opcode缓存失效导致性能暴跌?PHP 8.5 JIT调优全攻略,99%的人都忽略了这一点

第一章:opcode缓存失效导致性能暴跌?PHP 8.5 JIT调优全攻略,99%的人都忽略了这一点

在PHP 8.5中,JIT(Just-In-Time)编译器的优化能力达到新高度,但若opcode缓存配置不当,JIT生成的机器码将频繁失效,直接导致请求响应时间成倍增长。许多开发者仅关注JIT开关是否开启,却忽略了opcode缓存与JIT协同工作的核心机制。

理解opcode缓存与JIT的依赖关系

JIT并非对所有PHP代码都即时编译,它依赖于稳定的opcode流。当opcache未启用或缓存频繁失效时,每次请求都会重新生成opcode,迫使JIT重复编译相同逻辑,丧失性能优势。

确保opcache稳定运行的关键配置

必须检查并设置以下opcache参数以维持缓存命中率:
; php.ini 配置示例
opcache.enable=1
opcache.enable_cli=1
opcache.memory_consumption=256
opcache.max_accelerated_files=20000
opcache.validate_timestamps=0 ; 生产环境关闭验证
opcache.revalidate_freq=60
opcache.jit_buffer_size=1G    ; 为JIT分配足够内存
其中 opcache.jit_buffer_size 决定JIT可使用的最大内存,建议设置为1GB以支持大规模应用。

监控缓存命中率的实用命令

通过以下脚本定期检查opcode缓存状态:
<?php
$status = opcache_get_status();
echo "缓存命中率: " . ($status['opcache_statistics']['opcache_hit_rate'] ?? 0) . "%\n";
echo "JIT 编译函数数: " . ($status['jit']['function_count'] ?? 0) . "\n";
?>
低命中率通常由文件系统变动、部署脚本未清除旧缓存或validate_timestamps配置不当引起。

常见问题排查清单

  • 确认opcache已启用且无内存溢出警告
  • 检查部署流程是否触发opcode重载
  • 验证JIT编译日志是否存在频繁回退(deoptimization)
  • 使用APCu监控工具观察运行时行为
指标健康值风险提示
缓存命中率>95%<80% 需立即排查
JIT函数数持续增长频繁归零表示异常

第二章:深入理解PHP 8.5 JIT与opcode缓存机制

2.1 PHP 8.5 JIT编译原理与执行流程解析

PHP 8.5 的 JIT(Just-In-Time)编译器通过将 Zend VM 的操作码(opcode)在运行时动态编译为原生机器码,显著提升执行效率。其核心机制位于 Opcache 扩展中,利用 `JIT tracing` 技术识别热点代码路径。
编译触发条件
JIT 并非对所有代码启用,而是基于以下阈值判断:
  • opcache.jit_buffer_size:设置 JIT 缓冲区大小,必须大于 0 才能启用;
  • opcache.jit:定义优化策略,如 tracing 模式追踪循环执行路径;
  • 函数调用次数达到阈值后触发 tracing 编译。
执行流程示例
// 示例:触发 JIT 编译的热点函数
function fibonacci($n) {
    return $n < 2 ? $n : fibonacci($n - 1) + fibonacci($n - 2);
}
// 当此函数被高频调用时,JIT 将其 opcode 编译为 x86-64 机器码
上述递归函数在频繁调用下会被 JIT tracing 机制捕获,其 opcode 经 SSA(静态单赋值)形式优化后生成高效机器指令,减少 VM 解释开销。
JIT 编译阶段概览
阶段说明
Opcode 生成PHP 脚本编译为 Zend VM 操作码
Tracing记录热点执行路径
SSA 转换优化中间表示,便于生成机器码
Code Emission输出对应架构的原生指令

2.2 opcode缓存的工作机制及其在JIT中的角色

opcode缓存是提升脚本语言执行效率的核心机制之一。PHP等解释型语言在执行时首先将源码编译为opcode,这一过程若重复进行会带来显著开销。通过缓存已编译的opcode,后续请求可直接复用,避免重复解析。
缓存流程示例
// 开启OPcache后的典型处理流程
opcache_compile_file('script.php'); // 首次加载并缓存
// 下次请求直接从共享内存读取opcode,跳过语法分析和编译
上述代码表示文件被预编译并存入共享内存。opcode缓存减少了磁盘I/O与词法语法分析成本。
在JIT中的协同作用
  • opcode缓存为JIT提供稳定的中间表示(IR)输入
  • JIT进一步将热点opcode编译为原生机器码
  • 两者结合实现“一次编译、多次优化”的执行路径
该机制显著降低动态语言的运行时延迟,尤其在高并发场景下表现突出。

