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。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00