JOYRPC:一款强大的Java RPC框架
项目介绍
JOYRPC 是一款基于Java实现的RPC服务框架,旨在提供高性能、高可扩展性的分布式服务调用解决方案。JOYRPC在总结内部服务框架经验的基础上,进行了完全重新设计,支持全异步、微内核和插件化,旨在满足现代微服务架构的需求。
项目技术分析
微内核架构
JOYRPC采用微内核设计,所有核心模块都支持用户自定义,框架本身只提供了默认实现。这种设计使得JOYRPC具有极高的灵活性和可扩展性,用户可以根据自身需求定制RPC服务的各个环节。
纯异步处理
JOYRPC的接口完全支持CompletableFuture类型返回值,Provider端的业务逻辑可以异步执行,从而显著提升服务端的吞吐量。同时,Filter调用链也实现了全异步化,进一步优化了性能。
协商机制
在连接建立成功后,Consumer和Provider会进行协商逻辑,确认协议版本、序列化可用列表、压缩算法列表等,确保在多版本协议中,编解码、序列化、压缩等插件实现的兼容性。
多注册中心支持
Provider端支持多注册中心同时注册,注册中心插件化,默认提供了memory、zk、etcd等注册中心实现,用户也可以自行扩展。
插件化多协议
JOYRPC提供协议插件,默认支持joyrpc、http、grpc等多种协议。特别值得一提的是,JOYRPC的grpc协议支持与原生grpc相互调用,无需修改Java接口即可实现grpc调用。
优雅上下线
JOYRPC支持优雅的上下线机制。Provider发布时,启动与注册逻辑完全分开,先启动后注册,同时支持接口预热,确保优雅上线。Provider下线时,会向Consumer端发送下线通知,处理完剩余请求后关闭端口,实现优雅下线,Consumer端无感知。
插件化编解码、序列化、压缩
JOYRPC的解码、序列化、压缩算法全部插件化可扩展,用户可以自定义序列化方式。框架默认采用hessian协议序列化,兼容性更好,同时也提供了性能更高的protostuff协议序列化。
预热权重与增强重试
Provider端支持接口预热,通过配置预热插件,启动时触发预热逻辑。Consumer端支持预热权重,新Provider节点启动时,权重逐渐增大,流量也会逐渐增大,保证服务调用可用率。此外,JOYRPC还提供了更加合理的重试逻辑,支持重试节点筛选插件和业务分组重试,确保安全重试。
自适应负载均衡
Consumer端可配置自适应负载均衡,根据Provider节点的TP指标、异常数进行自适应负载控制,保证服务调用的稳定性。
序列化安全与分布式事务
JOYRPC默认采用白名单方式增强序列化安全,并集成了Seata分布式事务插件,确保分布式环境下的数据一致性。
云原生支持
JOYRPC支持以应用的服务名称来进行注册,而不是以接口注册服务,更符合云原生架构的需求。
项目及技术应用场景
JOYRPC适用于各种需要高性能、高可扩展性RPC服务的场景,特别是在微服务架构中表现尤为出色。无论是大型互联网应用、企业级分布式系统,还是云原生应用,JOYRPC都能提供稳定、高效的服务调用解决方案。
项目特点
- 微内核架构:高度灵活和可扩展,用户可自定义核心模块。
- 纯异步处理:提升服务端和调用端的吞吐量。
- 协商机制:确保多版本协议的兼容性。
- 多注册中心支持:灵活选择和扩展注册中心。
- 插件化多协议:支持多种协议,包括grpc。
- 优雅上下线:确保服务无感知上下线。
- 插件化编解码、序列化、压缩:用户可自定义序列化方式。
- 预热权重与增强重试:提升服务可用率。
- 自适应负载均衡:确保服务调用的稳定性。
- 序列化安全与分布式事务:增强安全性和数据一致性。
- 云原生支持:更符合现代云原生架构的需求。
结语
JOYRPC作为一款功能强大、设计先进的RPC框架,无论是从性能、扩展性还是安全性上,都表现出色。如果你正在寻找一款能够满足现代微服务架构需求的RPC框架,JOYRPC无疑是一个值得考虑的选择。立即访问JOYRPC GitHub,开始你的高性能RPC服务之旅吧!
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00