元宇宙时代的来临对实时3D引擎提出了诸多要求，Unity作为游戏行业应用最广泛的3D实时内容创作引擎，为应对这些新挑战，提出了Unity云原生分布式运行时的解决方案。LiveVideoStack 2023上海站邀请到Unity中国的解决方案工程师舒润萱，和大家分享该方案的实践案例、面临的问题、解决方式，并介绍了Unity目前对其他方案的构想。
大家好，我叫舒润萱，现在在Unity中国担任解决方案工程师，主要负责开发的项目是Unity云原生分布式运行时。
首先介绍一下Unity。Unity是游戏行业应用最广泛的3D实时内容创作引擎。截止2021年第4季度，70%以上移动平台的游戏是使用Unity开发的。
但Unity不止是一个游戏引擎，Unity的业务目前涉及到汽车行业、建筑行业、航空航天行业、能源行业等等各行各业。
Unity的业务在全球都有开展，在18个国家有54个办公室。在中国，在上海、北京、广州都有办公室，在临港也开了一间新的办公室。
Unity覆盖的平台是最广泛的，它支持超过20个主流平台，率先支持了Apple新发布的vision OS。
Unity认为元宇宙会是下一代的互联网，它将是实时的3D的、交互的、社交性的，并且是持久的。
元宇宙会是一个规模庞大的虚拟世界，这个虚拟世界里有很多参与者，它将会是一个大量用户实时交互的场景。同时，元宇宙它必须是一个持续稳定的虚拟世界。参与者在这个虚拟世界里对它进行的改变将会随着时间保留下来，并且它是稳定的状态。这就对实时3D交互造成了很多挑战。
首先，因为这个虚拟世界将会是一个大规模的高清世界，里面将会有数量庞大的动态元素、静态元素，所以它对实时3D引擎提出了渲染的挑战。其次，它伴随着大量的网络传输，对引擎的可扩展性和可伸缩性提出了很高要求，所以对运行平台来说也是一个不小的挑战。最后，因为这个虚拟世界会有超大规模的物理仿真，用户将会在其中进行大量的实时交互，所以这对运算资源也是一个巨大的挑战。为了应对这些挑战，Unity提出了分布式运行时的解决方案。
这个方案由两部分组成，第一个部分是Unity云原生的分布式渲染，第二个部分是Unity云原生分布式计算。
首先介绍分布式渲染。要做一个多人联网的体验，可以从最简单的Server-Client架构入手。如图所示，在这个架构中有一个中心化的Server，它可以服务于多个Client。这张图上画了两个Client，这是最简单的架构。
为了对应大规模的渲染压力，Unity把用户的Client端拆成了Merger和Renderer。在这里面，一个Merger对应多个Renderer，这些Renderer将会负责虚拟世界的渲染。我们把一帧的渲染任务拆分成很多个子任务，分别交给这些Render进行。Merger负责把Renderer渲染的画面组合成最终画面，之后通过WebRTC推流的方案推给用户的客户端。要注意，这里除了用户的客户端以外，所有的环境都是运行在云上的。
图示为一个最简单的屏幕空间拆分，即把一个完整的画面在屏幕空间上拆成几个部分。除此之外还有其他拆分方式，例如通过时间拆分：假设有4个Renderer，第一个Renderer渲染第一帧，第二个Renderer渲染第二帧，第三个Renderer渲染第三帧……以此类推，再把它们组合成一个完整的序列。Unity现在也在实验一个新的拆分方式：在Merger上渲染一个比较高清的近景，再把远景拆分到几个Renderer上。Renderer的几个画面可以组成一个天空盒推到Merger上，这样Merger就可以同时拥有细节比较丰富的近景和远景。Unity的架构允许开发者根据自己的业务需求定义自己画面的拆分方式。
回到这个架构图，想象在一个大型的虚拟世界里，有成千上万用户连入运行时，通过分布式渲染，把原本一个进程服务对应一个用户的场景，拆分成好几个进程服务于一个用户，因此这个场景就会对Server提出巨大的挑战。为了应对这个挑战，Unity提出了分布式计算。
这种分布式计算把Server拆分成了Server和Remote，用 Remote分担Server的一些运算压力。
简要概述一下Unity是怎样把计算任务分配给Remote的。Unity游戏的业务流程可以简单拆分成数据和数据处理器，数据叫做Component，数据处理器实际上就是业务逻辑，代码叫System。每个System有自己感兴趣的数据，它会读取这个感兴趣的数据，通过逻辑进行数据更新。
