状态同步实战：客户端预测、回滚与延迟补偿
一、帧同步的孪生困境
前文讲过帧同步靠"只同步输入"保证一致，但它对网络最慢者零容忍。状态同步走另一条路：服务器是权威，定期把每个实体的完整状态广播给客户端，客户端只负责"表现"。这让弱网玩家不再拖累全局，但引入了新难题——客户端看到的是过去的状态，玩家操作有延迟，且本地表现与服务器权威可能冲突。
客户端预测（Client Prediction）与回滚（Rollback）正是为填平这道延迟沟壑而生：玩家操作立刻在本地生效（预测），当收到服务器权威状态发现不一致时，回滚到正确状态再重演。它让操作手感接近单机，同时保住服务器权威。
二、预测—回滚的数据流
客户端预测与服务器纠正构成了一个闭环。
客户端不必等服务器就能动，但必须保存输入序列与快照，以便不一致时回滚重演。这套机制把"手感"与"权威"解耦，是帧同步之外竞技游戏的另一条主流路线。
三、生产级预测与回滚实现
下面是一段 C++ 示例，展示如何保存输入快照、比对权威状态并在不一致时回滚重演。
#include <vector>
#include <cstdint>
struct InputCmd { uint32_t tick; int16_t moveX, moveY; uint8_t skill; };
struct State { float x, y; };
class PredictiveClient {
public:
void ApplyLocalInput(const InputCmd& in) {
// 本地立即预测执行，不等服务器
state_.x += in.moveX * 0.1f;
// 保存输入与预测前的快照，供回滚使用
history_.push_back({in, state_});
}
void OnAuthorityState(uint32_t tick, const State& auth) {
// 找到该 tick 的本地快照进行比对
for (size_t i = 0; i < history_.size(); ++i) {
if (history_[i].cmd.tick != tick) continue;
if (history_[i].predicted.x != auth.x || history_[i].predicted.y != auth.y) {
// 不一致：回滚到权威状态，重演该 tick 之后的所有输入
state_ = auth;
for (size_t j = i + 1; j < history_.size(); ++j)
Replay(history_[j].cmd);
break;
}
// 一致则确认，移除已确认快照释放内存
history_.erase(history_.begin() + i);
break;
}
}
private:
void Replay(const InputCmd& in) { state_.x += in.moveX * 0.1f; }
State state_{0,0};
struct Snap { InputCmd cmd; State predicted; };
std::vector<Snap> history_; // 增长须有上限，防止内存膨胀
};
这段代码的关键契约：本地预测必须即时，但输入历史必须有上限，否则弱网下堆积的输入快照会无限膨胀内存；回滚只重演"不一致 tick 之后"的输入，而非全量重演，避免性能浪费。生产环境还需处理"服务器状态晚到"的乱序问题，按 tick 而非到达顺序比对，并对高频输入做压缩以降带宽。
状态同步还有一层常被忽视的设计：插值与外推。由于客户端看到的是延迟的权威状态，若直接把实体对齐到广播位置，角色会一顿一顿。标准做法是对位置做插值，向过去的状态平滑，或对短暂未来做外推，用少许预测误差换流畅观感。插值的缓冲时长需与网络抖动匹配，过短仍顿、过长则操作反馈变木，是手感调校的关键旋钮。
四、回滚抖动、带宽与服务器压力的代价
预测回滚的首要体验代价是"回滚抖动"：当本地预测与权威偏差较大，角色会突然跳回正确位置，玩家看到明显的瞬移。预测越不准（如网络抖动大），抖动越频繁，缓解靠更好的预测模型（考虑惯性、插值），但无法根除。
带宽上，状态同步每帧广播完整状态，实体多时流量远超帧同步的输入同步，需要增量同步（只发变化字段）与感兴趣区域（AOI）裁剪来压。服务器压力也更大：它要做权威模拟并维护每个客户端视图，玩家规模上来后成本显著。因此状态同步适合"弱网容忍 + 服务器权威"的场景，但需配套增量同步与 AOI 优化控成本。
所以落地建议：输入历史设上限防内存膨胀，按 tick 而非到达顺序比对，预测不准时用插值缓减抖动，配套增量同步与 AOI 裁剪压带宽与服务器压力。
五、总结
状态同步以服务器权威广播状态，配合客户端预测与回滚，在弱网容忍下保住了接近单机的手感。其代价是预测偏差引发的回滚抖动、完整状态广播的带宽开销、以及服务器权威模拟的算力压力。工程落地须为输入历史设上限防内存膨胀、按 tick 而非到达顺序比对、以插值缓减抖动，并配套增量同步与感兴趣区域裁剪压缩带宽与服务器成本。回滚只重演不一致点之后的输入，避免全量重演浪费性能。
