Apollo项目中的防火墙与端口转发问题解决方案
问题背景
在使用Apollo或Sunshine进行游戏串流时,许多用户会遇到一个常见错误提示:"Check your firewall and port forwarding rules for ports: UDP 47998 and UDP 48000"。这个错误通常发生在选择显示器或启动串流会话时,表现为间歇性连接失败或黑屏现象。
问题根源分析
经过技术分析,该问题主要源于以下几个技术因素:
-
端口冲突:Apollo/Sunshine默认使用47984和47989端口进行串流,而47998和48000端口则用于服务发现和配置。当这些端口号设置过于接近时,可能导致功能重叠。
-
多显卡环境:在配备多显卡的系统中,Windows应用程序选择GPU的方式可能导致串流会话无法正确建立。首次从显卡A连接的显示器串流后,若尝试从显卡B连接的显示器串流,必须重启程序。
-
直接网络连接配置:部分用户尝试通过以太网线直接连接两台电脑,但Windows对这种连接方式需要特殊网络配置,容易导致连接问题。
解决方案
端口配置调整
-
避免使用默认端口附近的端口号(如47998),建议改为间隔较大的端口号,例如46989和48989。
-
确保防火墙允许这些端口的UDP通信,即使在内网环境中也需要检查防火墙设置。
多显卡系统优化
-
启用Apollo中的"Headless Mode"(无头模式),该模式强制所有会话使用虚拟显示器,避免因切换不同GPU连接的显示器而导致的问题。
-
注意:Apollo内置了虚拟显示功能,无需额外安装虚拟显示驱动程序。
网络连接建议
-
避免直接使用以太网线连接两台电脑,这种连接方式在Windows下需要复杂的网络配置。
-
建议通过路由器建立网络连接,确保DHCP服务正常工作,简化网络配置。
技术原理深入
当Apollo/Sunshine启动串流会话时,会经历以下关键步骤:
- 服务发现:通过UDP 48000端口广播服务可用性
- 会话协商:使用UDP 47998端口进行初始配置
- 视频流传输:通过主端口(默认47984)传输视频数据
在多显示器/多GPU环境中,Windows的显示子系统会为每个物理显示器创建独立的显示路径。当串流客户端尝试捕获不同显示器的内容时,如果这些显示器连接在不同的GPU上,可能导致资源分配冲突。启用无头模式后,系统会创建一个虚拟显示器,所有串流会话都基于这个统一的目标,从而避免了多显示器环境下的兼容性问题。
最佳实践建议
- 对于家庭网络环境,建议使用标准路由器连接设备,而非直连
- 在多GPU系统中,优先使用连接主显卡的显示器或启用无头模式
- 定期检查端口占用情况,避免端口冲突
- 在更改设置后,完全重启Apollo/Sunshine服务以确保配置生效
通过以上方法,大多数用户应该能够解决"Check your firewall and port forwarding rules"错误,获得稳定的游戏串流体验。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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