Skip to content

技术分析报告:#1834 导入大量 Bilibili 历史记录后 CPU 占用高、内存持续增长——ScriptCat GM 存储与事件广播架构的可能根因 #1835

Open

Description

@cyfung1031

技术分析报告:#1834 导入大量 Bilibili 历史记录后 CPU 占用高、内存持续增长——ScriptCat GM 存储与事件广播架构的可能根因

报告性质:基于 ScriptCat v1.5.0 标签源码、Issue 现有反馈及 Bilibili 历史脚本 v4.6.2 附件的静态代码审查。尚未在报告者设备上运行真实浏览器性能测试,也没有 Heap Snapshot。

**核心判断:**有较强代码证据表明,ScriptCat 的 GM value 持久化粒度过粗(修改单个 GM key 时重写整个脚本的 value 对象),叠加以 chrome.storage.local 传递 value-change 事件及全量页面初始化,能够把“大历史数据 + 多次小写入”放大为大量序列化、对象复制、跨上下文传输和 GC 工作。这是本 Issue 最值得优先验证的架构性瓶颈,但目前不能断言已经证实无法回收的内存泄漏。

1. 观察事实、范围和证据级别

1.1 Issue 已报告的现象

项目 已知信息
问题 导入历史记录后 CPU 占用显著增高、内存持续增长;未导入时基本正常
目标页面 https://www.bilibili.com/video/BV12h4b6ZEwe/
问题环境 ScriptCat 1.5.0;Helium 0.21.1.1 / Chromium 157.0.8103.38;Windows 11 IoT 企业版 25H2
对照环境 同为 Chromium 系的 Tampermonkey 5.5.1、Violentmonkey 2.50.0 未出现同等症状
其他对照 Zen / Firefox 159.0 + ScriptCat 0.16.15 未出现同等症状,但同时改变了浏览器内核和扩展版本,不能单独归因
数据量相关性 回报者指出:记录较少时仍可能有较高 CPU、缓慢内存增长及波动;记录多时更严重,甚至持续增长至很高占用
第二脚本线索 回报者又报告另一支同类型脚本也出现类似症状:Greasy Fork #599879;这是用户报告,尚未独立审查或复现

原始数据文件见本 Issue 的第一条补充评论,第二脚本见后续评论。

1.2 证据分级

  • [代码确认]:从指定版本源码可以直接验证的调用、数据结构或行为;不等于证明其占实际 CPU 的比例。
  • [推导]:根据已确认代码路径及给定工作负载得出的性能复杂度或峰值内存假说;不是实机测量。
  • [用户观察]:Issue 报告者所见;未由本报告独立复现。
  • [待验证]:必须使用真实浏览器 Profile、时间线或堆快照才能确认的因果关系。

**版本限制:**Issue 的问题脚本标注 v4.6.1;本次逐行检查的附件为 v4.6.2(6,432 行)。下文涉及后台整理的具体实现,均以所见的 v4.6.2 为准。需要保存并复测 v4.6.1 的精确快照,不能默认两个版本完全相同。ScriptCat 部分已针对 v1.5.0 标签检查,而不是仅凭当前 main 推断。

