English README | 英文说明

🦄 ecache2

一款极简设计、高性能、并发安全、支持分布式一致性的轻量级泛型内存缓存

特性

• 🤏 代码量<360行、30s完成接入
• 🚀 高性能、极简设计、并发安全
• 🌈 支持LRU 和 LRU-2两种模式
• 🦖 额外小组件支持分布式一致性
• 🎯 泛型支持：支持多种 key 类型（string、int64、int32、int、uint64、uint32、uint、[2]int64、[2]int32、[2]int、[2]uint64、[2]uint32、[2]uint）
• ⚡ 智能哈希：string key 使用 BKRD hash，整数 key 直接使用值分片（无需哈希计算）

基准性能

🐌 代表很慢, ✈️ 代表快, 🚀 代表非常快

👁️‍🗨️点我看用例 👁️‍🗨️点我看结果 （除了缓存命中率数值越低越好）

	bigcache	cachego	ecache2🌟	freecache	gcache	gocache
PutInt	✈️		🚀	🚀	✈️	✈️
GetInt	✈️	✈️	🚀		✈️	✈️
Put1K	✈️	✈️	🚀	🚀	🚀	✈️
Put1M	🐌		🚀	🐌	✈️	✈️
PutTinyObject	✈️		🚀	🚀	✈️
ChangeOutAllInt	✈️		🚀	🚀	✈️	✈️
HeavyReadInt	🚀	🚀	🚀			🚀
HeavyReadIntGC	✈️	🚀	🚀		✈️	✈️
HeavyWriteInt	🚀	✈️	🚀	🚀		✈️
HeavyWriteIntGC	🚀		✈️	✈️
HeavyWrite1K	🐌	✈️	🚀	🚀		✈️
HeavyWrite1KGC	🐌	✈️	🚀	🚀		✈️
HeavyMixedInt	🚀	✈️	🚀		✈️	🚀
FishGoddess/cachego 和 patrickmn/go-cache 是简单的map+过期时间的实现，所以没有命中率测试
kpango/gache & hlts2/gocache 性能表现不是很好，所以从列表中剔除
patrickmn/go-cache 是FIFO模式，其他的库都是LRU模式

gc pause测试结果 代码由bigcache提供（数值越低越好）

目前正在生产环境大流量验证中

• [已验证]公众号后台(几百QPS)：用户信息、订单信息、配置信息
• [已验证]推送系统(几万QPS)：可调整系统配置、信息去重、固定信息缓存
• [已验证]评论系统(几万QPS)：用户信息、分布式一致性组件

如何使用

引入包（预计5秒）

import (
    "time"

    "github.com/orca-zhang/ecache2"
)

定义实例（预计5秒）

可以放置在任意位置（全局也可以），建议就近定义

泛型版本：支持多种 key 类型，string key 使用 BKRD hash，整数 key 直接使用值分片

// string key - 使用 BKRD hash
var c = ecache2.NewLRUCache[string](16, 200, 10 * time.Second)

// int64 key - 不使用 BKRD hash，直接使用 key 值分片（性能更优）
var c2 = ecache2.NewLRUCache[int64](16, 200, 10 * time.Second)

// int32 key - 同样不使用 BKRD hash
var c3 = ecache2.NewLRUCache[int32](16, 200, 10 * time.Second)

设置缓存（预计5秒）

c.Put("uid1", o) // `o`可以是任意变量，一般是对象指针，存放固定的信息，比如`*UserInfo`

查询缓存（预计5秒）

if v, ok := c.Get("uid1"); ok {
    return v.(*UserInfo) // 不用类型断言，咱们自己控制类型
}
// 如果内存缓存没有查询到，下面再回源查redis/db

删除缓存（预计5秒）

在信息发生变化的地方

c.Del("uid1")

下载包（预计5秒）

非go modules模式：
sh> go get -u github.com/orca-zhang/ecache2

go modules模式：
sh> go mod tidy && go mod download

运行吧

🎉 完美搞定 🚀 性能直接提升X倍！
sh> go run <你的main.go文件>

参数说明

• NewLRUCache
  • 第一个参数是桶的个数，用来分散锁的粒度，每个桶都会使用独立的锁，最大值为65535，支持65536个实例
    • 不用担心，随意设置一个就好，ecache2会找一个合适的数字便于后面掩码计算
  • 第二个参数是每个桶所能容纳的item个数上限，最大值为65535
    • 意味着ecache2全部写满的情况下，应该有第一个参数 X 第二个参数个item，最多能支持存储42亿个item
  • [可选]第三个参数是每个item的过期时间
    • ecache2使用内部计时器提升性能，默认100ms精度，每秒校准
    • 不传或者传0，代表永久有效

