ASP.NET Boilerplate 内存缓存 SizeLimit 配置问题解析
问题背景
在使用 ASP.NET Boilerplate (ABP) 框架 9.1.1 版本时,开发者在配置内存缓存时遇到了一个异常情况。当设置了 MemoryCacheOptions 的 SizeLimit 属性后,系统会抛出 InvalidOperationException 异常,提示"Cache entry must specify a value for Size when SizeLimit is set"。
异常分析
这个异常的根本原因是 Microsoft.Extensions.Caching.Memory 内存缓存实现的一个约束条件:当设置了缓存大小限制(SizeLimit)时,每个缓存条目都必须明确指定其大小(Size)值。如果不指定,缓存系统就无法正确计算当前已使用的缓存总量,也就无法执行基于大小的缓存淘汰策略。
问题复现条件
- 配置了内存缓存大小限制:
Configuration.Caching.MemoryCacheOptions = new MemoryCacheOptions
{
SizeLimit = 256 // 单位是MB
};
-
使用 ABP 的缓存系统进行数据存取操作
-
ABP 内部在设置缓存条目时没有为每个条目指定 Size 值
解决方案
ABP 框架团队通过修改 AbpMemoryCache 类的 Set 方法解决了这个问题。具体做法是在创建 MemoryCacheEntryOptions 时,为每个缓存条目设置默认的 Size 值为 1:
var cacheOptions = new MemoryCacheEntryOptions() { Size = 1 };
这个修改确保了当 SizeLimit 被设置时,每个缓存条目都有明确的 Size 值,从而避免了异常的发生。
技术深入
内存缓存大小限制机制
Microsoft 的内存缓存系统提供了基于大小的缓存限制功能,这是为了防止缓存无限制增长导致内存问题。当设置 SizeLimit 后:
- 缓存系统会跟踪所有缓存条目的总大小
- 当添加新条目可能导致总大小超过限制时,系统会根据策略淘汰旧条目
- 每个条目必须通过 Size 属性声明自己的"权重"
ABP 缓存抽象层
ABP 框架提供了统一的缓存抽象层(AbpCacheBase),内部可以适配不同的缓存实现(内存、Redis等)。这次的问题出现在内存缓存(AbpMemoryCache)实现中,它需要正确处理底层 MemoryCache 的特定要求。
最佳实践建议
- 当使用内存缓存大小限制时,应该为不同类型的缓存数据合理设置 Size 值
- 对于简单的缓存条目,Size=1 是合理的默认值
- 对于较大的缓存对象,应该根据实际内存占用设置适当的 Size 值
- 定期监控缓存命中率和淘汰情况,优化 SizeLimit 和各个条目的 Size 配置
总结
这个问题展示了框架底层实现细节的重要性。ABP 作为高层抽象框架,需要妥善处理底层组件(MemoryCache)的特定要求。通过这次修复,ABP 框架更好地支持了内存缓存大小限制功能,为开发者提供了更灵活的缓存配置选项。
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-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00