2. 可核查的 ScriptCat 架构证据

编号 组件和源码 已确认机制 对性能的潜在影响
A / P0 ValueService.setValues,value.ts L83–170 修改 GM key 时,先复制 valueModel.data 的顶层对象,再调用 valueDAO.save(storageName, valueModel) 单 key 更新仍涉及整个脚本的数据对象
B / P0 Repo._save,repo.ts L179–192、storage 写入,L29–79 以一个 value:storageName 顶层对象调用 chrome.storage.local.set 大型 value 的反复序列化和持久化
C / P0 RuntimeService.pushValueUpdate,runtime.ts L478–512 每次 GM 变更又写入 valueUpdateDelivery,用 Storage API 分发事件 为一次数据写入再增加事件存储及广播成本
D / P0 ScriptingRuntime,scripting.ts L65–86 内容上下文监听 storage.onChanged,再转发到 page/content 桥 多分页面下事件扇出;源码注释明确提醒新旧值过大可拖慢 onChanged
E / P1 RuntimeService,runtime.ts L1618–1624、page_load_contract.ts 每次页面加载为匹配脚本读取整个 GM value,并将 value 列为必需的页面载荷字段 即使脚本只需要某个视频的记录,仍可能传输全部历史分片
F / P1 Repo 全局快取,repo.ts L1–27、ValueService 构造函数 启用 cache 时,以不指定 key 的 chrome.storage.local.get() 冷启动读取整个 Storage Area;ValueDAO 启用该缓存 增加 Service Worker 常驻内存基线,并加载无关数据
G / P2 content GM API,gm_api.ts L171–202、L256–368 GM.getValue 基于预加载的 value 返回;对象值会复制;GM.setValue Promise 的完成与 value-update 事件相关 大对象读取产生额外复制;事件延误/失败时应检查 Promise 清理与超时

2.1 最关键的代码路径:一次小写入如何变成全量持久化

ScriptCat v1.5.0 在 ValueService 中执行:

let dataModel = (oldValueRecord = valueModel.data);
dataModel = { ...dataModel };
// 仅更新本次涉及的 key
valueModel.data = dataModel;
await this.valueDAO.save(storageName, valueModel);

最后通过 Repo 调用:

chrome.storage.local.set({ [key]: value });

关键区别:

  • 对象展开是浅拷贝,复杂度主要取决于已有 GM key 数;这里不应误称每次都进行了 JS 层深拷贝。
  • 但传给 chrome.storage.local.set 的 valueModel 包含整个 data,所以浏览器存储 API 的序列化、跨边界传递和持久化工作,可能取决于全部历史数据的字节量,而不是本次修改的少量字节。
  • chrome.storage.onChanged 还涉及值变化的 oldValue/newValue 语义;大量数据会进一步增加事件处理压力。
  • 目前没有原生逐 GM key 的持久化粒度来阻止这个放大效应。

[代码确认]:每次调用保存的是整份 valueModel。
[推导,待实测]:实际 CPU 热点及浏览器内部复制次数,需要 Performance Trace 确认。

2.2 Storage 同时承担“数据库”和“事件总线”

数据持久化路径与事件广播路径是两个叠加的成本:

  1. GM.setValue 发往 Service Worker。
  2. ValueService 更新并持久化整个脚本 valueModel。
  3. pushValueUpdate 再向 chrome.storage.local 写入 valueUpdateDelivery。
  4. 各 content/scripting context 的 storage.onChanged 被触发;有匹配 storageName 的上下文继续跨桥转发。
  5. GM value 缓存更新、value-change listener 和相关 Promise 完成。

这个设计还存在正确性约束:不能为提速而直接丢弃事件,因为 GM_addValueChangeListener 的 old/new、remote 语义,以及异步 GM.setValue 的完成通知都需要保留。因此应设计有序批处理、修订号与缺口恢复,而不是简单“只发送最后一次值”。

2.3 全量预加载削弱了 userscript 的分片优化

  • 页面启动路径将整份 value 赋给 script.value。
  • page_load_contract.ts 明确把 value 作为必需字段。
  • 即使 Bilibili 脚本按当前视频局部读取,ScriptCat 仍可能先在 Service Worker 和页面上下文之间传递全部 GM 数据。
  • 匹配站点的多个标签页/iframe 会增加这种内存压力;实际增量与浏览器的序列化、引用及 GC 行为有关,不能武断断言“10 个标签页必然等于 10 倍内存”。
  • 同步 GM_getValue 需要可立即访问数据,这是相容性设计的真实约束;但异步 GM.getValue 仍可以考虑按 key 访问,从而降低不必要的全量预加载。

