缓存教程

这事儿得从我五个月前杀回Redis公司说起！当时我屁股还没坐热呢，就跟同事唠嗑说咱要不要换个AGPL许可证啊？结果你猜怎么着？（突然压低声音）原来公司茶水间早就为这事儿吵翻天了！就像你们班选班长似的，AGPL和SSPL两派天天battle，虽然最后公司选了SSPL，但AGPL派还在暗搓搓搞事

在 Mattermost，我们最近能够扩展到10 万名用户。但我们不想就此止步，我们想更进一步。这篇文章详细介绍了这项努力如何导致我们将 Redis引入我们的

Pandas 3.0 版将默认实现写时复制 (CoW：Copy-on-Write：写时复制)。 从 Pandas 2.0 版本开始，CoW开始生效但尚未完全实现。 Pandas 3将强制通过CoW 实现的大多

有很多因素会影响数据库的性能。一些重要的因素如下： 数据项大小：数据库中存储的项目的平均有效负载大小决定了工作负载是受 CPU 限制还是受存储限制。 数据项类型：项目类型直接影响可能的压缩类型。例如，如果您存储的是文本，则可以利用高压缩率。但存储图像、视频或加密数据时，压缩率

缓存是系统设计中的关键组件，可以大大提高性能和可扩展性。通过将频繁访问的数据临时存储在高速存储层中，缓存可以减少从原始源检索数据所需的时间。这篇博文深入探讨了缓存技术，并提供了实时示例和最佳实践，以帮助您在系统中实施有效的缓存策略。 什么是

Carrot Cache（CC）项目旨在实现数据缓存的现代化，并使用户能够通过CC框架内的可插拔组件构建自定义缓存解决方案。CC是一个100%的Java解决方案，它广泛利用堆外内存，最大限度地减少了对Java垃圾收集（GC）的影响。

Sieve筛选缓存是一种缓存机制，旨在以高效且有选择性的方式优化频繁访问内容的交付。该概念通常指在需要根据某些标准进行过滤或分区的系统中如何存储和检索数据，类似于筛选

Klaviyo分享了他们如何使用双Bloom过滤器优化产品推荐引擎，以有效地排除已经从营销活动中购买的商品。他们不需要查询每个收件人两年的购买数据，而是预先计算每个公司的每月和30天的Bloom过滤器，并将其存储在Redis中以进行快速会员检查。这大大减少了查询负载，改善了活动渲染时间，并在

想象一下，有很多人同时去问同一个问题，想要得到同样的答案。如果这个答案还没有准备好，每个人都得自己去查一遍，这样不仅浪费时间，还会让系统变得很慢。 请求折叠就是为了解决这个问题。它让第一个人去查答案，其他人就等着。等第一个人查到了，大家就都用这个答案。这样

假设开发一个高性能 Web 应用程序，需要高效处理大量数据。为了缩短响应时间，您可以引入缓存。但是，每次重新初始化缓存客户端时，所有之前存储的数据都会丢失。这会导致性能瓶颈、延迟增加和用户体验不佳。 在本博客中，我们将探讨一种在 Golang 中实现基于单

缓存是一种抽象，而不是一种优化。 以前老师总说缓存是"性能加速器"：（推眼镜模仿老教授）"只要处理好一致性，就能让数据从慢吞吞的硬盘瞬移到内存！" 但最近老师搬砖时发现——（突然摔课本）这说法简直在误人子弟！

大语言模型生成文本时存在明显的"首字延迟"现象，这源于KV缓存机制的工程权衡。该技术KV Caching通过存储先前计算的键值向量避免重复计算，将推理速度提升约5倍，代价是消耗大量GPU显存。预填充阶段构建缓存最耗时，后续解码阶段仅需处理新token。第一下慢得像老牛拉车，后面快得像火箭升空，原因全

软件应用程序通常需要一个中间人（比如服务器）来帮忙管理数据的流动、共享和存储。当客户端想要获取数据时，它会向这个服务请求数据。然后，服务会从存储数据的地方找到数据，并把它传给客户端。 举个例子，云服务可能会先在自己的服务器上接收用户上传的文件，然后再把这些

SwissTable 是一种高性能的开放寻址哈希映射，最初由 Google 开发，在业内越来越受欢迎。首先，Rust 在其 HashMap 类型中采用了 SwissTable。然后，Go 开始在其 map 类型中使用 SwissTable 的自定义版本。现在，Valkey（R

这篇论文讲的是数据库系统如何高效记录日志（logging）、做检查点（checkpoint）和恢复数据（recovery）的新方法。作者团队发现，传统的ARIES方法虽然功能强大，但在现代高性能存储引擎中速度太慢，而内存数据库的轻量级日志方法又无法处理超出内存的数据。

本文讨论了B树和哈希表在不同编程语言中的性能比较。点击标题 哈希表的一些缺点，比如 易受哈希洪水影响。 容易受到哈希洪水攻击、如果使用随机种子来防止哈希洪水，迭代顺序就会变得不确定，这对快照测试和可重现的构建等来说很不方便。