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。
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