引言
前一篇文章将基本的网络同步例子制作出来，虽然还有很多问题，但是我们已经在网络问题很简易的摆放在我们面前，不需要经过服务器，就可以简单的模拟经常出现的网络延迟现象，那对于之前演示的问题，如何解决呢？今天就解决第一步，发包的问题。如果能够节省发包量？
状态更新
因为每个客户端都有自己的逻辑运算，所以我们很明显的就可以想到，只需要在状态更新时发送即可，对于一般的游戏这个方案都可以解决，比如我们修改速度的时候，游戏点击目标点的时候，这些时间点发送即可，对于之前的例子，我们只需要做如下判断就可以节省大量的通讯量。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
// 获取输入
// 在通过键盘获取输入更新最新速度前
var lastVelocity:Vector2 = localPlayer.velocity.clone();
var lastAcceleration:Vector2 = localPlayer.acceleration.clone();
if (lastVelocity.x != localPlayer.velocity.x ||
lastVelocity.y != localPlayer.velocity.y ||
lastAcceleration.x != localPlayer.acceleration.x ||
lastAcceleration.y != localPlayer.acceleration.y) {
update = true;
}
if (update) {
var p:PlayerStatePack = new PlayerStatePack();
p.velocity = localPlayer.velocity.clone();
p.position = localPlayer.position.clone();
p.acceleration = localPlayer.acceleration.clone();
p.time = getTimer();
client.send(p);
}
|
Network1.swf
我们再看现在的demo，通讯量明显下来了，而且网络场景走得也不差。
当然，这个方案也是有其局限性的，比如如果加速度存在的话，那速度每时每刻是不一样的，所以发包频率还是非常频繁，还有一种更极端的情况，如果你加入了物理引擎，或者使用了自治智能体，此时连加速度都每时每刻在变化的，有没什么更好的方式来优化通讯量呢？下面引出下一个优化方案，航位预测法(DeadReckoning)。
航位预测法（DeadReckoning）
这种算法比较的主要是位置，而非上面的速度以及加速度，所以从通用性上来说，会好很多。具体的细节为，当本地个体与记录的上次本地个体（即其他网络场景看到的自己）的位置超过某个阈值，则发送更新状态包，当此阈值越小，则发送包频率越快，此阈值越大，则发送包频率越慢，也越节省。
基本的原理可参考如下图（从网络获取）
基本实现代码如下
1
2
3
4
5
6
7
8
9
10
11
12
|
// dr位置
var drPosition:Vector2 = new Vector2();
if (lastState) {
var e:Number = (getTimer() - lastStateTime) / 1000;
// s = v0t + 0.5 * a * t^2;
drPosition.addVectors(lastState.position, lastState.velocity.clone().multiply(e).add(lastState.acceleration.clone().divide(2).multiply(e * e)));
}
// 阈值
var threshold:Number = 5 * 5;
if (localPlayer.position.distSQ(drPosition) > threshold) {
update = true;
}
|
代码很简单，就是牛顿力学的内容，位移，加速度，速度的公式，然后算出dr位置（即网络位置），如果超过阀值，则发送更新包，另外记录上次发送状态（为了计算下一次dr位置）。
演示如下
Network2.swf
应用
在游戏中，状态更新及航位预测可混合使用，如在键盘更新时，即可将状态更新包发出，而非一定要等到位置偏移超过一定值，这样网络网络场景看到的会更即时些。本章将发包的问题解决了，但是你可以在演示中看出，当网络延迟波动较大时，网络场景的物体拖拉很生硬，因为我们直接设置了网络场景的位置到了当前位置，下一部分介绍如何用插值平滑将网络延迟做进一步的遮掩。
参考文献