Unity把这个System跑在远程的机器上，而不是本地，之后把它感兴趣的数据通过网络发送给远程的机器，它就可以像本地处理一样处理这个数据，再把更新的数据通过网络发回给Server。
第一个是Unity内部用来测试分布式计算性能的demo。在这个场景里有4个塔，每个塔都由几万个方块组成，总共有89000多个方块。上面的视频展示的是它在单机情况下的物理仿真情况，下面的这个视频是开启4个Remote节点进行分布式计算的情况。可以看到，上面的仿真非常慢，下面的仿真偏正常。经过测试，Unity的仿真速度可以从每秒10次仿真提升到每秒37次仿真。
第二个demo是Unity中国和中国移动咪咕合作的项目，叫“青霄”，是一个直播互动剧。这个项目是一个非常高清的场景，它的整个场景大约有三亿个三角面。Unity使用了三个Renderer的分布式渲染。在不同场景下帧率的情况不太一样，基本能够提升1.5倍~2.8倍。这个场景非常仿真、非常真实，里面的物体的面数都非常高。
最后一个demo是Unity中国和中国移动咪咕合作的叫“星际广场世界杯”的项目，这个项目是在2022年世界杯期间上线的，它主打的是万人同屏的元宇宙体验。画面上展示的是一个5000人的场景，上下两个场景是一样的，场景里面共有5000个用户参与，也是4k的环境。这个项目使用了分布式计算+分布式渲染，因为有这么多用户的参与，没有分布式计算就无法跑起来。这个项目的分布式物理是由MOTPHYS公司提供的，用了3个Renderer的分布式渲染，可以把整个帧率从大约15帧左右提升到30帧左右。
可以看这个简化的分布式渲染架构图。Merger和Renderer之间的通信是通过网络TCP传输的，即图像是通过TCP传输的。
一是会遇到网络带宽瓶颈，在实时3D交互的场景下，一般至少要Target到1080p60帧。而如果传的是8 bits RGBA的图像格式，需要的带宽是4Gbps，远远超出了常见的千兆带宽1 Gbps，很多机房没有办法接受。即使对Raw Data进行YUV420的简单压缩，它也要占用约1.6 Gbps的带宽，超过了千兆。其次是性能问题。因为Unity的画面是从GPU渲染出来的，为了通过网络传输这个画面，要先把GPU显存上的图像数据先回传到CPU端。这个回读就会导致需要暂停渲染的流水线，因为目前Unity优化较好的实时3D引擎的渲染都是流水线形式的，即CPU产生场景数据，再把这个场景数据交给GPU渲染，同时CPU可以进行下一帧的计算。但是如果数据是反过来从GPU回到CPU，意味着需要把流水线暂停，包括GPU、CPU上的所有任务都要等待回读完成之后才能继续工作。这里截取了一张Unity的回读指令，它消耗的时间是7.22毫秒，在实时交互的场景下，希望做到的是60帧的体验，即16毫秒，因此用7.22毫秒的时间把这张图片读回来是无法接受的。
为了解决这两个问题，Unity为分布式渲染的方案开发了Unity Native Render Plugin。Unity的目标运行环境是云端，Linux和Vulkan的图形API。云端一般配备的是NVIDIA GPU，希望采用NVIDIA GPU进行硬件的视频编解码。在这个方案下面，Unity还是负责虚拟世界的渲染和逻辑。FFmpeg负责视频的编解码以及把Unity的图像在显存内部拷贝给NVIDIA的Video Codec SDK，Unity的插件就是连接这两个部分以实现目标。
这几个流程图展示了Unity一定要硬件编解码的原因。橙色的框为显存上的数据，蓝色的框为CPU端内存上的数据。最左边的流程图是最简单的。如果要传输一个Raw Data的方案，在GPU上把图像渲染完成之后，要通过回读把它读到CPU端，这是非常耗时的操作。在读完这个图像之后，把它通过TCP发送给Merger，占用带宽非常大，这是不可接受的。如果引入的是一个软件编解码的场景，需要图像的数据在CPU端存在。所以回读还是无法避免，操作仍然十分耗时。在软件编解码时进行的编码和解码操作，同样非常耗时。虽然这对视频来说没问题，但是对于60帧的实时场景是不太能接受的。但是这个方案的带宽其实优化了很多，因为视频码率至少比4 Gbps、1.5 Gbps好很多。这是软件面板的情况，它最多只是优化了带宽。最后是硬件编解码。硬件编解码是在渲染完成之后，通过显存间的拷贝，把渲染的结果拷贝到Media的CUDA端，然后做硬件编码和硬件解码。