Lua-Resty-Mlcache 使用教程
2024-08-19 14:24:50作者:段琳惟
项目介绍
Lua-Resty-Mlcache 是一个为 OpenResty 设计的分层缓存库。它结合了 lua_shared_dict API 和 lua-resty-lrucache 的强大功能,提供了一个极其高效和灵活的缓存解决方案。该库支持缓存和负缓存(negative caching),内置互斥锁(mutex)防止缓存击穿,以及跨工作进程的通信机制,以便在缓存失效时更新 L1 缓存。
项目快速启动
安装
首先,确保你已经安装了 LuaRocks。然后使用以下命令安装 Lua-Resty-Mlcache:
luarocks install lua-resty-mlcache
配置和使用
在你的 Nginx 配置文件中,添加以下配置:
http {
lua_shared_dict cache_dict 1m;
lua_code_cache on;
init_by_lua_block {
local mlcache = require "resty.mlcache"
local cache, err = mlcache.new("my_cache", "cache_dict", {
lru_size = 500, -- L1 缓存大小
ttl = 3600, -- 缓存有效期 1 小时
neg_ttl = 30 -- 负缓存有效期 30 秒
})
if not cache then
error("failed to create mlcache: " .. err)
end
_G.cache = cache -- 将缓存实例全局化,方便使用
}
server {
listen 8080;
location / {
content_by_lua_block {
local function callback(username)
return db:get_user(username) -- 从数据库获取用户信息
end
local value, err = cache:get("user_key", { callback = callback })
if err then
ngx.say("Error: ", err)
else
ngx.say("Value: ", value)
end
}
}
}
}
应用案例和最佳实践
应用案例
Lua-Resty-Mlcache 适用于需要高性能缓存解决方案的场景,例如:
- API 网关缓存:在 API 网关中缓存频繁访问的数据,减少后端服务的负载。
- 动态配置缓存:缓存动态配置数据,减少对配置管理服务的频繁访问。
最佳实践
- 合理设置 TTL:根据数据更新的频率合理设置缓存的有效期(TTL),避免缓存数据过时。
- 使用负缓存:对于不存在的数据,使用负缓存可以减少对后端服务的无效请求。
- 监控和调优:定期监控缓存的命中率和性能,根据实际情况调整缓存配置。
典型生态项目
Lua-Resty-Mlcache 可以与以下项目结合使用,以构建更强大的系统:
- OpenResty:作为核心服务器,提供高性能的 Web 服务和 API 网关。
- Lua-Resty-Redis:与 Redis 结合,实现分布式缓存和数据共享。
- Lua-Resty-MySQL:与 MySQL 结合,实现高效的数据访问和缓存。
通过这些项目的结合使用,可以构建出高性能、可扩展的 Web 应用和 API 服务。
登录后查看全文
热门项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
411
3.16 K
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++
664
323
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
676
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
659
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
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
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
342
146