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。
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-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00