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。
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