3. Bilibili 历史脚本如何触发放大效应(基于所获 v4.6.2)

3.1 导入和后续整理不是单次操作

阶段 userscript 行为 ScriptCat 可能付出的额外成本
CSV 解析 HistoryCSV.validate 解析、去重,生成记录数组 本身属于 userscript 工作,不应归咎于 GM API
导入提交 StorageManager.importFile / saveRecords(source=import) 将记录交给 HistoryCommitStore 触发后续 GM 写入
初始分片 SHARD_COUNT = 64;prepare 按分片分组;publish 为每个块 GM.setValue,最后写清单 每次分片更新可能重存整份已累积的 GM value
提交确认 回读块、计算 checksum、重新 sync、写 bvh_change_signal 读写及事件载荷进一步增加
延迟后台维护 _scheduleCompaction 大约 2 秒后启动 _maintainHistory 导入完成后仍会持续进行较重的工作
Checkpoint 重写 HistoryMaintenance.maxEntries = 256、maxBytes = 256 KiB;产生多批 checkpoint 的块和清单 第二波大量 GM 写入,重存大对象
清理和索引 删除旧 transaction、写入 bvh_base_index 和 grouping 标记 删除及索引更新继续触发整包持久化
播放中的持续更新 VideoPlayerObserver.startVideoWatch 约每 5 秒检查并在播放时保存进度 导入后即使后台整理完成,仍可能反复触发昂贵的小写入

脚本还有对旧提交版本的兼容读取、checksum 校验及提交重试机制;这些会增加工作量,但不能仅因为使用了这些机制,就认定脚本自身存在泄漏。问题在于 ScriptCat 的每次小写入成本可能与全部数据规模挂钩。

3.2 复杂度为什么可能接近平方级

设:

  • N:历史记录数;
  • D:历史记录及索引总数据量,通常随 N 增长;
  • W:发生的 GM 写入/删除操作次数。

如果每次操作都使整份 valueModel 进入持久化路径,则总数据处理量的近似模型为:

处理量 ≈ W × D

当后台整理使用固定大小 checkpoint,W 也随 N 增长时,在相应负载区间内就可能出现 O(N²) 级别的总体放大。这是条件性复杂度推导,不是已测量的执行时间。

纯示例(不是本 Issue CSV 的实测笔数):

  • 假设 20,000 条记录较均匀地分布在 64 个分组。
  • 初始导入可能写入约 64 个块和 1 份提交清单。
  • 每组约 313 条记录;按照每 checkpoint 最多 256 条,后台整理可能产生约 128 个 checkpoint transaction。
  • 每个 checkpoint 至少需要一个块和一份清单,即约 256 次后续写入;加上旧块/清单删除与索引更新,可能是数百次 GM 操作。
  • 整理期间,旧 transaction 与新 checkpoint 可能暂时共存,因此峰值数据体积可高于整理完成后的体积。
  • 每次都向 ScriptCat 的整包 value 持久化路径提交数据,可能导致远高于原始 CSV 体积的累计序列化/复制工作。

这一模型与报告者观察到的“较小 CSV 症状减轻,但仍有 CPU 和缓慢内存增长”相容。

4. 内存增长究竟是不是 Memory Leak?

**目前不能从源码和任务管理器截图直接确认为不可回收的内存泄漏。**至少需区分:

机制 现象 本报告判断 如何验证
临时对象/序列化缓冲区大量分配(allocation churn) 写入期间内存不断上涨,GC 后可能回落 高优先级假说 Allocation Timeline、GC 后 Heap
整包缓存与每页预加载 导入后常驻内存基线较高;多页更高 代码路径确认 分别比较关闭/打开标签页及 Service Worker heap
后台 checkpoint 整理 导入操作看似完成,CPU 和内存却继续增长一段时间 代码支持的触发链 对齐整理阶段与 CPU/写入日志
长时间播放不断追加新的历史提交 运行期间数据及写入量持续增加 可能的持续负载 暂停播放与停用自动同步后比较
真正无法释放的对象引用 停止写入、强制 GC 后 retained heap 仍持续增长 尚未证实 两次以上 Heap Snapshot Diff / Retaining Paths
GM.setValue 完成通知失败、Promise/回调未及时清理 写入卡住、潜在悬挂引用 次级待查风险,不是已证实主因 人为注入 storage 失败及消息丢失故障

