JS框架性能基准测试中Chrome 124的GC行为变化分析
2025-05-30 10:19:09作者:傅爽业Veleda
在最新的JS框架性能基准测试中,我们发现Chrome 124浏览器对vanillajs和ivi框架的性能测量结果出现了异常。经过深入分析,这主要与Chrome 124的垃圾回收(GC)机制变化有关。
问题现象
在Chrome 124环境下,基准测试显示ivi框架的渲染性能异常优于vanillajs实现,特别是在创建1000行数据的测试场景中。这与Chrome 123及手动测试的结果不符,引起了我们对测量准确性的质疑。
通过性能追踪分析发现:
- ivi框架的DOM节点在测试后未被正常回收
- 残留的DOM节点似乎被Chrome 124"缓存"并复用
- 这种缓存机制导致ivi框架在后续测试中获得不真实的性能优势
根本原因
深入分析后发现,Chrome 124的GC行为发生了显著变化:
- GC执行不彻底:传统的
window.gc()调用(即使多次)无法完全回收ivi框架创建的DOM节点 - 需要强制GC:必须使用
HeapProfiler.collectGarbage或带last-resort参数的GC才能彻底清理 - DOM节点缓存:未回收的DOM节点似乎被Chrome 124内部缓存机制复用,导致性能测量失真
解决方案
我们通过以下方法解决了测量准确性问题:
- 改进GC策略:使用组合GC调用方式
window.gc({type:'major', execution:'sync', flavor:'last-resort'});
HeapProfiler.collectGarbage();
-
多次迭代:执行7次GC循环确保彻底清理
-
验证节点计数:通过开发者工具确认DOM节点是否被完全回收
实施效果
采用新的GC策略后,基准测试结果回归合理:
- vanillajs实现重新成为性能最优
- 各框架性能排序与Chrome 123及手动测试一致
- 测试结果稳定性提高,不受延迟时间影响
技术启示
这一案例为我们提供了宝贵的经验:
- 浏览器GC实现变化:浏览器版本升级可能带来GC策略的隐性变化
- 性能测试的可靠性:基准测试需要关注GC行为对结果的影响
- 彻底清理的重要性:性能测试前应确保测试环境的纯净状态
对于性能敏感的应用开发,建议:
- 定期验证基准测试工具的准确性
- 关注浏览器版本更新日志中的GC相关变更
- 在关键性能测试中采用多种GC策略组合
通过这次问题排查,我们不仅解决了当前测试的准确性问题,也为未来应对类似情况积累了宝贵经验。浏览器的内部优化机制虽然能提升实际应用性能,但也可能对性能测量带来干扰,这提醒我们在进行精确测量时需要更加谨慎。
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
电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 开源电子设计自动化利器:KiCad EDA全方位使用指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Python案例资源下载 - 从入门到精通的完整项目代码合集 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
245
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
暂无简介
Dart
672
157
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++
661
312
React Native鸿蒙化仓库
JavaScript
262
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217