Brave浏览器Windows平台CPU使用率异常问题分析与解决
问题背景
Brave浏览器团队在近期版本更新(v1.78.17到v1.78.18)后,通过性能监控系统发现Windows 11平台上的CPU使用率出现了显著上升。具体表现为浏览器进程的总CPU时间从1894.77ms增加到2060.05ms,增幅约8.7%。这一异常现象引起了开发团队的重视,因为CPU使用率的增加会直接影响设备的电池续航和整体性能体验。
初步分析
技术团队首先对性能数据进行了详细分析,发现以下几个关键点:
-
主要耗时增加区域:通过性能追踪工具分析,发现AdBlock相关组件的处理时间明显增加,特别是MakeEngineWithRules和OnResourcesLoaded等函数,增幅达到25%以上。
-
异常现象:奇怪的是,在版本变更记录中并没有发现任何与AdBlock组件相关的修改,广告过滤规则列表也保持未变状态。
深入调查
为了进一步确认问题原因,团队进行了以下工作:
-
对比构建测试:使用相同的代码构建版本进行对比测试,结果发现之前观察到的AdBlock相关耗时增加现象并未重现,反而出现了其他组件的性能波动。
-
环境因素排查:这一发现提示问题可能并非来自代码变更,而是测试环境本身发生了变化。经过仔细检查,发现测试机器上的Windows Defender防病毒软件被意外启用。
问题根源
Windows Defender的实时扫描功能会对浏览器进程进行深度监控,特别是当浏览器加载和解析广告过滤规则时,Defender会对这些操作进行额外的安全检查。由于AdBlock组件需要频繁地读取和解析大量规则数据,Defender的介入显著增加了CPU开销。
解决方案
团队采取了以下措施:
-
测试环境修复:在性能测试环境中正确配置Windows Defender,确保其不会干扰浏览器的正常运行。
-
验证效果:修复后重新运行性能测试,结果显示CPU使用率恢复到正常水平,确认问题已解决。
经验总结
这次事件为团队提供了宝贵的经验:
-
性能监控的重要性:完善的性能监控系统能够及时发现潜在问题,即使在没有代码变更的情况下。
-
环境一致性的关键性:测试环境的微小变化可能对性能指标产生重大影响,必须严格控制测试条件。
-
安全软件的影响:安全软件虽然必要,但其资源占用可能影响应用性能,在性能测试时需要特别注意。
通过这次事件,Brave团队进一步优化了测试流程,确保未来能够更准确地识别和解决性能问题,为用户提供更流畅的浏览体验。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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-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
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