Marten项目中的"快速追加"事件机制优化
2025-06-26 09:25:47作者:殷蕙予
背景与现状分析
Marten是一个.NET平台上的事件存储和文档数据库库,它内置了强大的事件溯源功能。在当前版本中,当使用SaveChangesAsync()方法保存事件时,Marten会执行一系列相对繁重的预处理操作:
- 从数据库"检出"事件序列号
- 对于每个要追加事件的流,查询数据库获取当前版本号
- 为每个待处理事件应用所有元数据
这种设计虽然确保了内联投影(Inline projections)能够获得完整的事件元数据,但也带来了两个明显的性能问题:
- 额外的数据库往返通信增加了延迟
- 当同一事件流频繁被追加事件时,容易引发并发冲突
优化方案设计
为了解决上述性能瓶颈,Marten计划引入一种新的"快速追加"机制,核心思想是提供一种绕过当前预处理流程的轻量级事件追加方式。
主要优化点
-
新增API方法:将提供
AppendQuick()或StartStreamQuick()等新方法,这些方法明确表示跳过事件预处理阶段。 -
性能优化:
- 避免序列号检出操作
- 跳过版本号查询
- 不处理事件元数据
-
功能取舍:这种快速模式将很可能不支持内联投影的使用,这是为性能做出的明确权衡。
-
兼容性考虑:对于常规的
Append()/StartStream()方法,当确认没有使用内联投影时,也可以选择性地启用这种快速行为,但需要显式"选择加入"。
技术实现细节
从提交记录可以看出,这项优化已经进入实现阶段。开发者通过提交58c03b5开始相关工作,并在提交ff5dc73中完成了实现。
实现的关键在于:
- 重构事件追加流程,分离出快速路径
- 确保在不破坏现有功能的前提下提供新的优化选项
- 维护系统的一致性和可靠性
应用场景与价值
这项优化特别适合以下场景:
- 高吞吐量事件流:当系统需要向同一流快速追加大量事件时
- 性能敏感型应用:对延迟有严格要求的场景
- 简单事件存储:不需要复杂投影处理的用例
这项改进也为Marten未来的#2533功能(长期积压的需求)奠定了基础,展现了良好的架构演进性。
总结
Marten通过引入"快速追加"事件机制,在保持核心功能完整性的同时,为特定使用场景提供了显著的性能优化。这种设计体现了良好的架构权衡思想,既满足了需要完整功能集的用户,也为追求极致性能的场景提供了选择。这种优化方式值得其他事件溯源系统借鉴,展示了如何在不牺牲核心价值的前提下提升系统性能。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
最新内容推荐
电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 开源电子设计自动化利器:KiCad EDA全方位使用指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Python案例资源下载 - 从入门到精通的完整项目代码合集 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137