Redisson 3.44.0版本发布:分布式Java对象服务的重要升级
Redisson是一个基于Redis的Java驻留内存数据网格(In-Memory Data Grid)和分布式Java对象服务框架。它为Java开发者提供了简单易用的分布式对象和服务,包括分布式集合、分布式锁、分布式执行服务等,极大地简化了分布式系统开发。最新发布的3.44.0版本带来了一系列重要改进和新特性,值得我们深入探讨。
JCache API的本地缓存增强
本次更新最显著的特点是对JCache API的本地缓存功能进行了重大增强。Redisson现在提供了原生驱逐(native eviction)和高级驱逐(advanced eviction)两种机制。原生驱逐基于Redis自身的过期策略,而高级驱逐则提供了更精细的控制能力,允许开发者根据特定业务需求定制缓存项的移除策略。
这些改进使得Redisson的JCache实现能够更好地处理内存管理问题,特别是在需要维护大量缓存项的场景下。开发者现在可以根据数据访问模式选择最适合的驱逐策略,优化内存使用效率。
负载均衡与连接管理的优化
3.44.0版本在负载均衡和连接管理方面也做出了重要改进:
- 新增了
commandsMap设置到CommandsLoadBalancer对象,允许更精确地控制命令的路由行为。 - 为
RandomLoadBalancer和RoundRobinLoadBalancer增加了regex设置,可以通过正则表达式过滤节点,实现更灵活的负载均衡策略。 - 引入了Unix Domain Socket (UDS)支持,通过"redis+uds://"或"valkey+uds://"协议,可以在单机模式下使用更高效的本地通信方式。
这些改进特别适合大规模分布式系统,能够显著提升系统的稳定性和性能。
分布式锁机制的完善
Redisson的分布式锁功能一直是其核心特性之一,本次更新对锁机制进行了多项优化:
- 新增
lockWatchdogBatchSize设置,允许批量处理锁看门狗任务,减少网络开销。 - 修复了
RReadWriteLock.unlock()方法不尊重锁所有者的问题,增强了安全性。 - 改进了锁看门狗机制,确保即使在抛出异常的情况下也能正确续租锁。
这些改进使得Redisson的分布式锁更加健壮可靠,特别是在高并发和网络不稳定的环境下。
其他重要修复与改进
除了上述主要特性外,3.44.0版本还包含了许多重要的修复和改进:
- 改进了
RBuckets.get()方法在单机模式下的名称映射处理。 - 修复了Sentinel模式下的故障转移处理逻辑。
- 解决了
RScript.evalSha()方法在集群模式下无法工作的问题。 - 为
RScheduledExecutorService方法添加了任务ID重复检查,防止重复执行。 - 修复了Micronaut
Session.put()方法在值为null时的处理逻辑。
这些改进覆盖了框架的多个关键组件,显著提升了Redisson的稳定性和可靠性。
总结
Redisson 3.44.0版本是一次全面的质量提升,特别是在JCache API、负载均衡和分布式锁等核心功能方面。这些改进不仅增强了框架的功能性,也提高了其在复杂分布式环境下的表现。对于正在使用或考虑使用Redisson的Java开发者来说,升级到3.44.0版本将能够获得更好的开发体验和系统性能。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
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 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
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