**注意:**Chrome 任务管理器中的进程内存和 JavaScript retained heap 不是同一个指标;单看进程内存长期上升,不足以证明泄漏。

4.1 需要排除的错误归因

  • **不能直接归咎于 MutationObserver。**DOM 处理可能有开销,但目前更直接的“资料量 × GM 写入次数”路径有代码证据;仍可通过 CPU Profile 排除 DOM 热点。
  • **不能认定每次 GM_setValue 都会重新编译/注册此脚本。**ScriptCat 的 isEarlyStartScript 同时要求特定 @early-start 条件和 document-start;报告脚本只有 @run-at document-start,没有 @early-start。判定源码。
  • **不能将 Firefox 的正常结果单独归因于 Firefox 更高效。**对照中 ScriptCat 版本也不同。
  • **不能将两款管理器正常运行直接等同于 userscript 零成本。**只能说明管理器实现差异是有力候选因素。

5. 已有相关提案:#1655

ScriptCat 已有开放的技术提案 #1655:分区缓存与 contract-preserving value delivery,其中明确讨论:

  • Repo 全局 cache 读取整个 chrome.storage.local;
  • 多标签页、SPA、iframe 和 Service Worker 生命周期的开销;
  • 使用 storage.local.onChanged 的 value 广播;
  • GM value change listener、old/new/remote、Promise completion 等相容性要求;
  • 建立基准测试和带故障注入的验收标准。

这是独立的架构佐证,但 #1655 是提案,不是本 Issue 的实测确认或修复证明。而且其第一阶段明确不改造 ValueDAO 持久化后端、不将 storage.local.onChanged 换为逐 tab messaging,也不直接改成 IndexedDB/OPFS。故即使第一阶段完成,也未必消除这里最严重的整包 value 重写问题。

6. 建议的可证伪复现实验(优先执行)

ID / 优先级 具体实验 记录指标 支持或推翻什么
E1 / P0 独立最小 userscript:在干净 Profile 先保存一个固定 0/1/3/6 MiB 的大 GM value,之后仅重复 50–100 次 await GM.setValue("tiny_counter", i);分别在 ScriptCat、TM、VM 跑 每次写入 p50/p95、总耗时、SW CPU、最大内存、GC 后 heap 如果“只改小 key”的耗时随无关大 value 明显增长,直接支持整包持久化放大
E2 / P0 使用相同 CSV,记录 import、约 2 秒后维护阶段、清理完成三个时间点 valueDAO.save 次数、每次写入 valueModel 字节数、累计 payload bytes、checkpoint 数、storage.onChanged 事件数及大小 判断背景整理是否造成第二波写入风暴;定位真实热点
E3 / P0 导入后暂停视频,关闭可选云同步,等待所有后台维护结束,保持页面无新写入至少 10 分钟;在明确记录 GC 时点后做 Heap Snapshot Used JS Heap、retained heap、Heap Snapshot Diff、Retaining Paths 区分 GC 压力/缓存和真正无法回收的泄漏
E4 / P1 保持同一份历史数据,分别打开 1/5/10 个匹配页面,再关闭 每个 renderer、content context、SW 的内存及页面载荷大小 测量全量预加载和跨页面复制成本
E5 / P1 用 v4.6.1 精确快照、v4.6.2、另一支被报告的脚本,使用同一个数据集和浏览器 跨脚本重复性及调用栈 避免把特定脚本版本的维护算法误判为全部原因
E6 / P1 同一 Chromium 内核、同一脚本版本、同一 CSV,比较 ScriptCat 版本;若可行,再比较同一 ScriptCat 版本的 Chromium/Firefox CPU/heap 曲线 分离 manager 版本、实现和浏览器内核变量
E7 / P2 注入存储失败、消息延迟/丢失、SW 重启 GM.setValue 是否正确 settle/reject、残留 Promise/监听器、状态是否收敛 验证次级正确性与潜在资源保留问题