虽然是一次拷贝，但是因为是在一张显卡的显存上，所以拷贝过程非常快。硬件编码完成之后，视频帧数据会自动回到CPU端。虽然其本质上也是一次回读，但是它和流水线无关，相当于是在另一条线上完成的，所以这个回读消耗的只有从PCIE到CPU到内存的带宽的速度，回读的不是一个完整的图像，而是压缩好的视频帧，它的数据量也大大减小，所以回读非常快。之后通过TCP发送视频帧，带宽非常小，在Merger端解码上传的Buffer也比原来小，解码也很快。最后把解码完成后的Image，Copy 到Vulkan Texture，这也是在同一块GPU内显存里的操作。可以看到，硬件编解码的流程优化了很多，每一步都能得到很高的提升。
介绍一下Unity是怎样配置FFmpeg的CodecContext的。Unity使用了两个CodecContext，Video Context是真正用来做视频编解码的Context，它是一个TYPE CUDA的Hwdevice。第二个CodecContext用的是Vulkan的Context，这个Context的作用是和Unity的Vulkan Context进行交互，所以在初始化时不会使用到它默认的API，而是从Unity的Vulkan Instance里面取出了所有必要的信息，把它交给FFmpeg的Vulkan Context，最后通过这种方式，就可以让FFmpeg的环境和Unity的环境存在于同一个Vulkan的运行环境中。
Video Context做初始化时，没有用到它默认的Hwdevice Context create的API，用到的是create derived的API。这个API需要传入另一个Hwdevice Context，它能保证做初始化时和另一个Hwdevice Context使用的是同一个物理GPU，这样才能真正地做显存间拷贝。这里选取的边界码的格式是H.264，8 bit，NV 12。为什么要选用这个格式呢？其实是受硬件限制，因为目前NVIDIA硬件不支持10 bit的H.264的解码。H.265则耗时较大，不太满足60帧的需求，所以不得不选取这个格式。同时Unity是Zero Latency的配置，GOP的Size是0，保证视频每一帧都是Intra Frame。这有两个好处，一是它的延迟非常低。其次，因为分布式渲染在管理的时候可能会随机丢弃帧，如果有预测帧则不好丢弃，在全是I帧的情况下可以随机丢弃。接下介绍Unity在画质方面和性能方面对插件进行的一些优化。
首先是Tone-Mapping。Unity之所以这样做是因为遇到了Color-Banding问题，这个问题由两个因素导致：首先，传输的图像不是一个普通的SDR图像，而是HDR图像；其次，选取的格式只有8 bit，它导致了颜色精度和范围都是受限的。
为了理解为什么Unity传输的是HDR图像，我给大家简单介绍一下渲染里面的一帧是怎么生成的。图示为简化的渲染过程，真正的渲染过程要比这复杂很多。第一个部分叫Pre-Pass，它的作用是生成后续渲染阶段所需要的Buffer，在这一阶段里会预先生成Depth，即预先生成深度缓冲。深度缓冲预先生成最主要的好处就是可以减少Over-Draw，很多被遮挡的物体直接被剔除掉，后续步骤中就可以不用画。第二步是渲染中最主要的一个步骤，我把它叫做Lighting Pass，主要的作用是计算光照，生成物体的最终颜色。这种Pass的实现方式有很多种，例如前向渲染、延迟渲染等。无论是使用哪种实现方式，它的最终目的都是生成一张Color Buffer，即颜色数据。最后一个步骤一般成为后处理Post-Processing。这个步骤的主要作用是对输出的Color Buffer进行图像处理。经过Post-Processing产生的图像，颜色比单纯的Color Buffer自然很多。Post-Processing里面的效果大部分都是屏幕空间效果，例如要做一个辉光的效果，画面中有一盏灯非常亮，在它的边缘会有一些柔和的光效溢出，这个效果基本上就是通过Post-Processing实现的。