2.3 缓存失效的常见诱因与性能影响分析

常见诱因
缓存失效通常由以下因素引发:数据更新未同步、过期策略设置不合理、缓存穿透或雪崩、并发写操作冲突等。其中,高频更新场景下若采用“先更新数据库,再删除缓存”策略,可能因时序问题导致短暂脏读。
性能影响对比
诱因类型响应延迟变化数据库负载增幅
缓存雪崩>500%>80%
频繁过期~200%~40%
代码逻辑示例
// 双删机制防止更新期间脏读
func updateData(id int, val string) {
    delCache(id)
    updateDB(id, val)
    time.Sleep(100 * time.Millisecond) // 延迟双删
    delCache(id)
}
该模式通过在数据库更新前后分别清除缓存,降低并发读取时命中旧数据的概率,适用于读多写少但一致性要求较高的场景。延时确保主从复制完成后二次清理,避免中间状态污染。

2.4 opcache配置参数对JIT优化的深层影响

PHP 8 引入的 OPcache JIT 功能显著提升了脚本执行效率,但其性能表现高度依赖于配置参数的合理设置。
JIT 编译模式选择
OPcache 的 `opcache.jit` 和 `opcache.jit_buffer_size` 直接决定 JIT 的行为:
opcache.jit=1205
opcache.jit_buffer_size=256M
其中 `1205` 表示启用基于类型推导的动态编译(DFL: 5),能有效提升复杂逻辑的运行速度。缓冲区大小需根据应用规模调整,过小会导致缓存置换频繁。
关键参数协同影响
参数推荐值作用
opcache.enable1启用 OPcache
opcache.jit_features31启用全部 JIT 特性
这些参数共同决定了代码从字节码到原生机器码的转化深度,直接影响 CPU 利用率与响应延迟。

2.5 实战:通过opcache_get_status诊断缓存命中率

获取OPcache运行时状态
PHP内置函数opcache_get_status()可返回当前OPcache的详细运行信息,是诊断性能问题的核心工具。调用该函数需确保OPcache已启用且允许访问此接口。

$status = opcache_get_status();
print_r($status);
上述代码输出包含缓存脚本数量、命中率、内存使用等关键指标。其中hitsmisses用于计算命中率:命中率 = hits / (hits + misses)
关键字段解析
  • opcache_enabled:确认OPcache是否激活
  • memory_usage:显示内存占用情况
  • opcache_statistics:包含命中率统计与重启次数
频繁的oom_restarts(内存溢出重启)提示需调大opcache.memory_consumption配置。

第三章:定位与规避opcode缓存失效问题

3.1 利用日志与监控工具识别缓存抖动

缓存抖动表现为缓存命中率骤降、请求延迟突增,通常由大规模缓存失效或并发竞争引发。通过系统化监控可快速定位异常根源。
关键监控指标
  • 缓存命中率:低于阈值(如90%)可能预示抖动
  • 平均响应时间:突增常伴随缓存失效
  • GC频率:频繁Full GC可能导致缓存批量清除
日志分析示例

// Redis客户端日志片段
if (cacheMissCount.get() > THRESHOLD) {
    log.warn("High cache miss rate: {} over threshold {}", 
             cacheMissCount.get(), THRESHOLD);
}
该代码段在检测到缓存未命中次数超过设定阈值时触发告警,便于及时捕获抖动初期信号。
监控仪表盘建议字段
指标正常范围告警阈值
命中率>90%<85%
响应延迟<20ms>50ms