E1 最小实验设计原则

  • 不需要 Bilibili,不需要 MutationObserver,也不需要历史 CSV。
  • 保持大型 value 完全不变,只更新极小 counter,以隔离“总存储量影响单键写入”的问题。
  • 大型 value 总字节数与 GM key 数量分开控制:先测试“单个大 key”,再测试“多个小 key、总字节数相同”,区分对象展开成本与序列化成本。
  • 每组使用干净 Profile、预热后测量,多次重复;不要把首次安装、SW 冷启动混入写入 p95。
  • 记录异常及 quota/消息错误,不要把失败或挂起的耗时当作成功结果。

建议添加的埋点

  • ValueService.setValues:storageName、已有 key 数、valueModel 的序列化大小、每次 save 的开始/结束时间(不记录历史标题或数据正文)。
  • Repo._save:逻辑修改字节数、实际提交给 storage.local 的 payload 字节数、耗时。
  • RuntimeService.pushValueUpdate:sendData 大小、成功/失败、发出时间。
  • ScriptingRuntime.onChanged:事件次数、旧/新 payload 大小、转发数量与耗时。
  • getScriptsForTab:每页 script.value 大小、装载耗时。
  • userscript 导入/整理:事务数、块数、checkpoint 数、整理开始/结束、删除数。
  • 浏览器侧:Chrome Task Manager(Shift+Esc)、Extension Service Worker DevTools Performance、Memory Allocation Timeline 和 Heap Snapshot。

建议公开匿名化聚合指标和合成数据;历史 CSV 可能包含个人观看记录,不应将完整标题、URL 或原始数据放入公开 Profile/日志。

7. 修复建议与验收标准

优先级 维护方向 建议实现 必须保留/验证的行为
P0 改变 GM value 持久化粒度 将 storageName + GM key 作为独立存储单元,或采用 IndexedDB 等支持逐项更新/批量事务的持久层;避免单 key 修改时重写整个 valueModel get/list/set/delete、持久化一致性、跨脚本 storageName 共享、历史数据迁移及失败回滚
P0 让数据持久化与更新通知解耦 独立的消息/事件机制,或带 revision/seq 的轻量事件通知;避免把大型业务对象放进 storage 广播 GM_addValueChangeListener 的 old/new/remote、成功事件的顺序和数量、GM.setValue Promise 完成
P1 降低页面全量预加载 非同步 GM API 可考虑按 key 获取;同步 GM_getValue 采用受控缓存/分层载入策略 同步 API 兼容性、document-start 读取时序、共享存储语义
P1 改造全局快取 按命名空间/key 读取、容量上限、LRU 或按需淘汰;避免 cache 冷启动读取所有 storage.local SW 重启后正确性、数据一致性、跨上下文更新
P1 批处理和背压 合并底层 IO,但不可静默丢失可观察的中间 value-change event;对高负载设置流控 callback 与 Promise 的完整契约、故障恢复
P2 资源清理和错误传播 为等待 ack 的 Promise 增加可验证的失败处理/超时清理;监视 listener 生命周期 错误必须可观察,不可静默挂起、不可误报成功

建议的验收门槛(先固定 baseline,再与候选版本比较)

  • **写入放大:**E1 中小 key 写入的耗时和实际持久化字节量不应随完全无关的大 value 呈明显线性增长。
  • **内存稳定性:**E3 无新写入且 GC 后的 retained heap 应稳定;不应随着先前执行过的批次数持续增长。
  • **多标签页:**E4 的每页额外内存必须可解释、可量化,不能出现未释放的历史执行上下文。
  • **正确性:**所有正常送达的 GM value-change 事件、old/new/remote、异步 Promise 完成和跨 storageName 共享测试必须通过;丢失事件后的持久状态应有有界 resync。
  • **兼容性:**ScriptCat 1.5.0 已存储的数据应可无损迁移;失败后不得造成历史记录丢失。
  • **回归测试:**将 E1–E4 纳入自动化性能基线,记录浏览器/版本/硬件/样本 seed/commit SHA,不仅比较一次截图。