屏幕空间效果会有什么问题？在分布式渲染中，渲染任务是被拆分开的，所以真正做渲染的Render的机器，实际上是没有全屏信息的，它没有办法做后处理。对此Unity的解决方案是将后处理交由Merger进行。Renderer渲染到Color Buffer生成之后，就把Color Buffer传给Merger，Merger先把这个Color Buffer合起来，再总体做一次后处理。那么，为什么这一过程中传的Colour Buffer是HDR的？因为在渲染中，光照模型一般都是物理真实的，所以为了之后做后处理，Colour Buffer本身是HDR的。如图所示，这是把Black Point和White Point分成设置成0和1的效果，但是实际上这张图最高的值可以到90以上。如果是室外的场景，最高值可以到一万多，所以这张图的动态范围是非常高的。
同时，因为传的是动态很高的HDR图像，加上使用的是8bit的编码，所以必须找到一个方法把HDR的Corlor Buffer映射为SDR的Buffer。对于这一映射也有一些要求，其一，它需要可逆；其二，它需要保留更大的表示范围，并且尽量减少精度损失。Unity在这方面采用的是AMD提出的Fast Reversible Tone-Mapper，它有许多好处：首先它是Unity SRP原生支持的，是Unity的可编程的渲染管线；其次它是可逆的，如图是它的公式；再次，它保留的数字范围更大，精度损失更小。如图上这一图像，y=x可以理解为原始颜色，经过Tone-Mapper处理后，它的取值范围永远在0~1之间，同时当它的值越小时，斜率越大，代表它能表示的数字越多，可保留的精度越高。有时在渲染中会遇到颜色值非常高的情况，但这种情况少之又少，更多的还是保留在0~1的范围区间内。因此Tone-Mapper能够帮助我们在0~1这个区间范围内保留更多的精度；最后它非常快，在AMD的GCN架构的显卡下，MAX RGB会被编译为一个指令，整个运算中只有3个指令，Max、加法和除法，所以它是非常快的。
如图，可以对比使用Tone-Mapping前后的效果。最左边是未经任何处理的原始图像；中间是不使用任何Tone-Mapping，经过8 bit的编解码、网络传输，再解码回来的情况；最右边是应用了Fast Reversible Tone-Mapping的情况。可以看到里面的背景有很多细节纹理，代表其中高频的信息比较多。在高频信息较多的场景下，应用了Fast Reversible Tone-Mapping之后的效果和原始图像的效果对比，已经看不出什么区别了。
但是如果场景里低频的信息较多，例如渐变较多，即使运用了Tone-Mapping，也没有办法完全解决这个问题。可以看到，原始图像上的渐变非常柔和，在无Tone-Mapping的情况下，色带肉眼可见。但是即使引入了Fast Reversible Tone-Mapping，也只能减缓色带问题，比起原始图像而言还是差了很多，目前没有更好的办法解决这一问题。
Unity对插件进行性能优化的另一个方式是Vulkan同步。因为涉及GPU内部的显存拷贝，而且它是Vulkan拷贝到CUDA的操作，所以它是一个GPU-GPU的异步操作。异步操作要求开发人员对于操作做好同步，即在编码时，要保证Unity渲染完成之后才进行编码，解码时要保证解码完成之后，才能把这张图像Copy给Unity，让Unity把它显示在屏幕上。
Unity Vulkan Native Plugin Interface提供了一种同步方式。这里主要关注框出的两个Flag：上面的Flush Command Buffer，指在Unity调用自定义渲染事件时，Unity会先把它已经录制好的渲染指令提交到GPU上，这时GPU就可以开始执行这些指令了。下面的Sync Worker Threads，指在Unity调用自己定义的Plugin Render Event时，会等待GPU上所有的工作全部完成之后才会调用。
这两个方式组合起来确实能满足需求，确实可以做到同步，但是这种方式也打断了渲染流水线。使用这种同步方式，在调用Plugin Event之前，所有程序要全部停下，等待GPU完成操作。因此这个方式虽然能实现同步，但非常耗时。如图展示的就是在这个同步方式下的情况。在简单的场景下，它耗时5.6毫秒。所以这种方式虽然能同步，但是性能非常差。