3.2 文件系统变更与部署策略对缓存的影响

现代应用频繁的文件系统变更与动态部署策略直接影响缓存的有效性与一致性。在蓝绿部署或滚动更新中,若静态资源哈希未更新,CDN 可能仍服务旧版本文件。
缓存失效场景
常见问题包括:
  • 资源路径不变但内容更新,导致浏览器命中旧缓存
  • 分布式节点间文件同步延迟,引发缓存分裂
  • 构建哈希生成逻辑不一致,使缓存指纹失效
构建缓存友好型发布流程
# 构建阶段生成带哈希的资源文件
webpack --output-filename '[name].[contenthash].js'
该命令生成基于内容的哈希文件名,确保内容变更时文件名变化,强制客户端更新缓存。配合 HTTP Cache-Control: max-age=31536000,实现长期缓存与精准更新平衡。

3.3 实战:构建稳定缓存环境的代码实践

缓存初始化与连接管理
在构建稳定缓存环境时,首先需确保连接池的合理配置。使用Redis客户端时,应设置最大连接数和超时时间,避免资源耗尽。
rdb := redis.NewClient(&redis.Options{
    Addr:     "localhost:6379",
    PoolSize: 10,
    Timeout:  time.Second * 5,
})
上述代码中,PoolSize 控制并发连接上限,Timeout 防止请求无限阻塞,提升系统韧性。
缓存穿透防护策略
为防止恶意查询不存在的键,采用布隆过滤器预判键是否存在:
  • 请求先经布隆过滤器判断
  • 若未通过,则直接拒绝访问后端存储
  • 有效降低数据库压力

第四章:PHP 8.5 JIT深度调优策略

4.1 合理配置opcache.enable_cli与JIT共享内存

PHP的Opcache不仅影响Web请求性能,对CLI模式下的脚本执行同样关键。启用`opcache.enable_cli`可加速命令行工具如Composer或单元测试的运行。
核心配置项
opcache.enable_cli=1
opcache.jit_buffer_size=256M
opcache.jit=1205
开启CLI模式下的Opcache后,JIT编译器能将PHP代码直接转为机器码。`jit_buffer_size`定义共享内存大小,建议生产环境设置为256M以上;`jit=1205`启用基于调用计数的优化策略,平衡性能与内存使用。
共享内存机制
Opcache在SHM(共享内存段)中缓存预编译脚本字节码,避免重复解析。多进程环境下,所有PHP进程共享同一缓冲区,显著降低CPU负载。

4.2 选择最优JIT模式(tracing vs. function)匹配业务场景

在构建高性能语言运行时或编译器时,选择合适的即时编译(JIT)策略对系统表现至关重要。主流JIT实现主要分为**追踪式(tracing)**与**函数式(function)**两类,其适用场景存在显著差异。
追踪式JIT:循环密集型场景的利器
追踪JIT通过记录热点路径生成优化机器码,特别适合频繁执行的循环体。例如:

// 热点循环示例
for (int i = 0; i < 1000000; i++) {
    result += data[i] * factor; // 追踪此路径并编译为原生代码
}
该模式在长时间运行的数值计算、游戏逻辑更新等场景中表现出色,因其能捕获动态执行路径并深度优化。
函数式JIT:通用性与启动性能兼顾
函数式JIT以函数为单位进行编译,适用于事件驱动或短生命周期调用。典型如JavaScript引擎在处理DOM事件回调时采用此策略。
维度追踪JIT函数JIT
启动开销
优化深度
适用负载长循环短函数

4.3 提升缓存命中率的代码组织与加载策略

模块化代码分割
通过按功能或路由拆分代码,可显著提升静态资源缓存复用率。例如,在构建工具中配置动态导入:

const ProductPage = () => import('./views/ProductPage.vue');
const UserDashboard = () => import('./views/UserDashboard.vue');
上述代码实现懒加载,确保用户仅加载当前所需模块,减少主包体积,提高浏览器缓存命中概率。
资源预加载提示
使用 link 标签声明关键资源的预加载策略,有助于浏览器提前获取高频组件:
  • preload:强制预加载核心模块
  • prefetch:空闲时加载未来可能使用的模块
结合用户行为预测,合理配置可大幅提升二次访问性能表现。

