Bucket4j 8.10.1版本新增Hazelcast灵活过期策略支持
Bucket4j是一个流行的Java限流库,它提供了多种分布式存储后端的支持。在最新的8.10.1版本中,Bucket4j为Hazelcast后端添加了灵活的键值过期策略功能,使其与Redis后端的功能保持一致。
背景
在分布式限流场景中,Bucket4j需要将令牌桶的状态存储在分布式缓存中。对于不同的存储后端,Bucket4j提供了相应的ProxyManager实现。在之前的版本中,Redis后端的AbstractRedisProxyManagerBuilder已经提供了withExpirationStrategy方法,允许开发者灵活配置键的过期策略,但在Hazelcast后端中这一功能是缺失的。
新特性详解
8.10.1版本为HazelcastProxyManager添加了与Redis相同的过期策略支持。这一功能是通过以下方式实现的:
- 在HazelcastEntryProcessor中,将java.util.Map.Entry转换为com.hazelcast.map.ExtendedMapEntry
- 复制Redis后端的过期逻辑到Hazelcast实现中
- 提供统一的API接口,使不同后端的配置方式保持一致
使用示例
开发者现在可以像下面这样配置Hazelcast后端的过期策略:
HazelcastProxyManager.builder()
.withExpirationStrategy(ExpirationAfterWriteStrategy.basedOnTimeForRefillingBucketUpToMax(
Duration.ofDays(1)
))
.build(hazelcastInstance, "rateLimits");
这与Redis后端的配置方式完全一致,提供了良好的API一致性。
技术实现细节
在底层实现上,Bucket4j利用了Hazelcast的ExtendedMapEntry接口来设置每个条目的生存时间(TTL)。这种方式比全局配置Map的过期策略更加灵活,允许根据每个令牌桶的实际使用情况来动态管理其生命周期。
版本兼容性
这一特性从Bucket4j 8.10.1版本开始提供,需要Hazelcast 4.x或更高版本的支持。开发者可以放心升级,因为这一改动是完全向后兼容的,不会影响现有的功能。
总结
Bucket4j 8.10.1版本为Hazelcast后端添加的灵活过期策略支持,使得开发者在使用Hazelcast作为分布式缓存时,能够更精细地控制限流数据的生命周期,减少不必要的内存占用。这一改进使得Bucket4j对不同存储后端的支持更加一致,提升了开发体验。
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