最佳实践

• 支持任意类型的值
  • 提供Put/PutInt64/PutBytes三种方法，适应不同场景，需要与Get/GetInt64/GetBytes配对使用（后两种方法GC开销较小）
  • 复杂对象优先存放指针（注意⚠️一旦放进去不要再修改其字段，即使再拿出来也是，item有可能被其他人同时访问）
    • 如果需要修改，解决方案：取出字段每个单独赋值，或者用copier做一次深拷贝后在副本上修改
    • 也可以存放对象（相对于直接存对象指针性能差一些，因为拿出去有拷贝）
    • 缓存的对象尽可能越往业务上层越大越好（节省内存拼装和组织时间）
• 如果不想因为类似遍历的请求把热数据刷掉，可以改用LRU-2模式，可能有很少的损耗（💬 什么是LRU-2）
  • LRU2和LRU的大小设置分别为1/4和3/4效果较好
• 一个实例可以存储多种类型的对象，试试key格式化的时候加上前缀，用冒号分割
• 并发访问量大的场景，试试256、1024个桶，甚至更多
• 可以当作缓冲队列用于合并更新以减少刷盘次数（数据可以重建或容忍断电丢失的情况下）
  • 具体使用方式是挂载Inspector监听驱逐事件
  • 终末或定时调用Walk将数据刷到存储

特别场景

泛型 key 类型支持

ecache2 支持多种 key 类型，整数类型 key 无需哈希计算，性能更优：

支持的 key 类型：

• string - 使用 BKRD hash 进行分片
• int64, int32, int - 直接使用 key 值分片（无需 BKRD hash）
• uint64, uint32, uint - 直接使用 key 值分片（无需 BKRD hash）
• [2]int64 - 双 int64 key，使用两个值的异或进行分片
• [2]int32 - 双 int32 key，使用两个值的异或进行分片
• [2]int - 双 int key，使用两个值的异或进行分片
• [2]uint64 - 双 uint64 key，使用两个值的异或进行分片
• [2]uint32 - 双 uint32 key，使用两个值的异或进行分片
• [2]uint - 双 uint key，使用两个值的异或进行分片

// string key - 使用 BKRD hash
var cStr = ecache2.NewLRUCache[string](16, 200, 10 * time.Second)
cStr.Put("uid1", userInfo)

// int64 key - 直接使用 key 值分片，无需 BKRD hash
var cInt64 = ecache2.NewLRUCache[int64](16, 200, 10 * time.Second)
cInt64.Put(int64(12345), userInfo)
if v, ok := cInt64.Get(int64(12345)); ok {
    // 使用 v
}

// int32 key - 同样直接使用 key 值分片
var cInt32 = ecache2.NewLRUCache[int32](16, 200, 10 * time.Second)
cInt32.Put(int32(456), userInfo)

// [2]int64 key - 双 int64 key，适合复合键场景（如 user_id + item_id）
var cPair64 = ecache2.NewLRUCache[[2]int64](16, 200, 10 * time.Second)
key := [2]int64{12345, 67890} // user_id, item_id
cPair64.Put(key, userInfo)
if v, ok := cPair64.Get(key); ok {
    // 使用 v
}

// [2]int32 key - 双 int32 key
var cPair32 = ecache2.NewLRUCache[[2]int32](16, 200, 10 * time.Second)
key32 := [2]int32{123, 456}
cPair32.Put(key32, userInfo)

// [2]int key - 双 int key
var cPairInt = ecache2.NewLRUCache[[2]int](16, 200, 10 * time.Second)
keyInt := [2]int{123, 456}
cPairInt.Put(keyInt, userInfo)

// [2]uint64 key - 双 uint64 key
var cPairU64 = ecache2.NewLRUCache[[2]uint64](16, 200, 10 * time.Second)
keyU64 := [2]uint64{123, 456}
cPairU64.Put(keyU64, userInfo)

// [2]uint32 key - 双 uint32 key
var cPairU32 = ecache2.NewLRUCache[[2]uint32](16, 200, 10 * time.Second)
keyU32 := [2]uint32{123, 456}
cPairU32.Put(keyU32, userInfo)

