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
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
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
186
201
暂无简介
Dart
627
142
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
React Native鸿蒙化仓库
JavaScript
242
316
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
383
3.53 K
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
481
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++
648
265
🎉 (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
1.11 K
622
仓颉编译器源码及 cjdb 调试工具。
C++
128
857