Unity只提供了上述的同步方式，因此我们只能转向Vulkan自带的同步原语。Timeline Semaphore是Vulkan在1.2版本的SDK里提出的新型的Semaphore，它非常灵活，而且是FFmpeg原生支持的。这里是FFmpeg的Vulkan Context的Frame，它通过Timeline Semaphore同步。在FFmpeg里，它主要被用于GPU-CPU同步，但它也可以用于GPU-GPU同步。Unity提供的同步方式只有上述两个Flag，它无法直接使用底层的同步原语，但是它允许我们Hook Vulkan的任何一个API，即在 Hook之后，Unity在调用Vulkan的API时，它其实调用的是我们自己定义的Hook的版本，因此我们使用了Vulkan Hook介入Unity的渲染，在Unity把一帧的渲染提交给GPU之前，通过Hook提交的API，把FFmpeg的Semaphore 塞到提交里面，就可以保证在渲染完成之后会通知Timeline Semaphore，FFmpeg会等Semaphore被通知之后再执行。通过这种方式，这个同步也能达成目的，而且不会打断渲染流水线。
如图所示，上面为5.6毫秒耗时的情况，下面则完全把这一耗时消除了。因为在这个情况下，不需要在调用Render Event之前就提交渲染指令，而是在GPU上通过Timeline Semaphore和FFmpeg的Command进行同步，因此把这一部分完全省去了。在这个简单场景中大概有5.6毫秒左右的提升，经过测试，在复杂场景中则会有10~20毫秒不等的提升。
另一个性能优化方案是多重缓冲，这是渲染中非常常用的技巧。在渲染中，常常会用多重缓冲来减少画面的卡顿、撕裂等情况，三重缓冲还能够提高帧率的稳定性、提高渲染性能。多重缓冲的引入会把渲染变成Single Producer, Single Consumer的流水线模型，即渲染流水线。正是因为有多重缓冲，才能形成流水线，让GPU往一个缓冲中写入时，CPU可以开始准备下一个缓冲，GPU可以同时往另一缓冲区写入下一帧数据。在编解码的插件中，Unity也引入了多重缓冲来提高性能，使用硬件编解码代替图像上屏操作。渲染的图像没有显示在屏幕上，而是通过网络发走，这是通过多重缓冲的方式实现的，和渲染有同样的效果。在引入多重缓冲后，Unity的渲染和编解码器会分别作为Producer和Consumer进行渲染和编解码的流水线。
在分布式渲染的解决方案中会遇到网络带宽和性能问题。首先，通过引入视频编解码可以解决了网络带宽的问题，采取硬件编解码避免GPU-CPU的回读，避免打断渲染的流水线。为了实现这个目标，Unity开发了Unity Native Rendering Plugin来对接Unity和FFmpeg底层的Vulkan和NVIDIA Codec 的SDK。因为选取的编解码格式，方案中还遇到了色带问题，因此在方案中我们引入Tone-Mapping优化画质，通过FFmpeg自带的Timeline Semaphore，把Unity的渲染指令和FFmpeg的拷贝指令和编解码指令进行同步，保证编解码结果正确。最后，Unity通过引入多重缓冲提升性能，减少帧率不稳的情况。
首先，Unity希望尝试Vulkan自己推出的Vulkan Vider Extensions。它在2023年1月左右才真正进入Vulkan的SDK，成为一个正式的功能。这个Extension非常新，所以到目前为止Unity还没有机会进行尝试，但一直在关注。如果使用这一Extension，就可以完全避免前文所述得到显存间拷贝、同步等问题。因为这一应用程序没有引入别的GPU端的运行环境，完全在Vulkan内部运行，因此我们不需要拷贝，直接使用Unity的结果即可。其次，Unity在对接其他GPU的硬件厂商，尝试其他硬件编码。Unity目前正在和一些国产的GPU厂商对接，他们表示他们的硬件编解码能力会有所提升，支持的格式不再限制于8 bits了。最后，Unity还希望尝试一些要使用GPUDirect RDMA、CXL共享内存等特殊硬件的方案。GPUDirect RDMA允许直接把GPU显存里的东西直接通过网络发走，能够减少回读。CXL共享内存，顾名思义是个共享内存，相当于很多台机器共享一个远程的内存池，因此它的带宽和延迟都是内存级别。这一方案至少允许我们在分布式渲染的环境下不进行视频编解码，可以使用Raw Data的方式，把Raw Data存在远程内存中。
▲扫描图中二维码或点击“阅读原文” ▲
直通LiveVideoStackCon 2023深圳站 9折购票通道