// [2]uint key - 双 uint key
var cPairU = ecache2.NewLRUCache[[2]uint](16, 200, 10 * time.Second)
keyU := [2]uint{123, 456}
cPairU.Put(keyU, userInfo)

整型值和字节数组

// 整型值
c.PutInt64("uid1", int64(1))
if d, ok := c.GetInt64("uid1"); ok {
    // d为`int64`类型的1
}

// 字节数组
c.PutBytes("uid1", b)// b为`[]byte`类型
if b, ok := c.GetBytes("uid1"); ok {
    // b为`[]byte`类型
}

LRU-2模式

• 💬 什么是LRU-2

直接在NewLRUCache()后面跟.LRU2(<num>)就好，参数<num>代表LRU-2热队列的item上限个数（每个桶）

var c = ecache2.NewLRUCache[string](16, 200, 10 * time.Second).LRU2(1024)

空缓存哨兵（不存在的对象不用再回源）

// 设置的时候直接给`nil`就好
c.Put("uid1", nil)

// 读取的时候，也和正常差不多
if v, ok := c.Get("uid1"); ok {
  if v == nil { // 注意⚠️这里需要判断是不是空缓存哨兵
    return nil  // 是空缓存哨兵，那就返回没有信息或者也可以让`uid1`不出现在待回源列表里
  }
  return v.(*UserInfo)
}
// 如果内存缓存没有查询到，下面再回源查redis/db

需要修改部分数据，且用对象指针方式存储时

比如，我们从ecache2中获取了*UserInfo类型的用户信息缓存v，需要修改其状态字段

import (
    "github.com/jinzhu/copier"
)

o := &UserInfo{}
copier.Copy(o, v) // 从`v`复制到`o`
o.Status = 1      // 修改副本的字段

注入监听器

// inspector - 可以用来做统计或者缓冲队列等
//   `action`:PUT, `status`: evicted=-1, updated=0, added=1
//   `action`:GET, `status`: miss=0, hit=1
//   `action`:DEL, `status`: miss=0, hit=1
//   `iface`/`bytes`只有在`status`不为0或者`action`为PUT时才不为nil
//   注意：`key` 的类型取决于缓存实例的泛型类型参数 K
type inspector[K comparable] func(action int, key K, iface *interface{}, bytes []byte, status int)

• 使用方式（string key）

cache := ecache2.NewLRUCache[string](16, 200, 10 * time.Second)
cache.Inspect(func(action int, key string, iface *interface{}, bytes []byte, status int) {
  // TODO: 实现你想做的事情
  //     监听器会根据注入顺序依次执行
  //     注意⚠️如果有耗时操作，尽量另开channel保证不阻塞当前协程

  // - 如何获取正确的值 -
  //   - `Put`:      `*iface`
  //   - `PutBytes`: `bytes`
  //   - `PutInt64`: `ecache2.ToInt64(bytes)`
})

• 使用方式（int64 key）

cache := ecache2.NewLRUCache[int64](16, 200, 10 * time.Second)
cache.Inspect(func(action int, key int64, iface *interface{}, bytes []byte, status int) {
  // key 的类型是 int64，不再是 string
  // 其他用法相同
})

遍历所有元素

  // 只会遍历缓存中存在且未过期的项
  // 注意：`key` 的类型取决于缓存实例的泛型类型参数 K
  cache.Walk(func(key K, iface *interface{}, bytes []byte, expireAt int64) bool {
    // `key`是键值（类型为 K），`iface`/`bytes`是值，`expireAt`是过期时间（纳秒时间戳）

    // - 如何获取正确的值 -
    //   - `Put`:      `*iface`
    //   - `PutBytes`: `bytes`
    //   - `PutInt64`: `ecache2.ToInt64(bytes)`
    return true // 返回 true 继续遍历，返回 false 停止遍历
  })

• 示例（string key）

cache := ecache2.NewLRUCache[string](16, 200, 10 * time.Second)
cache.Walk(func(key string, iface *interface{}, bytes []byte, expireAt int64) bool {
  fmt.Printf("key: %s, expireAt: %d\n", key, expireAt)
  return true // 继续遍历
})

• 示例（int64 key）

cache := ecache2.NewLRUCache[int64](16, 200, 10 * time.Second)
cache.Walk(func(key int64, iface *interface{}, bytes []byte, expireAt int64) bool {
  fmt.Printf("key: %d, expireAt: %d\n", key, expireAt)
  return true // 继续遍历
})

统计缓存使用情况

实现超级简单，注入inspector后，每个操作只多了一次原子操作，具体看代码

引入stats包

import (
    "github.com/orca-zhang/ecache2/stats"
)

绑定缓存实例

名称为自定义的池子名称，内部会按名称聚合
注意⚠️绑定可以放在全局

var _ = stats.Bind("user", c)
var _ = stats.Bind("user", c0, c1, c2)
var _ = stats.Bind("token", caches...)

