FusionCache与Microsoft HybridCache的技术融合之路
背景介绍
在.NET生态系统中,缓存技术一直是提升应用性能的重要手段。近期微软在.NET 9中推出了全新的HybridCache组件,这一举措引发了开发者社区对现有缓存解决方案未来发展的广泛讨论,特别是对流行的开源缓存库FusionCache的影响。
HybridCache的核心特性
微软的HybridCache带来了几项关键特性:
- 缓存击穿保护机制
- 支持单层(内存)或双层(内存+分布式)缓存架构
- 多节点通知系统
- 缓存标签功能
- 序列化压缩支持
这些特性在FusionCache中同样具备(除压缩功能正在开发外)。但FusionCache还提供了更多高级功能,如故障安全机制、软硬超时控制、自适应缓存策略、条件刷新、主动刷新、自动恢复、多命名缓存支持、增强日志记录、事件系统、后台分布式操作、完整的OpenTelemetry支持,以及同步/异步双模式API等。
技术融合方案
FusionCache不会简单地构建在HybridCache之上,而是采取了两项关键策略:
- 将利用微软为HybridCache开发的部分新技术组件
- 提供对HybridCache抽象接口的实现支持
这种设计意味着开发者现在有两种选择:
- 直接使用FusionCache,保持原有开发模式
- 依赖微软提供的标准抽象接口,但使用功能更丰富的第三方实现(如FusionCache)
实现原理与使用示例
在项目启动配置中,只需简单添加.AsHybridCache()扩展方法:
services.AddFusionCache()
.AsHybridCache();
之后,应用中既可以通过HybridCache抽象接口使用缓存:
public class SomeService(HybridCache cache)
{
public async Task<string> GetSomeInfoAsync(string name, int id)
{
return await _cache.GetOrCreateAsync(
$"{name}-{id}",
async cancel => await GetDataFromTheSourceAsync(name, id, cancel)
);
}
}
也可以直接使用IFusionCache接口:
public class SomeService2(IFusionCache cache)
{
// 使用FusionCache原生API
}
两种方式将共享同一个缓存实例,且具备完整的缓存击穿防护能力。更令人惊叹的是,即使同时通过HybridCache异步接口和FusionCache同步接口访问相同缓存键,系统也能确保只执行一次数据源访问。
技术实现细节
FusionCache对HybridCache的适配实现了精细的选项映射机制。例如:
HybridCacheEntryFlags.DisableLocalCacheRead自动映射为FusionCache的SkipMemoryCacheRead- 各种超时设置和过期策略的无缝转换
- 分布式缓存行为的智能协调
虽然通过HybridCache接口无法使用FusionCache的全部功能(因其API更为精简),但核心特性都能在启动配置中预先设定,为依赖标准接口的项目提供了强大的扩展能力。
架构演进
最初计划将适配器代码放在独立NuGet包中,但社区反馈指出仅需依赖已有的Microsoft.Extensions.Caching.Abstractions。因此最终决定:
- 将核心适配代码移至主FusionCache包
- 废弃独立的适配器包
- 简化项目依赖结构
生态协作意义
这一技术演进展现了微软与开源社区良性互动的典范。通过开放讨论和技术协作,既推动了.NET平台标准组件的进步,又为生态中的优秀开源项目保留了发展空间。这种合作模式最终使广大开发者受益,能够根据项目需求灵活选择最适合的缓存解决方案。
FusionCache通过支持HybridCache抽象接口,既保持了自身的特色和优势,又融入了.NET更广阔的生态系统,展现了开源项目与平台标准共荣共生的成功案例。
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。C030
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