一句话建议:
系统学习每个场景下频率的抖动率和抖动幅度,抖动大就提高采样精度和调频响应速度,抖动小就降低采样频率、减少调频开销。和现有自适应采样方案的区别:现有方案看的是“此刻负载变没变”,本方案看的是“这个用户在这个场景下通常怎么变”。
一、痛点
现有调频策略存在两难:
· 采样太密、调频太快:频率反复抖动,调频本身耗电,还容易和任务互相激荡。
· 采样太疏、调频太慢:负载突变时响应不及时,掉帧、卡顿。
根因:现有方案用同一套采样节奏应对所有场景,但实际上不同场景、不同用户的频率波动特征完全不同。
二、方案
1. 系统学习场景频率特征
按“APP + 前台页面 + 交互状态”识别场景,持续统计该场景下频率的抖动率和抖动幅度。
2. 抖动大 → 提高采样精度和调频频率
比如游戏对战、抢票、快速滑动,频率需求变化剧烈,需要更密的采样、更快的调频响应,避免响应滞后。
3. 抖动小 → 降低采样精度和调频频率
比如阅读、音乐、视频播放,频率需求平稳,降低采样频率,减少调频开销和无效升降频。
4. 个性化学习,不是一刀切
同样是刷短视频,有人快速滑动、有人慢慢
6 人已参与
支持
反对