8. 最终根因判断与待办

判断 结论
ScriptCat 存在单 key 写入触发整包持久化的架构路径 [代码确认] 是
ScriptCat 使用 chrome.storage.local 作为 GM 更新广播载体 [代码确认] 是
页面载入时传递整份 GM value,且存在全局 storage cache [代码确认] 是
导入 + 后台 checkpoint 重写会触发大量 GM 操作 [代码确认:v4.6.2] 是;v4.6.1 仍需核对
以上组合是 #1834 CPU/内存现象的主要瓶颈 [推导] 高度值得优先验证,尚无实测热点占比
发生了真正无法回收的 memory leak [待验证] 目前没有 Heap Snapshot 证据

请求维护者及报告者下一步提供

  • 锁定 userscript v4.6.1 精确代码、ScriptCat v1.5.0、浏览器版本和可复现 CSV 样本(公开时注意隐私)。
  • 优先运行不依赖 Bilibili 的 E1 小 key + 大无关 value 测试。
  • 对原始案例执行 E2 分阶段 Profile,尤其记录导入约 2 秒后后台 checkpoint 的第二波写入。
  • 运行 E3 以真正区分 memory leak 与 allocation/GC pressure。
  • 如果 E1 成立,优先修复 ValueDAO/Repo 整包写入,而非仅微调 Bilibili DOM 扫描。
  • 结合 [Technical Proposal] 脚本运行场景的分区缓存与 contract-preserving value delivery #1655 讨论 GM value delivery 和缓存方案,但注意其现有 V1 范围未覆盖上述持久化后端问题。
  • 使用真实浏览器 benchmark 和保留的 GM API 契约测试验收修复,不以“CPU 看起来降低”作为唯一完成标准。

**总结:**即使承认 userscript 的不可变提交和 checkpoint 整理具有真实成本,ScriptCat 仍不应把每一次小型 GM key 变更放大成整份历史资料的持久化与多上下文广播。这是目前最具代码证据、最容易做独立实验验证、也最值得优先修复的 extension 数据层设计问题。

Activity

  1. added theissue type on Nov 7, 2026
  2. added
    technicalTechnical implementation, architecture, or refactoring topic
    on Nov 7, 2026
  3. CodFrm commented on Nov 9, 2026

    @CodFrm
    Member

    TM 也是一整个脚本的value去存储的,感觉还是要根据实际情况去分析一下

  4. CodFrm commented on Nov 9, 2026

    @CodFrm
    Member

    #1834 实测结论(Chrome headless + Firefox MV3)

    结论

    1. 根因:scripting.js 以 <all_urls> + allFrames: true 注册,并在每个 frame 里监听 chrome.storage.local.onChanged;而 ValueService 每次写入都会把整份 value:<storageName> 重新存进 storage.local。两者叠加,每一次 GM 写入的整包新旧值都会被投递到所有页面的所有 frame,并在每个 frame 里反序列化一遍。CPU 开销随「脚本存储数据量 × 浏览器里的 frame 总数」增长,跟页面有没有运行这个脚本无关。这份报告指出了整包重写,但没有提到全 frame 扇出,而后者是主要的放大项。
    2. 内存:是分配抖动,不是泄漏。停止写入后,JS 堆会回落到基线。
    3. 修复(⚡️ GM 值更新改为定向推送给运行该脚本的标签页,不再经 storage.local 广播到所有 frame #1838):把值更新改回按标签页定向发消息。脚本存储达到 10 KB 后,在三个测试场景下都不比广播慢,数据越大差距越大,1 MiB 时快 8~44 倍;有无关标签页时,即使存储为空也更快。广播只在两种情况下占优:存储为空、只有一个写入方(p50 4.0 ms 对 6.4 ms);以及存储 ≤1 KB、50 页同时写(0 时 81 ms 对 611 ms,1 KB 时 435 ms 对 705 ms)。这部分差距来自消息路由,即浏览器主进程和 SW 的 CPU。
    4. Firefox MV3:功能验证通过,与修复前逐条一致。
    5. 仍未解决:整包持久化的线性成本;存储很小时多标签页高频并发写入的路由开销(可以继续优化,见第 6 节)。

