SwiftNIO 2.78.0版本发布:迈向Swift 6严格并发的重要一步
SwiftNIO是苹果公司开发的一个高性能、事件驱动的网络应用程序框架,它为构建服务器端和客户端应用程序提供了强大的基础。作为Swift生态系统中网络编程的核心组件,SwiftNIO被广泛应用于各种服务器和网络工具的开发中。
最新发布的SwiftNIO 2.78.0版本是一个重要的里程碑,它包含了多项改进,使SwiftNIO生态系统能够更容易地采用严格并发检查(strict concurrency checking)和Swift 6语言模式。这个版本特别关注了NIOCore和NIOEmbedded这两个关键且广泛使用的模块的并发安全性改进。
严格并发支持的进展
Swift 6将引入更严格的并发模型,要求开发者显式处理并发安全问题。为了适应这一变化,SwiftNIO 2.78.0对核心组件进行了大量修改:
-
NIOCore模块:已经完全支持严格并发检查,这意味着开发者可以更安全地在并发环境中使用NIOCore提供的各种功能。
-
NIOEmbedded模块:同样完成了严格并发检查的适配,为测试和嵌入式场景提供了并发安全的保障。
-
Sendable一致性:对RemovableChannelHandler、ChannelInvoker等关键类型进行了Sendable一致性处理,确保它们可以安全地在不同并发域之间传递。
新工具与API改进
为了帮助开发者更轻松地适应Swift 6的并发模型,这个版本引入了一些新工具和API改进:
-
隔离视图(Isolated Views):新增了对EventLoop、EventLoopPromise和EventLoopFuture的隔离视图支持。这些工具使得在Swift并发模型中使用这些传统的事件循环相关类型变得更加安全和直观。
-
EventLoop.now API:新增了这个API,用于获取当前时间,简化了时间相关操作的实现。
-
并行移除功能:添加了并行移除集合中多个项的能力,提高了批量操作的效率。
性能优化与改进
除了并发相关的改进外,这个版本还包含了一些性能优化:
-
ByteBuffer到Data的转换:减少了内存分配次数,提高了转换效率。
-
数组处理优化:避免了对包含存在类型的数组进行不必要的转换。
-
Android支持改进:更新了Android平台的测试覆盖和Bionic声明,提高了在Android平台上的兼容性。
废弃与变更
随着项目的演进,一些API被标记为废弃或进行了调整:
-
NIOEventLoopGroupProvider.createNew:被标记为废弃,建议使用其他替代方案。
-
NIOFileHandle:移除了noasync标记,使其更适合在现代并发环境中使用。
-
Base64 API:一些实际上并非公开的Base64 API被标记为废弃。
测试与稳定性改进
为了确保框架的稳定性,这个版本还包含了一系列测试改进:
-
测试修复:修复了多个测试中的竞态条件问题。
-
错误消息改进:修正了"unleakable promise leaked"错误消息的错误表述。
-
关闭逻辑完善:在NIOAsyncChannel的executeThenClose方法中,现在正确地等待closeFuture而不是close promise。
构建与CI改进
项目的基础设施也得到了增强:
-
C++互操作支持:在CI中添加了C++互操作的Swift设置。
-
矩阵工作流:引入了JSON矩阵工作流,提高了测试的灵活性和覆盖率。
-
警告处理:修复了多个警告,并在CI中启用了将警告视为错误的选项。
总结
SwiftNIO 2.78.0版本是向Swift 6严格并发模型过渡的重要一步。通过核心模块的并发安全性改进、新工具的引入以及性能优化,这个版本为开发者提供了更安全、更高效的网络编程基础。随着Swift语言向更严格的并发模型发展,SwiftNIO的这些改进将帮助开发者更顺利地适应未来的变化,构建更健壮的并发网络应用程序。
对于正在使用或考虑使用SwiftNIO的开发者来说,现在是开始评估和适配这些变化的好时机,特别是那些关注并发安全性和未来Swift 6兼容性的项目。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00