SuperAPI AI 工具集

matchmaking-system

编程与开发

查看项目

更新于 11-15 03:09

技能介绍

本技能介绍一套面向多人游戏的技能匹配(Skill-based Matchmaking)系统设计,以 Redis 有序集合按技能分值为玩家配对,并随等待时间放宽技能区间、原子化认领每一对玩家,然后用大厅状态机运行直至对局结束。

一、选择评分系统 资料给出三种评分系统的选择依据:

  • Elo:适合对局数量充足、可以让匹配保持较紧的场景;只跟踪一个数值。资料指出其收敛所需对局数多于 Glicko 或 TrueSkill。
  • Glicko-2:适合单人竞技,且希望不确定性在玩家离开期间增长(无对局的评分周期内 RD 上升);跟踪评分、评分偏差(RD)与波动率,平局记 0.5。资料称其收敛快于 Elo,但不天然适配团队。
  • TrueSkill:适合团队模式、超过两队或存在平局;跟踪每名玩家的均值 mu 与不确定性 sigma,队伍技能为队员之和。资料称其专为团队与平局设计,三者中收敛所需对局最少。

初始值(资料给出):Glicko-2 未评级玩家起始 rating 1500、RD 350、波动率 0.06;系统常数 tau 取 0.3 至 1.2 之间并测试哪个预测最好;评分周期以每名玩家 10-15 局为佳。TrueSkill 新玩家起始 mu 25、sigma 8.333;按保守估计 mu - 3 sigma 排名,而非按 mu。Glicko-2 玩家的实力落在 rating 加减 2 RD 区间内,置信度 95%。资料未给出 Elo 的 K 因子,因未核对来源,建议自行选择并用胜率预测数据调参。评分应在每局后存入 Postgres,并在 Redis 中为队列缓存。

二、匹配流程

  • 按游戏模式与地区拆分池,每池一个有序集合,score = rating;玩家只搜索自己的池,除非主动选择跨地区。
  • 入队:写入有序集合成员和一个 hash(rating、deviation、gamesPlayed、queuedAt),并设 TTL,避免客户端崩溃后永久滞留队列。
  • 每名玩家一个 BullMQ 搜索任务,调用 findMatch;若无合适对手,则添加自身的延迟副本,以更宽区间重试。
  • 区间宽度由等待时间推导:initial + floor(wait / interval) * step,设上限;每次搜索都从 queuedAt 现算,不存储,避免过期,也无需单独的“放宽”任务。
  • 配对条件:评分差在两名玩家中较宽的那个区间内,即等待更久者决定。
  • 用一段 Lua 脚本原子认领配对:若双方仍在集合中,则移除双方并删除两个 hash;否则不移除任何一方并尝试下一候选。
  • 创建大厅:玩家准备,最后一个准备将大厅置为 COUNTDOWN;倒计时结束检查每名玩家在线(WebSocket 心跳),全部在线则 IN_PROGRESS,否则大厅解散:startMatch 删除大厅、解除玩家映射,并将在线者以原 queuedAt 重新入队以保持宽区间。IN_PROGRESS 前的离开同样解散大厅并通过 leaveLobby 返回待重排 id。对局结束标记 COMPLETE、更新评分,大厅在结算界面后过期。

三、代码与原子性 样板文件为 boilerplate/matchmaker.ts(MatchmakingEngine、startMatchmaking)与 boilerplate/lobby-manager.ts(LobbyManager),均接收 ioredis 客户端。资料说明请求路径客户端 maxRetriesPerRequest 设为 1 以快速失败,BullMQ worker 连接需设为 null。

原子出队:先读候选再分别删除会让两个 worker 选中同一对手。两个 ZREM 的 MULTI/EXEC 也不行,因为一方已不存在时另一方仍会被移除,且 Redis 事务无回滚。样板脚本在一次脚本内用 ZSCORE 检查双方,再 ZREM 双方并 DEL 两个 hash;Redis 原子执行脚本。所有匹配键共用 {mm} hash tag,使 Redis Cluster 下所有匹配状态落在同一槽。

