psutil项目中Windows系统启动时间计算的优化
在系统监控工具psutil中,计算系统启动时间(boot_time)的功能在Windows平台上遇到了一个有趣的技术问题。当系统进入休眠或挂起状态后,传统的计算方法会出现偏差,导致返回的启动时间不准确。本文将深入分析这一问题及其解决方案。
问题背景
psutil是一个跨平台的系统监控库,其中的boot_time()函数用于获取系统启动时间戳。在Windows平台上,最初该函数基于GetTickCount64API实现。这个API返回系统自启动以来经过的毫秒数,但它有一个重要特性:不计算系统挂起(suspend)的时间。
当用户测试在VirtualBox虚拟机中挂起系统后重新运行程序时,发现boot_time()返回的值发生了变化。这是因为GetTickCount64没有将挂起时间计入系统运行时间,导致计算结果出现偏差。
Windows时间API比较
Windows提供了多种获取系统时间的API,各有特点:
-
GetTickCount64
- 返回系统启动后的毫秒数
- 不计入系统挂起时间
- 受系统时钟更新影响
-
QueryInterruptTime
- 类似GetTickCount64但计入挂起时间
- 需要Windows 7及以上版本
- 同样受系统时钟更新影响
-
NetStatisticsGet
- 通过工作站服务统计信息获取启动时间
- 计入挂起时间
- 不受系统时钟更新影响(固定为启动时刻的值)
-
其他方法
- 命令行工具如
net stats workstation和systeminfo也提供启动时间信息 - 但实现方式和准确性各不相同
- 命令行工具如
解决方案选择
经过评估,psutil最终选择了QueryInterruptTimeAPI作为解决方案。这个选择基于以下考虑:
- 它能够正确计入系统挂起时间,解决了原始问题
- 与
GetTickCount64一样,它会反映系统时钟更新,保持了跨平台行为一致性 - 虽然需要Windows 7+,但这对现代系统已不是限制
相比之下,NetStatisticsGet虽然能解决挂起问题,但它不反映系统时钟更新的行为与其他平台不一致,可能造成混淆。
技术实现
新的实现通过QueryInterruptTime获取系统启动后的精确时间(包括挂起时间),然后结合当前时间计算启动时间戳。这种方法既解决了挂起时间问题,又保持了与其他平台一致的行为特性。
总结
这个案例展示了系统监控工具在处理底层系统信息时面临的挑战。Windows平台提供了多种时间获取方式,各有优缺点。psutil通过仔细评估选择了最适合的API,既解决了技术问题,又保持了跨平台行为的一致性。这种对细节的关注正是psutil成为流行系统监控库的原因之一。
对于开发者而言,这个案例也提醒我们,在处理系统级信息时,需要深入理解所用API的精确行为,特别是在涉及系统电源状态变化等边界情况下。
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