    1. 根因验证

    用一个合成脚本先在 GM 存储里写入 N MiB 历史记录(字段形状参照 #1834 附件 CSV;附件约 6.4k 条、1.1 MB),再反复只改一个很小的 key。

    GM 存储里的数据 改一个小 key 的 p50 每次写入,每个 onChanged 监听者收到的数据量
    0 4 ms 0
    1 MiB 188 ms 约 2 MiB
    2 MiB 322 ms 约 4 MiB
    4 MiB 657 ms 约 8 MiB

    固定 2 MiB 数据、写 30 次,只改变「不运行任何脚本」的标签页(每页带 2 个 iframe)的数量:

    无关标签页数 单次写入 p50 网页进程 CPU 合计
    0 176 ms 1.7 s
    6 1028 ms 30.2 s

    onChanged 没办法只订阅某一个 key,所以所有 storage.local 写入(value:*、scriptCode、resource、Agent 会话等)都会发到所有 frame。这也能解释 #1834 中「两个视频一起播放更糟」,以及 TM、VM 没有这个问题。

    2. 内存

    2 MiB 数据、持续写入 90 s:无关页的 JS 堆在 9 → 59 → 34 MB 之间来回波动,网页进程 RSS 约 1.4 GB;停止写入 15 s 后,堆回到 9.4 MB,RSS 降到约 0.9 GB。#1838 下同样的测试中,无关页的堆始终稳定在 9.3 MB。

    3. 三个版本的对比

    「已有数据」指写入前该脚本 GM 存储里已有的数据量。每格的第一行是单次写入耗时 p50 / p95,第二行是测试期间三类进程的 CPU 合计(网页进程 · 浏览器主进程 · 扩展进程即 SW 所在进程)。main 和 #1838 中更快的那个加粗。每个场景只跑了一次;所有场景里,每个标签页都收到了全部更新。

    A. 一个标签页写,50 个运行该脚本的标签页接收(每组写 20 次)

    已有数据 pre1067 main #1838
    0 14.8 / 91.5 ms
    0.74 · 0.6 · 0.3 s
    4 / 13.3 ms
    0.55 · 0.18 · 0.02 s
    6.4 / 7.3 ms
    0.57 · 0.42 · 0.18 s
    1 KB 5.9 / 19.9 ms
    0.65 · 0.45 · 0.19 s
    10.8 / 153 ms
    0.8 · 0.29 · 0.07 s
    6.6 / 9.1 ms
    0.65 · 0.44 · 0.23 s
    10 KB 6.5 / 8.8 ms
    0.57 · 0.45 · 0.2 s
    13.4 / 40.4 ms
    0.88 · 0.45 · 0.03 s
    7 / 11.9 ms
    0.58 · 0.44 · 0.2 s
    100 KB 10.8 / 15.8 ms
    0.65 · 0.55 · 0.24 s
    103 / 224 ms
    3.78 · 2.31 · 0.07 s
    11.3 / 14.7 ms
    0.57 · 0.53 · 0.23 s
    1 MiB 60.9 / 95.1 ms
    0.64 · 1.34 · 0.58 s
    1.6 / 3 s
    41 · 28 · 0.73 s
    62.3 / 78.9 ms
    0.73 · 1.36 · 0.58 s

    B. 一个标签页写,另有 50 个不运行脚本的标签页(各带 2 个 iframe;每组写 20 次)

    已有数据 pre1067 main #1838
    0 8.6 / 50 ms
    0.25 · 0.24 · 0.08 s
    9.7 / 28.6 ms
    1.31 · 0.25 · 0.03 s
    3.7 / 10.3 ms
    0.14 · 0.13 · 0.06 s
    1 KB 3.7 / 5.6 ms
    0.15 · 0.13 · 0.05 s
    11 / 34.4 ms
    1.62 · 0.33 · 0.03 s
    3.5 / 4.7 ms
    0.13 · 0.14 · 0.05 s
    10 KB 4.1 / 9.8 ms
    0.05 · 0.13 · 0.06 s
    25.8 / 84.9 ms
    2.07 · 0.58 · 0.03 s
    3.7 / 5.8 ms
    0.06 · 0.12 · 0.04 s
    100 KB 8.4 / 10.8 ms
    0.1 · 0.2 · 0.09 s
    135 / 246 ms
    11 · 2.93 · 0.08 s
    8.3 / 11.9 ms
    0.12 · 0.17 · 0.09 s
    1 MiB 56.1 / 64.7 ms
    0.19 · 0.91 · 0.48 s
    2.8 / 4.6 s
    112 · 37 · 0.72 s
    63.9 / 110 ms
    0.16 · 1.12 · 0.58 s

