Unity Netcode for GameObjects 中 NetworkManager 关闭顺序问题解析
事件触发顺序问题
在 Unity Netcode for GameObjects (NGO) 中,开发者发现了一个关于 NetworkManager 关闭顺序的重要问题。当服务器停止时,NetworkManager.OnServerStopped 事件的触发时机存在问题 - 它会在 NetworkManager.CustomMessagingManager 被置为 null 之后才被调用。
这个问题的核心在于事件处理的生命周期管理。开发者通常需要在服务器停止时进行资源清理,包括取消注册消息处理器等操作。但由于 CustomMessagingManager 提前变为 null,导致无法正确执行这些清理操作。
问题影响
这个问题主要影响以下开发场景:
- 静态事件处理模式:当开发者使用静态类来处理网络事件时,无法在适当时机取消事件订阅
- 资源清理:无法在服务器停止时正确释放与消息处理相关的资源
- 代码一致性:与 NetworkTickSystem 的行为不一致(后者在 OnServerStopped 之后才被置为 null)
解决方案
NGO 团队已经通过添加新的预关闭事件来解决这个问题。新版本中引入了 NetworkManager.OnPreShutdown 事件,它会在 NetworkManager 开始关闭流程之前触发。这个改进为开发者提供了以下优势:
- 正确的清理时机:可以在 CustomMessagingManager 变为 null 之前取消事件订阅
- 更精细的控制:提供了更细粒度的事件生命周期管理
- 向后兼容:不影响现有代码的行为
最佳实践
基于这个改进,开发者可以按照以下模式处理网络事件:
private static void OnNetworkInstantiated(NetworkManager networkManager)
{
// 注册事件处理器
networkManager.OnPreShutdown += OnPreShutdown;
networkManager.OnServerStarted += OnServerStarted;
// 其他事件注册...
}
private static void OnPreShutdown()
{
// 在关闭前执行清理
if(NetworkManager.Singleton.CustomMessagingManager != null)
{
NetworkManager.Singleton.CustomMessagingManager.OnUnnamedMessage -= MessageHandler;
}
}
技术背景
这个改进反映了网络编程中一个重要的设计原则:资源清理应该遵循与初始化相反的顺序,并且应该在资源仍然有效时进行。NGO 团队通过引入预关闭事件,为开发者提供了遵循这一原则的能力。
在底层实现上,NetworkManager 现在的事件触发顺序变为:
- OnPreShutdown
- 内部资源清理(包括将 CustomMessagingManager 置为 null)
- OnServerStopped/OnClientStopped
总结
Unity Netcode for GameObjects 的这一改进展示了框架对开发者实际需求的响应能力。通过提供 OnPreShutdown 事件,NGO 为开发者提供了更灵活、更可靠的网络生命周期管理方式。开发者现在可以更安全地处理网络资源的初始化和清理,编写出更健壮的网络游戏代码。
这一变化将在 NGO 的下一个版本中发布,开发者可以期待更稳定的网络事件处理体验。对于需要精确控制资源生命周期的复杂网络游戏,这一改进尤为重要。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
Baichuan-M3-235BBaichuan-M3 是百川智能推出的新一代医疗增强型大型语言模型,是继 Baichuan-M2 之后的又一重要里程碑。Python00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00