Bazzite项目中的电源管理性能问题分析与解决方案
2025-06-09 11:33:33作者:郜逊炳
问题背景
在Bazzite操作系统项目中,用户报告了一个严重的电源管理相关性能问题。当用户将电源配置文件设置为"performance"以外的模式时,系统性能会急剧下降,表现为基本操作如打开应用菜单需要超过10秒的响应时间。这一问题不仅影响了AMD Ryzen 7040系列处理器用户,也出现在Intel i9-13950HX vPro处理器的设备上。
问题现象与影响
受影响用户报告了以下典型症状:
- 系统响应速度显著下降,UI交互出现明显卡顿
- 长时间运行后出现USB设备异常
- 实时时钟(RTC)出现偏差
- 程序启动失败或随机崩溃
- 系统关机时出现挂起现象
这些问题在"performance"模式下不会出现,但在"power saver"和"balanced"模式下表现尤为明显。
技术原因分析
经过技术专家调查,发现问题根源在于TuneD电源管理工具对sysctl变量的处理方式。具体表现为:
- 默认的throughput-performance配置文件会设置vm.dirty_ratio和vm.dirty_background_ratio变量
- 当这些变量被设置时,系统会自动将vm.dirty_bytes和vm.dirty_background_bytes置为0
- 当切换到其他电源配置文件时,TuneD会将_ratio变量恢复为0,但不会恢复_bytes变量的原始值
- Bazzite默认配置使用_bytes变量而非_ratio变量
- 最终导致所有四个变量都被设置为0,造成严重的性能下降
解决方案
技术团队提出了以下解决方案:
- 创建自定义的throughput-performance配置文件,路径为/etc/tuned/profiles/throughput-performance-custom/tuned.conf,内容如下:
[main]
include=throughput-performance
[sysctl]
replace=1
vm.dirty_bytes = 0
vm.dirty_ratio = 40
vm.dirty_background_bytes = 0
vm.dirty_background_ratio = 10
vm.swappiness=10
net.core.somaxconn=>2048
-
修改/etc/tuned/ppd.conf文件,将performance=行更新为: performance=throughput-performance-custom
-
完成修改后需要重启系统使配置生效
解决方案原理
该解决方案通过以下方式解决问题:
- 明确设置所有相关的sysctl变量,避免变量冲突
- 使用replace=1确保变量设置顺序正确
- 保留合理的默认值,平衡性能与功耗
- 通过自定义配置文件覆盖默认行为
后续改进
虽然自定义配置文件可以解决问题,但需要注意:
- 这种解决方案会阻止未来默认性能配置文件的更新传播
- 社区已经提交了修复该问题的补丁,未来版本可能会包含原生解决方案
结论
Bazzite项目中的电源管理性能问题源于TuneD工具对系统变量的不当处理。通过创建自定义电源配置文件并明确设置相关系统参数,可以有效解决性能下降问题。这一解决方案已在社区得到验证,能够恢复系统在各种电源模式下的正常性能表现。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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
最新内容推荐
海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 ZLIB 1.3 静态库 Windows x64 版本:高效数据压缩解决方案完全指南 Adobe Acrobat XI Pro PDF拼版插件:提升排版效率的专业利器 32位ECC纠错Verilog代码:提升FPGA系统可靠性的关键技术方案 谷歌浏览器跨域插件Allow-Control-Allow-Origin:前端开发调试必备神器 Python案例资源下载 - 从入门到精通的完整项目代码合集 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 深入解析Windows内核模式驱动管理器:系统驱动管理的终极利器
项目优选
收起
deepin linux kernel
C
24
9
暂无简介
Dart
664
152
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++
659
299
Ascend Extension for PyTorch
Python
216
236
React Native鸿蒙化仓库
JavaScript
255
320
仓颉编译器源码及 cjdb 调试工具。
C++
133
866
仓颉编程语言运行时与标准库。
Cangjie
140
875
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.18 K
649
仓颉编程语言开发者文档。
59
818