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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00