获取统计信息

stats.Stats().Range(func(k, v interface{}) bool {
    fmt.Printf("stats: %s %+v\n", k, v) // k是池子名称，v是(*stats.StatsNode)类型
    // 其中统计了各种事件的次数，使用`HitRate`方法可以获得缓存命中率
    return true
})

分布式一致性组件

• 💬 原理说明

引入dist包

import (
    "github.com/orca-zhang/ecache2/dist"
)

绑定缓存实例

名称为自定义的池子名称，内部会按名称聚合
注意⚠️绑定可以放在全局，不依赖初始化

var _ = dist.Bind("user", c)
var _ = dist.Bind("user", c0, c1, c2)
var _ = dist.Bind("token", caches...)

绑定redis client

目前支持redigo和goredis，其他库可以自行实现dist.RedisCli接口，或者提issue给我

go-redis v7及以下版本

import (
    "github.com/orca-zhang/ecache2/dist/goredis/v7"
)

dist.Init(goredis.Take(redisCli)) // redisCli是*redis.RedisClient类型
dist.Init(goredis.Take(redisCli, 100000)) // 第二个参数是channel缓冲区大小，不传默认100

go-redis v8及以上版本

import (
    "github.com/orca-zhang/ecache2/dist/goredis"
)

dist.Init(goredis.Take(redisCli)) // redisCli是*redis.RedisClient类型
dist.Init(goredis.Take(redisCli, 100000)) // 第二个参数是channel缓冲区大小，不传默认100

redigo

注意⚠️github.com/gomodule/redigo 要求最低版本 go 1.14

import (
    "github.com/orca-zhang/ecache2/dist/redigo"
)

dist.Init(redigo.Take(pool)) // pool是*redis.Pool类型

主动通知所有节点、所有实例删除（包括本机）

当db的数据发生变化或者删除时调用
发生错误时会降级成只处理本机所有实例（比如未初始化或者网络错误）

dist.OnDel("user", "uid1") // user是池子名称，uid1是要删除的key

从 ecache2 升级到 ecache2

• 重大更新：ecache2 是完全基于 Go 泛型的重构版本
• 主要变化：

1. 引入包 github.com/orca-zhang/ecache2（已经是新版本）
2. ecache2.NewLRUCache 改为 ecache2.NewLRUCache[string]（需要指定 key 类型）
3. Go 版本要求从 1.11+ 升级到 1.18+
4. 新增特性：支持整数类型 key（int64、int32 等），整数 key 无需 BKRD hash，性能更优

使用lrucache的老用户升级指导

• 只需四步：

1. 引入包 github.com/orca-zhang/lrucache 改为 github.com/orca-zhang/ecache2
2. lrucache.NewSyncCache 改为 ecache2.NewLRUCache[string]
3. 第3个参数从默认的单位秒改为*time.Second
4. Delete方法改为Del

不希望你白来

• 客官，既然来了，学点东西再走吧！
• 我想尽力让你明白ecache2做了啥，以及为什么要这么做

什么是本地内存缓存

---

L1 缓存引用 .................... 0.5 ns
分支错误预测 ...................... 5 ns
L2 缓存引用 ...................... 7 ns
互斥锁/解锁 ...................... 25 ns
主存储器引用 .................... 100 ns
使用 Zippy 压缩 1K 字节 ........3,000 ns =   3 µs
通过 1 Gbps 网络发送 2K 字节... 20,000 ns =  20 µs
从内存中顺序读取 1 MB ........ 250,000 ns = 250 µs
同一数据中心内的往返........... 500,000 ns = 0.5 ms
发送数据包 加州<->荷兰 .... 150,000,000 ns = 150 ms