    C. 50 个标签页同时写(都运行该脚本,每页每 200 ms 写一次,各 10 次,共 500 次;每次写入投递给全部标签页)

    已有数据 pre1067 main #1838
    0 618 / 707 ms
    12 · 10 · 4.32 s
    80.7 / 178 ms
    11 · 3.59 · 0.56 s
    611 / 700 ms
    13 · 10 · 4.36 s
    1 KB 586 ms / 1 s
    12 · 10 · 4.42 s
    435 / 812 ms
    15 · 6.42 · 0.65 s
    705 ms / 1.2 s
    11 · 10 · 4.76 s
    10 KB 713 ms / 1.1 s
    13 · 12 · 5.13 s
    655 / 963 ms
    21 · 11 · 0.81 s
    588 / 692 ms
    12 · 10 · 4.54 s
    100 KB 682 / 770 ms
    12 · 14 · 5.09 s
    5.8 / 9.1 s
    107 · 61 · 1.93 s
    793 ms / 1.2 s
    13 · 15 · 5.61 s
    1 MiB(20 页,共 200 次) 965 ms / 1.1 s
    2.31 · 12 · 4.71 s
    8.7 / 10.4 s
    145 · 97 · 4.77 s
    1 / 1.7 s
    2.4 · 12 · 5.02 s

    怎么读这三张表:

    4. Firefox MV3

    #1067 中 Mozilla 答复的限制是 userScripts 世界收不到 runtime.onMessage;scripting.js 是普通 content script,可以收到,所以 #1838 保留它做转发。

    环境:Firefox 154.0.1 / macOS 27,headless,Selenium + geckodriver。扩展以解包方式安装,manifest 由 createFirefoxManifest 生成。

    检查 #1838 修复前
    跨标签页和同源 iframe 的 GM_addValueChangeListener、remote 标记、GM.setValue 的 Promise 完成(各跑 3 次) 3/3 通过 3/3 通过
    example/tests/gm_api_async_test.js 29/29 PASS 29/29 PASS
    example/tests/gm_api_sync_test.js 29/29 PASS 29/29 PASS

    跨标签页检查:标签页 A 写 v1、v2,标签页 B 的同源 iframe 写 v3。各处收到的 [新值, remote] 序列在修复前后、Chrome 与 Firefox 上都一致:A [v1,false] [v2,false] [v3,true],B 顶层 [v1,true] [v2,true] [v3,true],B 的 iframe [v1,true] [v2,true] [v3,false]。

    5. #1067 当时的对比为什么没发现

    #1067 讨论里的两份测试(default.zip、sc1067-test-code-v3.zip)比较的是「通知消息本身」怎么投递:消息体约 1 KB;只统计了 SW 端的 CPU;tabs 方案测的是发给所有标签页。它没有覆盖 value:* 本身也存在 storage.local 里、其整包新旧值会经 onChanged 发到所有 frame 这一点,所以得出的「广播更快」只在存储为空时成立。当时 Copilot review 也两次指出过「每次更新都会触发所有 tabs 的 onChanged」。

    6. 剩余问题与可选优化

    局限

Sign up for free to join this conversation on GitHub. Already have an account? Sign in to comment

Metadata

Metadata

Assignees

No one assigned

    Labels

    proposalTechnical proposal or design discussiontechnicalTechnical implementation, architecture, or refactoring topic

    Type

    Projects

    No projects

      Milestone

      No milestone

      Relationships

      None yet

      Development

      No branches or pull requests

      Issue actions