术调研,项目团队确定了两种可行的服务器列表获取方案:
-
使用CLI内置命令:通过执行
speedtest --servers --format=json命令,可以获取Ookla算法认为"最适合用户"的服务器列表。这个列表是经过Ookla服务器选择算法优化排序后的结果。 -
直接调用API接口:通过访问
www.speedtest.net/api/js/serversAPI端点,同样可以获取服务器列表,但测试发现这种方式获取的列表与CLI命令结果存在一定差异。
经过评估,方案1被确定为更优选择,因为:
- 它很可能与CLI工具内部使用的服务器选择逻辑一致
- 返回结果已经经过优化排序
- 不需要额外的API调用处理
黑名单功能实现流程
完整的黑名单功能实现将遵循以下技术流程:
- 获取初始服务器列表:调用CLI命令获取本地可用服务器列表,结果按Ookla算法排序
- 应用黑名单过滤:从列表中移除用户配置的黑名单服务器
- 选择最优服务器:选取过滤后列表中的第一个服务器(即剩余服务器中最优选择)
- 执行测速操作:使用选定的服务器进行实际测速
技术细节分析
服务器列表数据结构
从CLI获取的JSON格式服务器信息包含以下关键字段:
{
"id": 56485,
"host": "example.nj.speedtest.example.com",
"port": 8080,
"name": "Example",
"location": "Example, NJ",
"country": "United States"
}
值得注意的是,虽然--selection-details参数会显示服务器延迟信息,但常规的--servers命令输出中并不包含延迟数据。不过,这并不影响功能实现,因为服务器列表本身已经按照Ookla的优化算法排序。
服务器选择算法
测试发现,服务器列表的排序并非单纯基于延迟,而是综合考虑了多种因素:
- 网络延迟(latency)
- 服务器负载
- 地理位置
- 网络路径质量等
这种复合排序算法确保了即使用户排除了某些服务器,剩余列表中的第一个服务器仍然是相对最优的选择。
用户体验优化
该功能的实现将显著提升用户体验:
- 用户可以主动排除已知性能不佳的服务器
- 系统会自动选择剩余服务器中的最优选项
- 整个过程对用户透明,无需复杂配置
- 随着网络环境变化,系统会自动适应新的最优服务器选择
未来扩展方向
虽然当前实现已经满足基本需求,但仍有进一步优化的空间:
- 增加图形化界面配置黑名单功能
- 实现基于历史测速数据的智能服务器推荐
- 支持多黑名单策略(按地区、运营商等分类)
- 增加服务器性能评分系统
总结
Speedtest Tracker通过实现服务器黑名单功能,为用户提供了更精准的测速体验。该方案巧妙地利用了Ookla CLI现有的服务器选择机制,通过前置过滤的方式实现了服务器排除功能,既保证了测速结果的准确性,又提供了用户期待的灵活性。这一功能的加入使得Speedtest Tracker在网络性能监测工具中更具竞争力。
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