mvfst 项目教程
1. 项目介绍
mvfst(发音为“move fast”)是 Facebook 开发的一个 C++ 实现的 IETF QUIC 协议的客户端和服务器端。QUIC 是一种基于 UDP 的可靠、多路复用的传输协议,旨在成为互联网标准。mvfst 的目标是构建一个高性能的 QUIC 传输协议实现,适用于互联网和数据中心的应用场景。
mvfst 已经在 Android 和 iOS 应用以及服务器上进行了大规模测试,并具备多种特性以支持大规模部署。
主要特性
-
服务器特性:
- 多线程 UDP 服务器,采用线程本地架构,能够扩展到多核服务器。
- 可定制的 Connection-Id 路由,默认实现与 katran API 集成,支持零停机重启服务器。
- 零 RTT 连接建立和可定制的零 RTT 路径验证。
- 支持 UDP 通用分段卸载(GSO)以加速 UDP 写入。
-
客户端特性:
- 原生 IPv4 和 IPv6 之间的 Happy Eyeballs 支持,应用程序无需自行实现。
- 可插拔的拥塞控制,支持关闭拥塞控制以插入应用程序特定的控制算法。
2. 项目快速启动
2.1 环境准备
在开始之前,确保你的系统已经安装了以下依赖:
- Python 3.6 或更高版本
- CMake
- 其他构建工具(如
make、gcc等)
2.2 克隆项目
首先,克隆 mvfst 项目到本地:
git clone https://github.com/facebookincubator/mvfst.git
cd mvfst
2.3 构建项目
使用 getdeps.py 脚本进行构建:
./build/fbcode_builder/getdeps.py build mvfst --install-prefix=$(pwd)/_build
2.4 运行示例客户端和服务器
构建完成后,可以在 _build 目录下找到示例客户端和服务器:
cd $(python3 ./build/fbcode_builder/getdeps.py show-build-dir mvfst)/quic/samples/echo
启动服务器:
./echo -mode=server -host=::1 -port=4433
启动客户端:
./echo -mode=client -host=::1 -port=4433
3. 应用案例和最佳实践
3.1 大规模部署
mvfst 已经在 Facebook 的 Android 和 iOS 应用中进行了大规模测试,并且在大规模服务器部署中表现出色。其多线程架构和可定制的 Connection-Id 路由使其能够轻松扩展到多核服务器。
3.2 零停机重启
通过与 katran API 集成,mvfst 支持零停机重启服务器,确保应用程序在重启时不会丢失连接。
3.3 高性能 UDP 写入
mvfst 支持 UDP 通用分段卸载(GSO),可以显著提高 UDP 写入的性能,适用于需要高吞吐量的应用场景。
4. 典型生态项目
4.1 Proxygen
Proxygen 是 Facebook 开发的一个 HTTP/3 实现,使用了 mvfst 作为其 QUIC 传输层。Proxygen 提供了完整的 HTTP/3 支持,适用于需要高性能和低延迟的 Web 服务。
4.2 katran
katran 是 Facebook 开发的一个高性能第 4 层负载均衡器,与 mvfst 集成,提供了零停机重启和 Connection-Id 路由等功能。
4.3 folly
folly 是 Facebook 开发的一个 C++ 库集合,提供了许多高性能的数据结构和算法。mvfst 依赖于 folly 进行构建和运行。
通过这些生态项目,mvfst 可以与其他高性能基础设施组件无缝集成,提供全面的解决方案。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00