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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C092
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00