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!
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