分布式缓存
1. 缓存的读写模式和分类
1）缓存的读写模式
(1) 缓存有3种读写模式
- Cache Aside（旁路缓存）
- Read/Write（读写穿透）
- Write Behind Caching（异步缓存写入）
(2) Cache Aside
- 写过程：更新DB => 删除cache => DB驱动缓存数据更新（cache lazy更新，eg: 异步探测DB变更日志，重新计算后进行缓存更新）；
- 读过程：读cache => (cache未使中)读DB => DB数据更新cache（异步）；
- 特点：业务应用方关注cache与DB的读写全过程，写过程cache更新使用lazy机制由DB实时变更更新，高一致性；
- 适合场景：高一致性需求，缓存数据更新比较复杂（需复杂计算）等；
(2) Read/Write Through
- 写过程：Cache更新（Cache存在的情况先更新） => DB更新 （两者同步更新）；
- 读过程：读cache => (cache未使中)读DB => 回种cache(非异步，同步)；
- 特点：存储服务封装了所有的数据处理细节（cache + DB），业务应用端代码只用关注业务逻辑本身，系统的隔离性更佳, 另外 cache没有数据则不更新，有缓存才更新，内存效率高；
- 适合场景：数据有明显冷热区分，并对实时性有一定要求。如weibo大V和僵尸的feed列表更新；
(3) Write Behind Caching
- 写过程：Cache更新（Cache存在的情况先更新） => DB更新 （异步批量更新DB）；
- 读过程：读cache => (cache未使中)读DB => 回种cache(非异步，同步)；
- 特点：
- 优势：1）存储服务封装了所有的数据处理细节（cache + DB），业务应用端代码只用关注业务逻辑本身，系统的隔离性更佳。2）数据存储的写性能高
- 缺点：1）数据一致性差，极端场景会存在数据丢失问题（eg:比如系统 Crash、机器宕机时，如果有数据还没保存到 DB，则会存在丢失的风险）；
- 适合场景：1) 非常适合一些变更特别频繁的业务，特别是可以合并写请求的业务(eg:一些计数业务，一条 Feed 被点赞 1万 次，如果更新 1万 次 DB 代价很大，而合并成一次请求直接加 1万，则是一个非常轻量的操作)
总结：三种模式各有优劣，不存在最佳模式。实际上，我们也不可能设计出一个最佳的完美模式出来，如同前面讲到的空间换时间、访问延迟换低成本一样，高性能和强一致性从来都是有冲突的，系统设计从来就是取舍，随处需要 trade-off。
2）缓存的分类
(1) 按宿主层次分类
- 本地Cache: 进程内Cache，读写性能高且无任何网络开销，但容易丢失（进程或应用重启）；
- Ehcache
- Guava Cache
- Self Build（自建缓存，如map, set, array等）
- 进程间Cache: 本机Cache，读写性能较高，可以大幅度减少网络开销，但运维复杂肯与应用程序有资源竞争，也易造成数据丢失且适合无状态应用（机器重启）；
- Memcached
- Redis
- Fatcache
- Pika
- Others
- 远程Cache：独立部署，容量大易扩展，但需网络跨机访问，带宽是瓶颈；
- Memcached
- Redis
- Fatcache
- Pika
- Others
(2) 按储存介质分类
- 内存型缓存：数据存储在内存，读写性能好，数据易丢失（但系统重启或是crash后）；
- Memcached
- Redis
- 持久化型缓存：数据存储在高速硬盘（SSD/Fusion-IO）, 容量比内存型大1个数量级，但读写情能慢1~2个数量级，数据不易丢失（持久化到存储介质了）
- Pika
- 其他基于RocksDB开发的缓存组件
2）缓存的架构设计
未完待续。。。
