Centrifugo v6.0.3 版本发布:实时消息服务器性能优化详解
Centrifugo 是一款开源的实时消息服务器,它能够通过多种传输协议(如 WebSocket、HTTP-streaming、SSE/EventSource、GRPC 和 WebTransport)将消息即时推送给在线用户。Centrifugo 采用通道(channel)的概念,实现了面向用户的发布/订阅(PUB/SUB)模式。它语言无关,可以与任何后端结合使用,非常适合构建聊天应用、实时评论、多人在线游戏、实时数据可视化和协作工具等现代架构应用。
性能优化亮点
单向传输协议改进
在 v6.0.3 版本中,Centrifugo 对单向传输协议进行了多项优化:
-
SSE(Server-Sent Events)传输优化:现在支持在调用
Flush之前将多条消息写入底层 HTTP 连接缓冲区,从而继承了 Centrifugo 客户端协议的消息批处理能力。这种改进减少了系统调用次数,降低了 CPU 使用率。 -
HTTP流传输优化:实现了与 SSE 相同的改进,提高了消息传输效率。
-
WebSocket 传输新增选项:引入了
uni_websocket.join_push_messages布尔选项。启用后,Centrifugo 可以将单向推送消息合并到单个 WebSocket 帧中。需要注意的是,客户端必须能够解码这种合并后的帧格式(对于 JSON 是新行分隔的格式),这与双向 WebSocket 使用的格式一致。 -
连接阶段优化:通过消除中间
ConnectRequest对象,减少了单向连接阶段的内存分配。
双向模拟传输优化
-
HTTP流和SSE传输:在双向模拟中使用的这两种传输协议现在也受益于与单向传输相同的连接缓冲区写入优化。
-
/emulation 端点改进:现在使用更快的 JSON 解码器处理传入请求,提高了处理效率。
文档改进
-
配置文档:改进了配置选项的可读性,使可用选项更加清晰可见。
-
单向协议文档:提供了更详细的单向协议描述,帮助开发者更好地理解和使用。
-
实时传输文档:对各种实时传输的描述进行了更好的结构化,使选项更加清晰可见。
技术细节与兼容性
-
Valkey 支持:新增了对 Valkey(原 Redis 分支)的集成测试支持。随着 AWS 将 Elasticache 迁移到 Valkey,这一支持变得尤为重要。
-
Go 版本:此版本使用 Go 1.23.6 构建,确保了更好的性能和稳定性。
-
架构支持:提供了多种操作系统和架构的预编译二进制文件,包括 Linux(amd64、arm64、armv6、386)、macOS(amd64 和 arm64)、FreeBSD(amd64)和 Windows(amd64)。
总结
Centrifugo v6.0.3 版本通过多项优化显著提升了性能,特别是在单向和双向传输协议方面。这些改进不仅提高了消息传输效率,还降低了系统资源消耗。同时,文档的改进使开发者能够更轻松地配置和使用各种功能。对于正在使用或考虑使用 Centrifugo 的开发团队来说,这个版本值得升级。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0105
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00