4.4 实战:电商高并发场景下的JIT参数调优案例

在电商大促期间,某平台遭遇突发流量高峰,JVM默认的JIT编译策略导致方法编译滞后,引发响应延迟。通过调整热点代码的即时编译阈值,显著提升系统吞吐。
JIT关键参数调优
  • -XX:CompileThreshold=5000:降低方法进入C1编译的调用次数,加快热点代码编译速度;
  • -XX:+TieredCompilation:启用分层编译,结合解释执行与多级优化;
  • -XX:Tier2CompileThreshold=8000:调整C2编译触发频率,平衡性能与资源消耗。
编译日志分析

-XX:+PrintCompilation \
-XX:+UnlockDiagnosticVMOptions \
-XX:+LogCompilation
通过上述参数输出编译日志,定位到商品详情页的getProductInfo()方法在压测中被频繁调用但延迟编译。调整后该方法在1秒内完成C1编译,TP99下降40%。

第五章:未来展望:JIT在PHP生态中的演进方向

与现代编译器技术的深度集成
PHP的JIT引擎正逐步借鉴LLVM等成熟编译框架的设计理念。例如,通过将Zend VM的中间表示(IR)转换为LLVM IR,可利用其优化通道实现更高级的循环展开、向量化和跨函数优化。

// 示例:将PHP字节码映射到LLVM IR片段
%1 = add i32 %a, %b
%2 = mul i32 %1, %c
call void @zend_jit_trace_emit(%2)
面向特定领域应用的性能突破
在机器学习推理和实时数据处理场景中,JIT可通过类型特化提升执行效率。Facebook的HHVM已实现在运行时识别密集数值计算路径,并将其编译为SIMD指令集。
  • 动态类型聚合分析以减少类型检查开销
  • 热点函数的提前编译(AOT+JIT混合模式)
  • 基于硬件特征的代码生成策略选择
开发者工具链的协同进化
Xdebug与Blackfire等性能分析工具正在适配JIT环境,提供追踪编译后机器码执行路径的能力。以下为典型性能监控指标:
指标描述目标值
Trace Cache Hit Rate热点代码缓存命中率>85%
Compilation Threshold触发JIT的调用次数阈值100-1000次
<!-- 图表占位符:JIT开启前后QPS变化趋势 -->
内容概要:本文系统介绍了物理信息神经网络(PINNs)在求解布洛赫-托雷(Bloch-Torrey)方程中的应用,结合PyTorch框架提供了完整的Python代码实现案例。文章深入阐述了如何将物理先验知识嵌入神经网络训练过程,通过构建复合损失函数,强制网络输出满足控制方程、初始条件与边界条件,从而实现对布洛赫-托雷方程的无网格化、高精度求解。该方法突破了传统数值方法在高维、多尺度及复杂几何场景下的计算瓶颈,展现出异的泛化能力与计算效率,特别适用于医学成像、扩散磁共振等领域中复杂的物理场建模与仿真任务。; 适合群:具备深度学习与偏微分方程理论基础,从事科学计算、生物医学工程、材料科学或相关交叉学科研究的研究生、科研员及算法工程师。; 使用场景及目标:①应用于扩散磁共振成像(dMRI)等医学影像技术中的复杂扩散过程建模与反演;②为高维偏微分方程的高效求解提供数据驱动的新范式,提升仿真精度与计算速度;③作为PINNs在AI for Science领域中的典型实践案例,推动物理引导的深度学习方法在实际科研项目中的落地与拓展。; 阅读建议:建议读者结合提供的完整代码资源(可通过公众号“荔枝科研社”或百度网盘获取),动手复现并试模型,深入理解PINNs的架构设计、损失函数构建与物理约束嵌入机制,同时可尝试将该方法迁移至其他类似物理系统的建模与求解任务中进行创新性研究。
