Puerts项目中Promise未处理拒绝的内存管理优化
2025-06-07 07:35:11作者:姚月梅Lane
问题背景
在JavaScript异步编程中,Promise是处理异步操作的核心机制。Puerts项目作为Unity和Unreal引擎的TypeScript/JavaScript绑定解决方案,其Promise实现的内存管理机制对应用性能有着重要影响。
核心问题分析
在Puerts当前的Promise实现中,存在一个潜在的内存管理问题:当Promise链中出现未捕获的异常时,该Promise会被存储在一个WeakMap中(maybeUnhandledRejection),但某些情况下这些Promise不会被及时清理。
典型场景示例:
let p = new Promise((resolve) => resolve(1));
p.then(() => {
throw new Error("error msg");
});
这种情况下:
- 会触发kPromiseRejectWithNoHandler事件
- Promise被存入maybeUnhandledRejection
- 但由于没有后续的catch处理,不会触发kPromiseHandlerAddedAfterReject事件
- 导致Promise在WeakMap中长期驻留
技术影响
这种实现方式会导致:
- 内存峰值升高:如果Promise上下文包含全局变量,会延长这些变量的生命周期
- 内存泄漏风险:未被及时清理的Promise可能持有不必要的引用
- 与Node.js行为不一致:Node.js通过task processPromiseRejections机制定期清理
解决方案
经过讨论,确定的最佳解决方案是在默认拒绝处理函数中直接清理WeakMap:
function unhandledRejection(promise, reason) {
const promiseInfo = maybeUnhandledRejection.get(promise);
if (promiseInfo === undefined) return;
maybeUnhandledRejection.delete(promise);
if (!puer.emit('unhandledRejection', promiseInfo.reason, promise)) {
unhandledRejectionWarning(reason);
}
}
实现优势
这种改进方案:
- 简单直接:无需引入复杂的任务调度机制
- 内存友好:确保未处理的Promise能被及时清理
- 行为一致:与常见JavaScript运行时的预期行为更接近
- 跨引擎适用:对Unity和Unreal引擎都有效
深入思考
为什么Node.js选择使用task处理?可能的考虑:
- 批量处理:可以一次性处理多个未处理的Promise拒绝
- 性能优化:避免频繁的WeakMap操作
- 时序控制:确保在适当的时候执行清理
但对于Puerts这样的游戏引擎绑定方案,直接清理的方案更为合适,因为:
- 游戏对内存更为敏感
- Promise链通常不会过于复杂
- 需要更确定性的内存行为
总结
Promise的异常处理机制对应用的内存管理至关重要。Puerts通过优化未处理拒绝的清理机制,有效降低了内存占用风险,使开发者能够更安全地使用Promise进行异步编程。这一改进体现了对JavaScript运行时细节的深入理解和对游戏开发特殊需求的考量。
登录后查看全文
热门项目推荐
相关项目推荐
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
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
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
315
2.74 K
deepin linux kernel
C
24
7
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
639
246
仓颉编译器源码及 cjdb 调试工具。
C++
124
852
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
470
Ascend Extension for PyTorch
Python
155
178
暂无简介
Dart
606
136
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
240
85
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
364
3.02 K
React Native鸿蒙化仓库
JavaScript
238
310