FusionCache并发操作中的GetOrSetAsync陷阱与解决方案
2025-06-28 16:13:54作者:胡易黎Nicole
问题背景
在分布式系统开发中,缓存是提升性能的关键组件。FusionCache作为.NET生态中的高性能缓存解决方案,其GetOrSetAsync方法被设计用于处理"获取或设置"的常见缓存模式。然而,在实际应用中,开发者可能会遇到一个看似简单却影响重大的并发问题。
问题现象
当多个线程同时调用GetOrSetAsync方法获取相同的缓存键时,预期行为应该是:
- 第一个线程发现缓存不存在,执行工厂方法获取数据
- 后续线程等待第一个线程完成,直接使用缓存结果
但实际情况却是:每个线程都独立执行了工厂方法,导致资源浪费和潜在的数据不一致问题。
问题根源
经过深入分析,问题的核心在于缓存实例的获取时机。原代码在方法内部获取缓存实例:
IFusionCache cache = cacheProvider.GetCache(Constants.TokenCacheName);
这种实现方式导致每次方法调用都创建新的缓存实例,破坏了FusionCache内部的并发控制机制。正确的做法是在类构造函数中初始化并保持缓存实例的单例性。
解决方案
正确实现方式
public class TokenService
{
private readonly IFusionCache _cache;
public TokenService(ICacheProvider cacheProvider)
{
_cache = cacheProvider.GetCache(Constants.TokenCacheName);
}
private async Task<string> GetTokenInternalAsync(string tokenCacheKey,
Func<Task<AuthenticationResult>> acquireTokenFunc)
{
bool fromCache = true;
string token = await _cache.GetOrSetAsync(
tokenCacheKey,
async ctx =>
{
// 工厂方法实现
fromCache = false;
return await acquireTokenFunc();
}
);
return token;
}
}
自适应缓存优化
对于需要动态设置缓存过期时间的场景,应使用上下文提供的Options属性:
async ctx =>
{
var result = await acquireTokenFunc();
ctx.Options.Duration = result.ExpiresOn - DateTime.UtcNow;
return result.AccessToken;
}
这种方式比外部变量更直接有效,且能确保线程安全。
最佳实践
- 缓存实例生命周期:确保在整个应用生命周期内保持缓存实例的单例性
- 并发控制:依赖FusionCache内置的并发控制机制,避免自行实现
- 动态配置:使用上下文对象进行运行时配置调整
- 日志监控:添加适当的日志记录,帮助诊断潜在的并发问题
总结
FusionCache的GetOrSetAsync方法虽然简单易用,但在并发场景下需要特别注意缓存实例的管理。通过遵循单例模式和正确使用上下文配置,可以充分发挥其高性能并发控制的优势,避免资源浪费和数据不一致问题。理解这些底层机制对于构建健壮的高并发系统至关重要。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
410
3.16 K
Ascend Extension for PyTorch
Python
227
254
暂无简介
Dart
674
160
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
664
322
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
659
React Native鸿蒙化仓库
JavaScript
264
326
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
220
仓颉编译器源码及 cjdb 调试工具。
C++
135
868