FusionCache v2.2.0预览版发布:性能优化与功能增强
项目简介
FusionCache是一个高性能的.NET缓存库,它提供了多级缓存(内存缓存+分布式缓存)、缓存失效自动刷新(Fail-Safe)、缓存雪崩保护、并发控制等高级功能。作为一个现代化的缓存解决方案,FusionCache特别适合高并发场景下的应用开发。
主要更新内容
多目标框架支持优化
本次更新对FusionCache的多目标框架支持进行了重新调整。项目现在仅显式支持当前活跃维护的.NET版本,同时保持对.NET Standard 2.0的支持。这意味着:
- 显式支持最新.NET版本(如.NET 8)
- 通过.NET Standard 2.0兼容性保证,所有兼容版本仍可使用
- 减少了不必要的显式依赖项
这种调整既保证了兼容性,又简化了依赖管理,使项目更加精简高效。
正式支持AOT编译
FusionCache长期以来都具备AOT(Ahead-Of-Time)编译兼容性,本次更新使其成为官方正式支持的特性。具体改进包括:
- 在项目文件中明确声明AOT支持
- 启用相关分析器
- 创建专门的测试控制台应用
- 全面验证AOT场景下的功能完整性
这使得FusionCache在需要AOT编译的场景(如移动应用、服务器less环境)中更加可靠。
缓存组件访问增强
新版本增加了对内部缓存组件的访问能力:
-
分布式缓存访问
新增DistributedCache属性,可直接获取当前使用的IDistributedCache实例(如果有) -
背板访问
新增Backplane属性,可直接获取当前使用的IFusionCacheBackplane实例(如果有)
这些改进为高级用户提供了更多控制能力,便于实现更复杂的缓存策略和调试。
DI容器支持NullFusionCache
现在可以通过依赖注入容器明确指定使用NullFusionCache实现。NullFusionCache是一个不执行任何实际缓存操作的实现,常用于测试场景或需要禁用缓存的特殊情况。
性能优化
-
Clear操作优化
对Clear()方法进行了深度优化,特别是在"原始清除"(Raw Clear)场景下(如仅使用L1缓存且无共享状态时),性能提升显著。 -
异步背板改进
背板通信机制现在更加异步化,减少了线程阻塞,提高了整体吞吐量。
日志级别调整
根据社区反馈,优化了日志级别设置:
- 入口/出口点日志提升至INFO级别
- 分布式缓存错误日志降级为WARNING级别
这种调整提供了更好的日志可读性,同时避免了在监控场景中触发不必要的告警。
新增内存锁实现
引入了基于第三方库AsyncKeyedLock的内存锁实现选项。用户现在可以选择:
- 内置的标准内存锁
- 基于AsyncKeyedLock的高性能替代方案
不同实现在不同场景下各有优势,用户可根据实际需求进行选择和测试。
问题修复
-
高并发下的Eager Refresh问题
修复了在高并发场景下可能出现的空引用异常。 -
抖动+故障安全模式问题
修复了同时启用抖动(Jitter)和故障安全(Fail-Safe)时可能出现的意外行为。
技术影响与建议
本次更新对FusionCache的性能和可用性都有显著提升。对于现有用户,建议关注以下方面:
-
AOT支持:如果您的应用需要AOT编译,现在可以更加自信地使用FusionCache。
-
性能优化:特别是频繁使用Clear操作的应用,性能将获得提升。
-
新功能:考虑是否可以利用新增的组件访问功能优化现有缓存策略。
-
日志调整:检查现有日志监控配置,确保适应新的日志级别设置。
对于新用户,v2.2.0预览版展示了FusionCache作为一个成熟缓存解决方案的持续演进,是开始评估或采用的良机。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00