Smart Core 工作原理详解

概述

Smart Core 是一个基于机器学习和智能算法的节点选择引擎，它通过收集和分析节点的历史性能数据，自动为每个连接选择最优的代理节点。与传统的 url-test 和 load-balance 策略组不同，Smart Core 采用实时动态优化算法，能够根据实际网络状况和使用场景进行智能决策。

💡 核心理念
Smart Core 的目标是完全自动化地解决节点选择问题，用户只需将可用节点放入 Smart Group，系统会自动完成最优节点的选择和切换。

权重计算机制

核心权重因子

Smart Core 使用多维度指标来计算每个节点的权重值：

1. 连接成功率

跟踪指标：记录每个节点的成功和失败连接尝试
权重影响：成功率越高，权重值越高
时间敏感性：近期的失败对权重减少的影响更大
计算方式：使用加权平均，给予近期数据更高权重

2. 连接性能指标

握手延迟：连接建立所需的时间
网络延迟：数据包往返时间 (RTT)
权重关系：延迟越低，权重值越高
动态调整：根据网络状况实时调整基准值

3. 连接使用统计

上传流量：节点处理的总上传数据量
下载流量：节点处理的总下载数据量
连接持续时间：平均连接保持时间
奖励机制：高吞吐量和稳定连接获得权重加成

4. 时间衰减因子

基准时间：基于最后使用时间戳
衰减规则：长时间未使用的节点权重逐渐降低
数据新鲜度：确保新性能数据具有更高相关性

5. 连接类型差异化

协议区分：UDP 和 TCP 连接采用不同评分规则
连接模式：长连接与短连接使用专门的处理逻辑
场景优化：根据具体使用场景调整权重计算

权重计算流程

基础权重计算

将所有指标合并为标准化的基础权重值
权重值越高表示预期性能越好
使用非线性函数避免极值影响

策略优先级调整

支持基于节点名称模式的可配置优先级因子
允许手动提升特定节点组或提供商的权重
使用正则表达式匹配实现灵活配置

ASN 特定权重

为不同 ASN 网络维护独立的权重表
单个节点可在不同网络中具有不同权重
根据目标网络特征优化选择策略

权重更新平滑化

使用加权平均更新连接指标
防止异常连接导致的剧烈波动
对异常长连接时间给予更高权重（3:1 比例）

节点选择逻辑

选择优先级层次结构

Smart Core 采用多层次的节点选择策略：

1. 基于域名的匹配

优先级：最高优先级
工作原理：基于特定域名/IP 的历史性能数据进行选择
优化目标：为经常访问的网站选择最优节点
回退机制：当特定数据不可用时，回退到更广泛的匹配模式

