Redisson 3.47.0发布:分布式队列增强与性能优化
Redisson项目简介
Redisson是一个基于Redis的Java客户端,它不仅提供了对Redis基础数据结构的封装,还在此基础上实现了丰富的分布式Java对象和服务。作为一个成熟的Redis客户端框架,Redisson简化了在分布式环境中开发复杂应用的过程,提供了分布式锁、队列、集合、Map等高级数据结构,以及分布式服务如远程服务、定时任务等。
版本亮点解析
可靠的分布式队列增强
3.47.0版本对RReliableQueue进行了重大改进,新增了ReliableFanout对象,这是一种可靠的发布-订阅模式实现。与传统的Redis Pub/Sub不同,ReliableFanout保证了消息的可靠传递,即使在消费者暂时不可用时也不会丢失消息。
RReliableQueue现在支持两种处理模式:
- 单消费者模式:传统的队列模式,消息被一个消费者消费
- 多消费者模式:类似Kafka的消费者组模式,多个消费者可以并行处理消息
新版本还引入了监听器机制,开发者可以注册消费者监听器来接收队列状态变化的通知。同时,队列现在提供了丰富的度量指标,包括待处理消息数、处理中的消息数等,便于监控队列健康状况。
性能优化与稳定性提升
在底层连接管理方面,修复了多个可能导致连接泄漏的问题。特别是在哨兵模式下,新版本优化了故障转移后的连接管理,避免了为每个写操作创建新连接的问题。
对于集群环境中的RMap.loadAll()方法可能挂起的问题进行了修复,提升了大规模数据加载的可靠性。同时改进了"WAIT"和"WAITAOF"命令的可用性检测机制,使复制相关操作更加健壮。
数据结构功能扩展
RScoredSortedSet新增了多个集合操作相关方法:
- readDiffEntries:读取差集条目
- readIntersectionEntries:读取交集条目
- readUnionEntries:读取并集条目
这些方法为需要复杂集合运算的场景提供了更高效的实现方式。
框架整合改进
Spring生态整合增强
修复了Spring Cache.getNativeCache()返回错误实例的问题,确保了与Spring Cache抽象的更好兼容。对于Spring Data Redis的ReactiveZSetCommands.zadd()方法的默认参数进行了修正,使API行为更加符合预期。
特别值得注意的是,修复了Spring Data Redis中addMessageListener()方法在向同一主题或模式添加多个监听器时可能挂起的问题,提升了高并发订阅场景下的稳定性。
Micronaut支持改进
针对Micronaut 4.x版本,修复了只能连接到单个节点的问题,现在可以正确识别和连接Redis集群中的所有节点。
开发者建议
对于正在使用或考虑使用Redisson的开发者,3.47.0版本带来了多项值得关注的改进:
- 对于需要可靠消息传递的场景,建议评估新的RReliableQueue功能和ReliableFanout对象
- 在Spring生态中使用Redisson时,可以考虑升级以获得更稳定的消息监听体验
- 对于使用集群模式的用户,新版本解决了多个稳定性问题,建议优先升级
- 新增的集合操作方法可以简化某些业务逻辑的实现,值得在代码审查时关注
这个版本的改进主要集中在分布式队列的可靠性和功能性增强,以及底层稳定性的提升,体现了Redisson项目对生产环境需求的持续关注。
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