内容概要:本文围绕“基于多VSG独立微网的多目标二次控制MATLAB模型研究”展开,详细阐述了利用Simulink对多虚拟同步发电机(VSG)构成的独立微网系统进行建模与仿真,实现频率节、电压支撑与有功无功功率均分等多目标协同化的二次控制策略。研究引入先进的最控制算法,解决微网在孤岛运行模式下的功率动态分配、频率电压恢复及系统稳定性问题,并通过MATLAB/Simulink平台构建完整仿真模型,验证所提控制策略在不同负载扰动下的有效性、鲁棒性与动态响应性能。; 适合群:具备电力系统分析、现代控制理论基础以及MATLAB/Simulink仿真能力的电气工程、自动化等相关专业的硕士研究生、科研员及从事微网控制系统开发的工程技术才。; 使用场景及目标:① 深入理解多VSG在独立微网中的并联运行机理与协同控制架构;② 掌握基于Simulink的微网二次控制系统的建模方法与仿真流程;③ 实现频率、电压与功率分配的多目标化控制仿真验证;④ 为微网控制系统的设计、算法化及科研课题提供可靠的仿真依据和技术参考。; 阅读建议:建议读者结合文中控制策略,动手搭建Simulink模型,重点关注控制器参数整定对系统动态性能的影响,可通过对比不同工况下的仿真结果,进一步化控制算法以提升系统鲁棒性与响应精度。
【重要提示】本资源设置为0积分下载,若非0积分请勿轻易下载 亲爱的CSDN用户: 首先感谢你点进这个资源页面。我需要提前说明一个重要情况: 本资源原本已设置为“0积分下载”,即作者希望完全免费共享。但CSDN平台有时会根据文件的下载热度、文件大小、用户权限等因素,自动将部分资源的积分整为非0数值(如1积分、2积分、5积分等)。这是平台系统的自动行为,而非作者本的设定。 因此,如果你当前看到该资源的下载所需积分不是0(例如显示为1、2、3……),请谨慎决定是否下载。 如果你按照非0积分支付并下载后发现资源内容不符合预期、链接失效,或者实际上该资源本应是免费的,作者无法为此承担积分损失或退还操作。强烈建议:仅在页面显示为0积分时进行下载。 另外,本资源描述中并未直接提供具体的下载地址或外部链接,因为它本身是一个通过CSDN官方上传通道提交的文件/内容包。如果你看到描述中没有外部网盘地址,这是正常的——资源文件应通过CSDN内置的“下载”按钮获取。若因平台积分显示异常导致你支付了积分,请先联系CSDN客服咨询积分退还政策,作者没有权限修改平台自动设定的积分值。 感谢你的理解与支持。技术分享本应开放,但受限于平台规则,特此提醒如上。祝学习进步!
代码下载地址: https://pan.quark.cn/s/a4b39357ea24 编写程序,建立容量为n(建议n=8)的循环队列,完成以下程序功能。 输入字符#,执行一次出队操作,屏幕上显示出队字符;输入字符@,队列中所有字符依次出队并按出队次序在屏幕上显示各字符;输入其它字符,则输入的字符入队。 要求采用队头/队尾间隔至少一个空闲元素的方法来实现循环队列;空队执行出队操作及队满执行入队操作需显示提示信息。 ### 数据结构实验报告知识点 #### 实验背景与目标 本次实验是关于数据结构中的队列基本操作算法。 队列是一种先进先出(FIFO)的数据结构,在计算机科学中有着广泛的应用,例如进程度、任务队列等场景。 通过本实验,学生能够深入理解循环队列的概念,并熟练掌握其实现方法。 #### 实验要求与内容 1. **实验内容**:要求编写一个程序来建立容量为 _n_ 的循环队列(推荐 _n_ = 8),并实现以下功能: - 输入字符 `#` 执行一次出队操作,并显示该出队字符; - 输入字符 `@`,将队列中的所有字符依次出队,并按照出队顺序在屏幕上显示这些字符; - 输入其他任意字符,则将该字符入队。 2. **特殊要求**: - 采用队头/队尾间隔至少一个空闲元素的方法实现循环队列,这样可以避免队列的物理连续性与逻辑连续性的混淆,同时便于检测队列是否为空或满。 - 当队列为满时尝试执行入队操作,或者队列为时空执行出队操作时,需要给出相应的提示信息。 3. **注意事项**: - 在反复输入字符时,应妥善处理输入缓冲区中的回车键(即 `\n` 字符)的问题,避免因连续输入导致的错误行为。 #### 数据结构设计 为了实现上述要求,本实验采用了如下的数据结构设计: ...
