使用指南:Facebook的增强流量控制(Augmented Traffic Control)
一、项目介绍
增强流量控制(Augmented Traffic Control,简称ATC) 是Facebook开发的一款工具,用于模拟各种网络条件。该工具允许开发者控制设备到互联网的连接状态,从而能够在不同的网络环境下测试应用程序,包括高速、移动网络乃至网络条件严重受限的情况。ATC能够调控的网络方面包括带宽、延迟、丢包率、数据包损坏及数据包顺序等。它需部署在能够路由并直接看到真实IP地址的设备上(如网络网关),以影响通过它的所有设备的流量。
ATC由多个组件构成,包括atcd守护进程、基于Django的RESTful接口django-atc-api、简单Web UIdjango-atc-demo-ui以及一个用于存储调节配置的Django应用django-atc-profile-storage,便于重用设置而无需重复输入。
二、项目快速启动
环境要求
- Python 2.7(请注意,这个项目是基于较旧的Python版本)
- Django 1.10
- 其他依赖项通过pip自动处理
安装步骤
-
安装ATC组件
pip install atc_thrift atcd django-atc-api django-atc-demo-ui django-atc-profile-storage django-admin startproject atc_project cd atc_project -
配置Django项目 修改
settings.py,添加ATC相关的应用程序到INSTALLED_APPS。INSTALLED_APPS += ( 'rest_framework', 'atc_api', 'bootstrap_themes', 'django_static_jquery', 'atc_demo_ui', 'atc_profile_storage', ) -
配置URL路由 在
urls.py中包含ATC的应用路由。from django.urls import include, path ... urlpatterns = [ path('api/v1/', include('atc_api.urls')), path('atc_demo_ui/', include('atc_demo_ui.urls')), path('api/v1/profiles/', include('atc_profile_storage.urls')), path('', RedirectView.as_view(url='atc_demo_ui/', permanent=False)), ] -
运行数据库迁移
python manage.py migrate -
启动服务 分别启动
atcd守护进程(需要sudo权限)和Django服务器。sudo atcd python manage.py runserver 0.0.0.0:8000
现在,你应该可以通过访问http://localhost:8000来查看和管理网络模拟界面了。
三、应用案例和最佳实践
ATC特别适用于应用程序的前端开发者和性能测试工程师,他们可以利用它来测试应用程序在不同网络环境下的表现,比如:
- 测试移动应用在2G、3G、4G及Wi-Fi环境中的加载速度和响应时间。
- 模拟国际漫游时的高延迟情况,确保应用体验不受影响。
- 开发者可以创建一系列预设的网络配置文件,便于快速切换不同的测试场景,实现高效的迭代测试。
最佳实践:
- 利用预定义的网络状况档案加速测试周期。
- 开发自动化脚本与ATC的API集成,进行持续集成过程中的网络适应性测试。
- 在团队内部共享和复用网络模拟配置,提高效率。
四、典型生态项目
虽然ATC主要是独立使用的,但其设计上的模块化促进了与其他系统的集成。例如,结合CI/CD工具(如Jenkins或GitLab CI/CD)可以帮助自动化不同网络环境下的测试流程。此外,开发者社区可能会构建额外的UI界面、命令行工具或其他辅助工具,围绕ATC形成更广泛的应用生态系统,促进更复杂场景下的网络模拟需求。不过,请注意,由于该项目已被归档,可能不再活跃更新,寻找相关生态扩展时要确认兼容性和活性。
以上就是关于Augmented Traffic Control的基本使用指南,帮助你迅速开始使用这个强大的网络模拟工具。鉴于项目的归档状态,开发新功能或解决特定问题时,请考虑迁移至更新的或支持最新技术的替代方案。
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