• 从上表可以看出，内存访问和网络访问(同数据中心)差不多是一千到一万倍的差距！
• 曾经遇到不止一个工程师：“缓存？上redis”，但我想说，redis不是万金油，某些程度上讲，用它还是噩梦（当然我说的是缓存一致性问题...😄）
• 因为内存操作非常快，相对于redis/db你基本可以忽略不计，比如现在有一个QPS是1000查询API，我们把结果缓存1秒，也就是1秒内不会请求redis/db，那回源次数降低到了1/1000（理想情况），意味着访问redis/db部分的性能提升了1000倍，听上去是不是很棒？
• 继续看，你会爱上她的！（当然也可能是他，亦或者是牠，ahaha）

使用场景，解决什么问题

• 高并发大流量场景
  • 缓存热点数据（比如人气比较高的直播间）
  • 突发QPS削峰（比如信息流中突发新闻）
  • 降低延迟和拥堵（比如短时间内频繁访问的页面）
• 节省成本
  • 单机场景（不部署redis、memcache也能快速提升QPS上限）
  • redis和db实例降配（能拦截大部分请求）
• 不怎么会变化的数据（写少读多）
  • 比如配置等（这类数据使用地方多，会有放大效应，很多时候可能会因为这些配置热key对redis/db实例的规格误判，需要单独为它们升配）
• 可以容忍短暂不一致的数据
  • 用户头像、昵称、商品库存(实际下单会在db再次检查)等
  • 修改的配置（过期时间10秒，那最多延迟10秒生效）
• 缓冲队列：合并更新以减少刷盘次数
  • 可以通过给查询打补丁来实现强一致（分布式情况下，需要在负载均衡层保证同用户/设备调度到同一节点）
  • 可以重建或容忍断电丢失的情况下

设计思路

ecache2是lrucache库的升级版本

• 最下层是用原生map和双链表实现的最基础LRU（最久未访问）
  • PS：我实现的其他版本（go / c++ / js）在leetcode都是超越100%的解法
• 第2层包了分桶策略、并发控制、过期控制（会自动选择2的幂次个桶，便于掩码计算）
• 第2.5层用很简单的方式实现了LRU-2能力，代码不超过20行，直接看源码（搜关键词LRU-2）
• 第3层（ecache2新增）：基于 Go 泛型实现，支持多种 key 类型
  • string key：使用 BKRD hash 进行分片
  • 整数 key（int64、int32、int、uint64、uint32、uint）：直接使用 key 值进行分片，无需哈希计算，性能更优
  • 复合 key（[2]int64、[2]int32、[2]int、[2]uint64、[2]uint32、[2]uint）：使用两个值的异或进行分片，适合复合键场景

什么是LRU

• 最久未访问的优先驱逐
• 每次被访问，item会被刷新到队列的最前面
• 队列满后再次写入新item，优先驱逐队列最后面、也就是最久未访问的item

什么是LRU-2

• LRU-K是少于K次访问的用单独的LRU队列存放，超过K次的另外存放
• 主要优化的场景是比如一些遍历类型的查询，批量刷缓存以后，很容易把一些本来较热的item给驱逐掉
• 为了实现简单，我们这里实现的是LRU-2，也就是第2次访问就放到热队列里，并不记录访问次数
• 主要优化的是热key的缓存命中率
• 和mysql的缓冲池lru算法非常类似

分布式一致性组件原理

• 其实简单的利用了redis的pubsub功能
• 主动告知被缓存的信息有更新，广播到所有节点
• 某种意义上说，它只是缩小不一致时间窗口的一个方式（有网络延迟且不保证一定完成）
• 需要注意⚠️：
  • 尽量减少使用，适合用在写少读多WORM(Write-Once-Read-Many)的场景
    • redis性能毕竟不如内存，而且有广播类通信（写放大）
  • 以下场景会降级（时间窗口变大），但至少会保证当前节点的强一致性
    • redis不可用、网络错误
    • 消费goroutine panic
    • 存在未生效节点（灰度canary发布，或者发布过程中）的情况下，比如
      • 已使用ecache2但首次添加此插件
      • 新加入缓存的数据或者新加的删除操作

