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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00