四、大厅状态机 WAITING -> COUNTDOWN -> IN_PROGRESS -> COMPLETE。IN_PROGRESS 前的离开或在线检查失败会解散大厅:同一次比较并交换写入中删除大厅、解除所有玩家映射,剩余 id 返回调用方重排。人数不足的大厅不会开始。IN_PROGRESS 后的离开属于弃赛,不是大厅变更。每次状态转换都读大厅 JSON、应用变更并用比较并交换脚本写回,否则两人同时准备会互相覆盖,大厅永远停在 WAITING。IN_PROGRESS 的 TTL 应长于最长对局,否则对局中途过期。

五、新玩家与组队 资料强调先用自己的对局数据检验再改动:按局数、按队伍规模比较预测与实际胜率。新玩家方面,Menke 的数据显示其首局胜率 44% 而预测为 49%,约到第九局追平;在不改评分的情况下压低匹配会给对手错误的评分更新,整体压低起始值会让整体评分下漂;其解法是在模型中与技能一起学习起始评分与各模式追赶速度(TrueSkill Through Time)。组队方面,其示例中四人队胜率 58% 而预测 53%;在评分模型之外加偏移同样造成漂移,其解法是在模型内按队伍规模学习技能偏移。样板中的保护措施只是让低于 newPlayerGames 的玩家避开高于 veteranGames 的玩家,属可调阈值的权宜之计,并非经测量的修复。

六、常见陷阱 仅按队伍平均评分匹配([1000, 2000] 与 [1500, 1500] 均值相同);用 TrueSkill 时应比较队伍总和并看队内分布。重排时不要重置等待时间,保留原 queuedAt。不要用单一全局队列,应按模式与地区分隔。长等待时队列 hash 在 entryTtlSeconds 后过期、玩家静默掉出,需靠客户端心跳刷新或调高 TTL。已认领的配对一旦脚本执行双方即出队,startMatchmaking 在 onMatch 失败时调用 engine.requeue(单脚本、原评分与原 queuedAt)重启双方搜索并重新抛出;自行调用 findMatch 时也应如此。cancel 会留下 cancelMarkerSeconds 标记,使重排跳过在匹配建立期间取消的玩家,新入队会清除该标记。同一玩家可能进入两个池而被匹配两次,样板用全局“已排队”标记(入队脚本写入,认领与取消脚本清除)拒绝第二次入池。模式与地区会进入 Redis 键,样板只接受字母、数字、_ 和 -。非成员或过期客户端的离开应拒绝,玩家到大厅的映射仅在仍指向该大厅时比较并删除。在线检查后大厅可能已变化,仅当倒计时、结束时间与玩家集合均为所检查者时才开始,否则 startMatch 抛出 LobbyChangedError,需在新倒计时结束时再次调用。IN_PROGRESS 前跳过在线检查会导致少人开局;失去玩家的大厅必须解散而非停在 WAITING。BullMQ 中无优先级任务先于所有有优先级任务执行,若用优先级照顾长等待者,应给所有搜索任务设优先级。调参前要用对局数据测试玩家最关心什么(延迟、技能、连胜或等待时间)。样板用 ioredis 是因为其他技能如此,其 README 称处于维护状态并建议新项目用 node-redis,认领逻辑可原样移植。

七、文件与相关技能 boilerplate/matchmaker.ts:构建队列时复制(MatchmakingEngine、startMatchmaking),以 ioredis 客户端为参数。boilerplate/lobby-manager.ts:构建大厅时复制(LobbyManager),使用同一客户端。references/sources.md:引用数字或论断时查阅。相关技能:bullmq-game-queues(队列与 worker 搭建)、redis-game-patterns(Redis 客户端与在线状态)、postgres-game-schema(评分与对局历史)、game-state-sync(对局开始后接管)。