关于性能

• 释放锁不用defer
• 不用异步清理（没意义，分散到写时驱逐更合理，不易抖动）
• 没有用内存容量来控制（单个item的大小一般都有预估大小，简单控制个数即可）
• 分桶策略，自动选择2的幂次个桶（分散锁竞争，2的幂次掩码操作更快）
• 泛型支持：支持多种 key 类型（string、int64、int32、int、uint64、uint32、uint、[2]int64、[2]int32、[2]int、[2]uint64、[2]uint32、[2]uint）
• 智能哈希：string key 使用 BKRD hash，整数 key 直接使用值分片（无需哈希计算），复合 key 使用异或分片
• 不用虚表头（虽然绕脑一些，但是有20%左右提升）
• 选择LRU-2实现LRU-K（实现简单，近乎没有额外损耗）
• 可以直接存指针（不用序列化，有些场景如果使用[]byte那优势大大降低）
• 使用内部计时器计时（默认100ms精度，每秒校准，剖析发现time.Now()产生临时对象导致GC耗时增加）
• 双链表用固定分配内存存储，用时间戳置0来标记删除，减少GC（并且同规格比bigcache节省内存50%以上）

失败的优化尝试

• key由string改为reflect.StringHeader，结果：负优化
• 互斥锁改为读写锁，Get请求也会修改数据，访问违例，即使不改数据，结果：读写混合场景负优化
• 用time.Timer实现内部计时器，结果：触发不稳定，后直接用time.Sleep实现计时器
• 分布式一致性组件挂inspector自动同步更新和删除，结果：性能影响较大且需要特殊处理循环调用问题

关于GC优化

• 就像我在C++版性能剖析器里提到的性能优化的几个层次，单从一个层次考虑性能并不高明
• 《第三层次》里有一句“没有比不存在的东西性能更快的了”（类似奥卡姆剃刀），能砍掉一定不要想着优化
• 比如为了减少GC大块分配内存，却提供[]byte的值存储，意味着可能需要序列化、拷贝（虽不在库的性能指标里，人家用还是要算，包括：GC、内存、CPU）
• 如果序列化的部分可以复用用在协议层拼接，能做到ZeroCopy，那也无可厚非，但实际分层以后，无法在协议层直接实现拼接，而ecache2存储指针直接省了额外的部分
• 我想表达的并不是GC优化不重要，而更多应该结合场景，使用者额外损耗也需要考虑，而非宣称gc-free，结果用起来并非那样
• 我所崇尚的“暴力美学”是极简，缺陷率和代码量成正比，复杂的东西早晚会被淘汰，KISS才是王道
• ecache2一共只有不到300行，千行bug率一定的情况下，它的bug不会多

常见问题

问：一个实例可以存储多种对象吗？

• 答：可以呀，比如加前缀格式化key就可以了（像用redis那样冒号分割），注意⚠️别搞错类型。

问：如何给不同item设置不同过期时间？

• 答：用多个缓存实例。（😄没想到吧）

问：如果有热热热热key问题怎么解决？

• 答：本身【本地内存缓存】就是用来扛住热key的，这里可以理解成是非常非常热的key（单节点几十万QPS），它们最大的问题是对单一bucket锁定次数过多，影响在同一个bucket的其他数据。那么可以这样：一是改用LRU-2不让类似遍历的请求把热数据刷掉，二是除了增加bucket，可以用多实例（同时写入相同的item）+读访问某一个（比如按访问用户uid hash）的方式，让热key有多个副本，不过删除（反写）的时候要注意多实例全部删除，适用于“写少读多WORM(Write-Once-Read-Many)”的场景，或者“写多读多”的场景可以把有变化的diff部分单独摘出来转化为“写少读多WORM(Write-Once-Read-Many)”的场景。

问：如果同一时间并发回源到DB查询同一个资源怎么优化？

• 答：可以使用sync/singleflight包，同时访问同一个资源时，只回源一次，防止热点数据把DB打爆的问题。

问：为什么不用虚表头方式处理双链表？太弱了吧！

• 答：2019-04-22泄漏的【lrucache】被人在V站上扒出来喷过，还真不是不会，现在的写法，虽然比pointer-to-pointer方式读起来绕脑，但是有20%左右的提升哈！（😄没想到吧）

相关文献

• 如何一步步提升Go内存缓存性能

致谢

感谢在开发过程中进行code review、勘误 & 提出宝贵建议的各位！（排名不分先后）

askuy [ego]

Leon Ding [打码匠]

黄振

Ice

水不要鱼 [cachego]

贡献者

这个项目的存在要感谢所有做出贡献的人。

请给我们一个💖star💖来支持我们，谢谢。

并感谢我们所有的支持者！ 🙏