Blog.Core项目中.NET 8缓存Key获取问题的分析与解决
问题背景
在Blog.Core项目中,当升级到.NET 8框架后,开发人员发现使用SqlSugar的二级缓存功能时出现了一个特殊现象:虽然缓存确实生效(相同的SQL查询只执行了一次),但通过GetAllCacheKeys方法却无法获取到缓存Key。这个问题仅出现在内存缓存模式下,Redis分布式缓存则表现正常。
问题现象分析
开发人员通过以下测试确认了问题的存在:
- 首先确认SqlSugar二级缓存确实生效,相同SQL多次调用只执行一次
- 使用内存缓存时,
GetAllCacheKeys返回的Key数量为0 - 但通过具体Key却能获取到缓存值(如"123123")
- Redis缓存模式下一切正常
根本原因
经过深入排查,发现问题根源在于内存缓存的注册方式。在.NET中,标准的IMemoryCache实现(MemoryCache)本身并不支持获取所有缓存Key的功能。Blog.Core项目为了实现这一功能,自定义了MemoryCacheManager类来扩展标准内存缓存。
当系统中存在以下情况时,就会出现获取不到Key的问题:
- 项目中其他地方(可能是第三方库)注册了标准的
IMemoryCache - 自定义的
MemoryCacheManager没有被正确注册为IMemoryCache的默认实现 - 导致
GetAllCacheKeys方法实际上获取的是标准MemoryCache实例,而非自定义的MemoryCacheManager
解决方案
解决这个问题需要确保以下几点:
-
检查重复注册:全局搜索项目中所有
IMemoryCache的注册点,确保没有其他地方注册了标准实现 -
正确覆盖注册:在服务注册时,确保自定义缓存管理器被正确注册:
services.AddSingleton<IMemoryCache>(provider => provider.GetService<MemoryCacheManager>()); -
处理第三方库冲突:如果问题是由第三方库的注册引起的,可以在第三方库注册后显式覆盖注册:
// 第三方库注册后 services.AddSingleton<IMemoryCache>(provider => provider.GetService<MemoryCacheManager>());
最佳实践建议
-
缓存实现选择:对于需要获取所有Key的场景,建议优先考虑Redis等分布式缓存方案
-
注册顺序检查:在涉及缓存的服务注册时,注意检查注册顺序和覆盖关系
-
增加校验机制:可以在代码中添加类型校验,当检测到注入的不是自定义缓存管理器时发出警告
-
文档记录:在项目文档中明确记录缓存的使用方式和注意事项,特别是关于注册顺序的要求
总结
这个问题典型地展示了依赖注入中实现覆盖的重要性。在.NET生态中,当多个库都可能注册相同服务时,后注册的实现会覆盖先前的注册。通过理解这一机制,并确保自定义缓存管理器的正确注册,就能解决这类看似诡异的问题。同时,这也提醒我们在引入第三方库时需要关注其服务注册行为,避免潜在的冲突。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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