2. 基于 ASN 的匹配

触发条件：域名匹配失败时启用
数据来源：使用 ASN 特定的历史性能数据
应用场景：为特定网络提供商识别最优节点
智能分析：分析目标网络的路由特征

3. 缓存查询序列

实时解析缓存：首先检查实时缓存
预计算缓存：然后检查预计算结果
实时权重计算：最后进行实时权重计算
平衡策略：在选择速度和准确性之间取得平衡

4. 回退机制

轮询策略：历史数据不足时回退到轮询
可靠性优先：网络异常时优先考虑可靠性而非性能
自动重试：连接失败时自动使用不同节点重试

站点调优机制

Smart Core 具备针对特定站点的智能优化能力：

连接模式识别

站点特征分析：识别不同网站的连接特征
性能差异处理：同一节点访问不同网站可能表现差异巨大
协议限制检测：检测部分节点对特定协议的限制

自适应策略调整

性能监控：记录访问各网站的连通性和延迟表现
动态优化：下次连接时针对性调整策略选择
学习机制：根据历史数据不断优化选择策略

缓存和预计算系统

多级缓存架构

内存 LRU 缓存

用途：存储热点数据，提供最快访问速度
特点：最近最少使用算法，自动淘汰冷数据
优势：亚毫秒级响应时间

持久化存储

用途：保存全面的历史数据
特点：跨会话数据持久性
管理：基于访问频率的分层淘汰策略

预计算机制

定期计算：为常访问域名和 ASN 预计算最优节点
探索平衡：在已知好节点利用和新节点探索间平衡
随机探索：避免局部优化陷阱，定期尝试其他节点

数据管理策略

数据生命周期

保留期限：14天数据保留期
定期清理：自动清理过期数据
动态调整：根据系统内存动态调整缓存参数

批处理优化

批量更新：减少系统开销
高效处理：避免频繁的磁盘 I/O 操作
资源管理：智能管理系统资源使用

节点状态管理

故障处理机制

故障检测

连续失败跟踪：记录连续失败次数和失败时间戳
阈值判断：超过失败阈值的节点进行降级处理
权重惩罚：根据失败严重程度应用加权惩罚

实时故障切换

快速检测：当握手时间超过历史平均值的 1.5 倍时触发怀疑
立即切换：启用备用策略完成当前连接
透明处理：上层连接甚至不会察觉到切换的发生

恢复机制

分阶段自动恢复

恢复间隔：5分钟、10分钟、15分钟、30分钟的分阶段恢复
渐进恢复：逐步恢复降级节点的权重
防止永久惩罚：避免临时网络问题导致的永久影响

智能惩罚系统

指数惩罚：多次失败时惩罚效果呈指数增长
时间衰减：惩罚效果随时间自然衰减
成功恢复：新的成功记录大幅抹除惩罚效果

机器学习增强 (LightGBM)

LightGBM 模型预测

Smart Core 支持使用 LightGBM 机器学习模型进行权重预测：

模型特征

算法类型：基于梯度提升决策树 (GBDT)
训练数据：历史连接性能数据
预测目标：节点权重值
模型版本：LightGBM 3.3.5

配置选项

# 启用 LightGBM 模型预测
uselightgbm: true
 
# 启用模型自动更新
lgbm-auto-update: true
 
# 模型更新间隔（小时）
lgbm-update-interval: 72
 
# 模型下载地址
lgbm-url: "https://github.com/vernesong/mihomo/releases/download/LightGBM-Model/Model.bin"

数据收集

# 启用数据收集用于模型训练
collectdata: true
 
# 数据采样率（0-1）
sample-rate: 1
 
# 数据收集文件大小限制（MB）
smart-collector-size: 100

特征工程

输入特征

节点延迟数据
连接成功率
历史性能指标
网络拓扑信息
时间特征

特征变换

数值标准化
类别编码
时间序列特征
交互特征构建

高级配置

策略优先级设置

# 策略优先级配置
policy-priority: "Premium:0.9;SG:1.3"

格式：策略名正则:系数
系数含义：
- < 1：提高优先级（降低延迟权重）
- > 1：降低优先级（增加延迟权重）
- = 0：总是优先使用（不推荐）

策略选择策略

Sticky Sessions（默认）

特点：更稳定和平滑的节点切换逻辑
适用场景：数据收集阶段，需要稳定性
行为：同一网站尽量使用相同节点

Round Robin

特点：轮询所有可用节点
适用场景：负载均衡，探索性测试
行为：在所有节点间平均分配流量

API 接口

权重查询

# 查看代理组权重
curl -H 'Authorization: Bearer ${secret}' \
     -X GET http://${controller-api}/group/${groupname}/weights

缓存管理

# 清空 Smart 缓存数据
curl -H 'Authorization: Bearer ${secret}' \
     -X POST http://${controller-api}/cache/smart/flush

最佳实践建议

节点选择原则

品质相近：Smart Group 中的节点品质应比较相近
适量备用：可加入少量次等备用线路
避免垃圾节点：不建议放入过多几乎不可能使用的节点
定期维护：定期检查和更新节点列表

使用注意事项

地区锁限制：不适用于有地区锁限制的站点
金融服务：对 IP 敏感的网站（如网银）建议单独配置规则
策略变化：节点选择会动态变化，这是正常现象
数据积累：需要一定时间收集数据才能达到最佳效果

性能优化建议

内存管理：合理设置缓存大小
数据清理：定期清理过期数据
监控指标：关注权重变化和故障率
模型更新：定期更新 LightGBM 模型

Smart 内核覆写