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!
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00