Foyer项目v0.17.0版本发布:混合缓存系统的重要升级
Foyer是一个用Rust语言开发的高性能混合缓存系统,它结合了内存缓存和磁盘缓存的优势,为应用程序提供高效的缓存解决方案。在最新发布的v0.17.0版本中,Foyer带来了一系列重要的改进和新特性,显著提升了系统的性能和可用性。
核心特性改进
1. 缓存条目属性重构
新版本对缓存条目的属性管理进行了重大重构,将ephemeral(临时性)、hint(提示)和location(位置)等属性统一打包到CacheProperties和HybridCacheProperties结构中。开发者现在可以通过insert_with_properties()和fetch_with_properties()方法来设置这些属性,这使得API更加统一和简洁。
对于从旧版本迁移的用户,需要将原来的.insert_with_hint()、.insert_ephemeral()等方法替换为新的属性设置接口。
2. 磁盘缓存插入优化
v0.17.0版本改进了从磁盘缓存填充条目的处理机制:
- 引入了基于年龄的FIFO策略来管理大型对象的磁盘缓存
- 跟踪内存缓存条目的来源
- 当内存缓存条目被插入到磁盘缓存时,系统会根据条目的来源和年龄决定是否跳过该操作,避免不必要的磁盘写入
3. 关闭时的缓存刷新支持
新版本增加了在关闭混合缓存时将内存中的缓存条目刷新到磁盘的功能。这一特性可以通过在混合缓存构建器中设置.with_flush_on_close(true)来启用,确保在系统关闭时不会丢失重要的缓存数据。
4. IO限流机制增强
IO限流功能得到了显著增强:
- 支持基于读写IOPS和吞吐量的高级限流
- 支持按IO计数或IO计数加IO大小两种方式进行IO统计
- 移除了旧的
RateLimiterAmissionPicker,改为直接在设备级别设置IO限流
5. 请求去重与单次飞行优化
磁盘缓存现在支持通过fetch()接口实现请求去重和单次飞行优化。开发者可以使用.fetch_with_properties()API,并将HybridCacheProperties中的location设置为Location::OnDisk来利用这一优化。
其他重要改进
-
构建器API:新增了
builder()API,为Cache和HybridCache提供了更便捷的构建方式。 -
依赖优化:默认情况下不再包含tracing依赖,需要通过启用
tracing特性来使用相关功能。 -
性能监控:升级了
mixtrics到v0.1版本,改进了性能监控能力。 -
Grafana仪表板:改进了Grafana仪表板的变量设置,提供更灵活的监控视图。
-
指标收集:增加了对LODC索引器插入冲突的指标收集,帮助开发者更好地理解系统行为。
性能优化
新版本在多个方面进行了性能优化:
- 通过年龄感知的磁盘缓存插入策略减少了不必要的磁盘写入
- 优化的IO限流机制可以更精确地控制资源使用
- 请求去重和单次飞行优化减少了重复操作的开销
- 改进了内存缓存到磁盘缓存的刷新机制,减少了关闭时的性能冲击
迁移指南
对于从旧版本升级的用户,需要注意以下变更:
- 缓存属性API的变化,需要使用新的
insert_with_properties()和fetch_with_properties()方法 - IO限流设置方式的变化,现在直接在设备级别配置
- 如需使用tracing功能,需要显式启用
tracing特性 - 关闭时刷新功能需要显式启用
Foyer v0.17.0版本通过这一系列改进,为开发者提供了更强大、更灵活的缓存解决方案,特别是在大规模数据处理和高并发场景下,能够提供更稳定和高效的性能表现。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0118
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01