内容概要:本文提出了一种基于数据驱动的Koopman算子与递归神经网络(RNN)相结合的模型线性化方法,用于提升纳米定位系统的预测控制性能。该方法通过Koopman算子将复杂的非线性系统动态映射至高维线性空间,克服传统建模在强非线性条件下的局限性,再结合RNN强大的时序特征捕捉能力,实现对系统未来状态的高精度预测与有效控制。整个框架完全基于数据驱动,无需精确物理建模,特别适用于原子力显微镜、半导体制造等对定位精度要求极高的应用场景,并通过Matlab代码实现了算法的完整仿真与验证。; 适合群:具备控制理论基础和Matlab编程能力,从事精密运动控制、智能算法开发、非线性系统建模与预测控制研究的研究生、科研员及工程技术开发者。; 使用场景及目标:①解决纳米级定位平台中存在的强非线性、迟滞、蠕变等复杂动态特性带来的控制难题;②为高精度机电系统提供一种可复现、易实现的数据驱动预测控制方案;③推动Koopman理论与深度学习在先进制造与智能控制领域的深度融合与应用创新。; 阅读建议:建议读者结合提供的Matlab代码深入理解Koopman算子的数值实现流程与RNN网络结构设计细节,重点关注模型在不同工况下的泛化能力、实时性表现及控制稳定性,可进一步将其拓展至其他高精度伺服控制系统的研究与化中。
源码下载地址: https://pan.quark.cn/s/a4b39357ea24 在基于Ubuntu的操作系统环境中部署企业微信是众多用户尤其是企业工作者的迫切需求,因为企业微信能够构建一个高效的沟通与协作平台。本文将系统性地阐述在Ubuntu系统上安装企业微信的DEB安装包的具体方法。 我们有必要掌握DEB安装包的基本概念。DEB代表着Debian软件包的规格,并且被诸如Ubuntu这类基于Debian的系统普遍采纳。每一个DEB包都整合了软件的所有构成要素,涵盖了可执行程序、库文件、配置数据以及必须的安装程序。在Ubuntu系统中,用户能够借助命令行界面或者图形化的工具来对这些DEB包进行操作。 针对标题和描述中提及的"在Ubuntu系统中完成企业微信的安装(涉及DEB安装包)",我们将分阶段地说明实际操作步骤: 1. **启动终端程序**:在Ubuntu系统中,用户可以通过按下快捷键`Ctrl + Alt + T`或从应用程序启动器中查找“终端”来开启它。 2. **获取DEB安装包**:用户需要下载企业微信的DEB安装包。在这个实例中,我们有一个名为`deepin.com.weixin.work_2.8.10.2010deepin0_i386.deb`的文件,通常可以从企业微信的官方网站或其他可信的资源渠道获取。下载完成后,务必保证文件存储在可访问的路径下,例如桌面。 3. **执行DEB安装包的安装**: - 选用`gdebi`工具(如果尚未安装,需先执行`sudo apt install gdebi`命令):输入`gdebi deepin.com.weixin.work_2.8.10.2010deepin0_i386.deb`,然后依照指示完成...
内容概要:本文系统研究了基于改进滑模控制的永磁同步电机(PMSM)速系统,构建并对比了改进滑模、经典滑模与最滑模三种控制策略的Simulink仿真模型。通过仿真分析,深入验证了改进滑模控制在削弱系统抖振、提升动态响应精度及增强鲁棒性方面的显著势,全面阐述了滑模控制在电机速系统中的设计原理、滑模面构造、趋近律选取与参数整定等关键技术环节。; 适合群:具备自动控制理论、现代电机控制技术基础以及Simulink/MATLAB仿真能力的电气工程、自动化、控制科学与工程等专业的研究生、科研员及从事高性能电机驱动系统开发的工程技术员。; 使用场景及目标:①用于高等院校或科研机构开展先进非线性控制算法的教学示范与科研课题攻关;②为工业界高性能伺服系统、新能源汽车电驱动系统等领域的控制器设计与性能化提供理论依据和仿真验证平台;③帮助研究员深入掌握滑模控制的核心思想及其在实际机电系统中的建模、仿真与试方法。; 阅读建议:建议读者结合文中详述的Simulink模型,亲手复现仿真流程,重点关注不同滑模控制策略下系统对参数摄动和外部扰动的抑制能力差异,并可进一步探索自适应滑模、模糊滑模等智能复合控制策略的改进方向,以深化对非线性控制理论应用的理解。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值