Puerts项目中的Unity IL2CPP优化实践
背景介绍
Puerts是一个将JavaScript/TypeScript与Unity游戏引擎集成的技术方案,它允许开发者使用JS/TS来开发Unity游戏。在Unity的IL2CPP后端下,Puerts面临着一些性能优化挑战,特别是在类型注册、反射调用和内存管理等方面。
核心优化点
类型注册逻辑优化
原始的类型注册(TypeRegister.cs)是在C#层面实现的,这会导致从C#侧反射获取Type或MethodInfo等元数据时,产生il2cpp元数据对象到C#对象的映射缓存。这个缓存存在两个问题:
- 永远不会被删除
- 容量不足时采用翻倍扩容策略
优化方案是将这部分逻辑迁移到C++实现,通过更底层的处理来提升性能。
函数包装支持
createFunction功能增加了对wrapper的支持,这依赖于类型注册的优化。在C++侧实现了signature计算,使得函数包装更加高效。
反射调用无GC优化
当前实现中,参数为值类型时已经实现了无GC,但返回值是值类型时仍然会产生GC。通过引入更底层的接口,可以完全消除反射调用中的GC分配。
私有函数访问优化
私有函数的访问也增加了wrapper支持,与公有函数访问保持一致的性能水平。
对象池优化尝试与回退
最初尝试将ObjectPool改为C++实现,使用unordered_set配合il2cpp::gc::Allocator。在V8环境下测试通过,但在QuickJS版本支持IL2CPP后发现问题:
- 测试用例随机失败
- 发现对象在释放前被重新创建,表明已被C# GC回收
- unordered_set无法防止GC回收
回退到保守的ObjectPool方案后,发现需要手动设置写屏障(SetWriteBarrier)来正确管理对象生命周期。这类似于il2cpp自身在AppDomain数据存储中的做法,通过显式调用GC写屏障来确保对象不被意外回收。
其他优化方向
除了IL2CPP特定优化外,项目还规划了跨版本的通用优化:
- 支持FieldInfo自动转换为getter/setter函数
- 实现JS数组到C#数组的自动转换
- 优化字符串处理,利用V8原生UTF16支持减少编码转换
- 迁移代码生成到基于Cecil的方案,解决条件编译导致的wrapper代码问题
对于P/Invoke版本,还计划优化字符串编组处理,使用系统自带的编组方法比手动调用Encoding.UTF8.GetBytes性能更好且GC更少。
技术启示
从这些优化实践中可以得到几点重要启示:
- 跨语言交互的性能瓶颈往往出现在类型系统和内存管理边界
- GC行为在不同环境下表现可能不同,需要全面测试
- 底层运行时提供的特殊机制(如写屏障)对性能优化至关重要
- 渐进式优化和及时回退是保证稳定性的重要策略
这些优化不仅提升了Puerts在IL2CPP下的性能,也为其他需要深度集成脚本引擎的项目提供了宝贵经验。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00