Redisson 3.45.0版本发布:分布式缓存与本地缓存的全面升级
Redisson项目简介
Redisson是一个基于Redis的Java客户端,它不仅提供了对Redis基础数据结构的封装,还实现了许多分布式Java对象和服务。作为一个功能强大的分布式框架,Redisson广泛应用于分布式锁、分布式集合、分布式对象、分布式服务等场景。最新发布的3.45.0版本在缓存功能方面进行了重大改进,特别是增强了本地缓存与分布式缓存的集成能力。
核心特性解析
1. 增强的缓存大小控制
新版本为Quarkus Cache、Spring Cache、Hibernate、MyBatis和Micronaut等框架的集成增加了max-size设置支持。这一改进使得开发者能够更精确地控制缓存的大小,防止内存溢出。
在技术实现上,Redisson通过RedissonSpringCacheV2Manager和RedissonSpringLocalCachedCacheV2Manager等管理器类提供了这一功能。对于Hibernate用户,可以通过eviction.max_entries参数来设置最大条目数;MyBatis用户则可以直接使用maxSize参数。
2. 新型分布式本地缓存实现
3.45.0版本引入了RClusteredLocalCachedMapCacheNative这一重要组件,它结合了三种关键特性:
- 数据分区:支持在集群环境中自动分布数据
- 本地缓存:在客户端维护本地副本,减少网络开销
- 原生驱逐:利用Redis原生机制进行缓存项淘汰
这一实现为需要高性能本地缓存同时又需要数据一致性的场景提供了理想解决方案。配套的还有针对各框架的适配器,如RedissonClusteredSpringLocalCachedCacheNativeManager、RedissonClusteredLocalCachedNativeRegionFactory等。
3. JCache增强实现
新版本为JCache规范提供了三种新的实现方式:
- 带本地缓存和高级驱逐策略的JCache
- 带本地缓存和原生驱逐的JCache
- 支持数据分区、本地缓存和原生驱逐的JCache
这些实现解决了之前版本中集群模式下JCache的一些限制,特别是跨槽(CROSSLOT)错误问题,为大规模分布式系统提供了更可靠的缓存方案。
重要API改进
1. 新增操作方法
RBitSet.get(long...):支持批量获取位图数据RBlockingQueue.pollLastFromAnyWithName():增强队列操作能力RObject接口新增getReferenceCount()、getAccessFrequency()等方法,提供更丰富的对象监控能力RExecutorService.deregisterWorkers():支持动态调整工作线程RMap新增valuesAsync()和entrySetAsync方法,增强异步操作支持
2. 缓存配置改进
Spring Cache现在支持通过CacheConfig对象设置驱逐模式,这为开发者提供了更灵活的缓存控制方式。同时,各框架集成中的配置验证也得到了加强,减少了因配置错误导致的问题。
关键问题修复
1. 缓存一致性问题
- 修复了
RLocalCachedMapCache.getAll()和RLocalCachedMapCacheNative.getAll()可能返回错误结果的问题 - 解决了本地缓存JCache实例中
put()方法可能不更新本地缓存的问题 - 修正了
remove()和removeAll()方法不更新其他实例本地缓存的问题
2. 集群模式问题
- 修复了集群模式下本地缓存JCache可能抛出CROSSLOT错误的问题
- 解决了JCacheV2在集群模式下使用脚本缓存(
useScriptCache = true)不工作的问题 - 修正了
RClusteredMapCacheNative中缺失的expireEntriesIfNotSet()等方法实现
3. 性能优化
- 优化了
RMapCacheV2.isExists()方法的性能 - 修复了
RRemoteExecutorService中expiration有序集合无限增长的问题 - 解决了
RBatchRx在使用脚本缓存时可能工作不正确的问题
技术影响与最佳实践
Redisson 3.45.0版本的发布标志着其在分布式缓存领域又迈出了重要一步。对于开发者而言,新版本提供了以下优势:
- 更精细的缓存控制:通过
max-size等参数,开发者可以更精确地管理内存使用。 - 更高的性能:本地缓存与原生驱逐的结合显著减少了网络开销。
- 更好的集群支持:解决了多个集群环境下的兼容性问题。
- 更丰富的监控能力:新增的API方法提供了更多系统状态信息。
在实际应用中,建议:
- 对于需要高读取性能的场景,考虑使用带本地缓存的实现
- 在集群环境中优先选择支持数据分区的缓存类型
- 合理设置缓存大小和驱逐策略,避免内存问题
- 利用新增的异步方法提高系统吞吐量
Redisson持续演进的功能集使其成为Java生态中处理分布式系统问题的有力工具,3.45.0版本特别强化了其在缓存领域的地位,为构建高性能、高可用的分布式应用提供了更强大的支持。
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