quic-go v0.49.0版本发布:HTTP客户端追踪与多项关键修复
项目简介
quic-go是Go语言实现的QUIC协议库,QUIC是新一代传输层协议,基于UDP构建,旨在提供更快的连接建立、改进的拥塞控制和多路复用等特性。作为HTTP/3的基础协议,QUIC正在被越来越多的互联网服务采用。
版本亮点
v0.49.0版本带来了多项重要改进,主要包括HTTP客户端追踪支持、多个可能导致连接卡死和内存泄漏的关键修复,以及性能优化和测试框架的重大重构。
HTTP客户端追踪支持
本次更新最显著的新特性是增加了对HTTP客户端追踪的支持。开发人员现在可以使用标准的net/http/httptrace.ClientTrace来追踪HTTP/3客户端的请求过程。这一功能使得调试和监控HTTP/3请求变得更加方便,可以获取连接建立、请求发送、响应接收等各个阶段的详细时间信息。
关键问题修复
连接卡死问题修复
-
RESET_STREAM帧丢失处理:修复了当RESET_STREAM帧丢失时可能导致连接卡死或死锁的问题。在QUIC协议中,RESET_STREAM帧用于异常终止流,如果这些帧丢失,之前的实现会导致流状态不一致。
-
连接ID轮换内存泄漏:修复了在发送CONNECTION_CLOSE数据包时进行连接ID轮换导致的内存泄漏问题。这个问题会导致长时间运行的服务内存持续增长。
-
HTTP/3连接重拨逻辑:改进了HTTP/3在连接失败时的重拨机制,使其更加健壮和可靠。
流控制优化
-
MAX_DATA帧触发机制:现在当队列中有MAX_DATA帧(连接级流控制更新)时,会立即触发新数据包的发送,而不是等待其他数据。这可以更及时地通知对端流控窗口的变化。
-
STREAM_DATA_BLOCKED帧打包优化:将STREAM_DATA_BLOCKED帧与导致流级流控阻塞的数据包打包在一起发送,减少了额外数据包的开销。
性能改进
-
减少time.Now调用:在整个代码库中减少了
time.Now()的调用次数,这是一个相对昂贵的系统调用,优化后可以提升性能。 -
ECN标记处理:修复了在使用GSO(Generic Segmentation Offload)批量发送数据包时ECN(Explicit Congestion Notification)标记变化的问题,确保网络拥塞通知能够正确传递。
-
连接关闭处理:在连接关闭时排空接收缓冲区,避免资源泄漏。
测试框架重构
从v0.48.0开始,团队就在将测试框架从Ginkgo迁移到标准测试库。这是一个庞大的工程,原始Ginkgo测试代码超过41,000行。在v0.49.0中,已经将测试代码减少到不足8,500行。这种迁移使得测试更加简洁,运行更快,也更符合Go语言的惯用做法。
其他改进
-
Transport关闭行为:重新设计了
Transport.Close的行为,现在调用Transport.Dial会被取消,并返回新引入的ErrTransportClosed错误。 -
错误处理改进:修复了多个错误比较问题,确保
errors.Is能正确工作。 -
Prometheus指标:新增了发送和接收数据包的Prometheus监控指标,方便服务监控。
-
0-RTT令牌有效期:当
Transport.MaxTokenAge未设置时,默认使用24小时的最大令牌有效期,提高了安全性。
总结
quic-go v0.49.0版本在稳定性、性能和可观测性方面都有显著提升。特别是HTTP客户端追踪的支持和多个关键问题的修复,使得这个QUIC实现更加成熟可靠。测试框架的大规模重构也为未来的开发和维护奠定了更好的基础。对于使用QUIC协议或HTTP/3的开发者来说,升级到这个版本将获得更好的体验和更稳定的性能。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00