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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00