缓存

一：JDK 自带的 HashMap 和 ConcurrentHashMap 

ConcurrentHashMap 可以看作是线程安全版本的 HashMap ，两者都是存放 key/value 形式的键值对。但是，大部分场景来说不会使用这两者当做缓存，因为只提供了缓存的功能，并没有提供其他诸如过期时间之类的功能。一个稍微完善一点的缓存框架至少要提供：过期时间、淘汰机制、命中率统计这三点。

二： Ehcache 、 Guava([ˈɡwɑːvə]) Cache 、 Spring Cache 这三者是使用的比较多的本地缓存框架。

  • Ehcache 的话相比于其他两者更加重量。不过，相比于 Guava Cache 、 Spring Cache 来说， Ehcache 支持可以嵌入到 hibernate 和 mybatis 作为多级缓存，并且可以将缓存的数据持久化到本地磁盘中、同时也提供了集群方案（比较鸡肋，可忽略）。
  • Guava Cache 和 Spring Cache 两者的话比较像。Guava 相比于 Spring Cache 的话使用的更多一点，它提供了 API 非常方便我们使用，同时也提供了设置缓存有效时间等功能。它的内部实现也比较干净，很多地方都和 ConcurrentHashMap 的思想有异曲同工之妙。
  • 使用 Spring Cache 的注解实现缓存的话，代码会看着很干净和优雅，但是很容易出现问题比如缓存穿透、内存溢出。

三 后起之秀 Caffeine

相比于 Guava 来说 Caffeine 在各个方面比如性能要更加优秀，一般建议使用其来替代 Guava 。并且， Guava 和 Caffeine 的使用方式很像！

本地缓存固然好，但是缺陷也很明显，比如多个相同服务之间的本地缓存的数据无法共享。

四、本地缓存和分布式缓存

本地缓存

本地的缓存的优势非常明显：低依赖、轻量、简单、成本低。

本地缓存有如下缺点：

  1. 本地缓存对分布式架构支持不友好，比如同一个服务部署在多台机器上的时候，各个机器之间的缓存是无法共享的，因为本地缓存只在当前机器上有。
  2. 本地缓存容量受服务部署所在的机器限制明显。 如果当前系统服务所耗费的内存多，那么本地缓存可用的容量就很少。

分布式缓存

相当于是部署了一个单独的缓存服务器，这个服务器专门用来提供缓存的服务。使用分布式缓存之后，缓存部署在一台单独的服务器上，不管该服务分布式部署在多少台机器上，使用的都是同一份缓存。所以，单独的分布式缓存服务的性能、容量和提供的功能都要更加强大。

分布式缓存的缺点：

  1. 系统复杂性增加 ：引入缓存之后，你要维护缓存和数据库的数据一致性、维护热点缓存等等。
  2. 系统开发成本往往会增加 ：引入缓存意味着系统需要一个单独的缓存服务，需要耗费宝贵的内存。

五、缓存读写模式/更新策略

下面介绍到的三种模式各有优劣，不存在最佳模式，根据具体的业务场景选择适合自己的缓存读写模式。

5.1 Cache Aside Pattern（旁路缓存模式）

  1. 读：从 cache 中读取数据，读取到就直接返回，读取不到的话，就从 DB 中取数据返回，然后再把数据放到 cache 中。
  2. 写：更新 DB，然后直接删除 cache 。

Cache Aside Pattern 中服务端需要同时维系 DB 和 cache，并且是以 DB 的结果为准。另外，Cache Aside Pattern 有首次请求数据一定不在 cache 的问题，对于热点数据需要提前放入缓存中。

Cache Aside Pattern 是我们平时使用比较多的一个缓存读写模式，比较适合读请求比较多的场景。

5.2 Read/Write Through Pattern（读写穿透）

Read/Write Through 套路是：服务器端只和缓存交互，由缓存和数据库进行交互数据更新和同步。

  1. 读(Read Through)： 从 cache 中读取数据，读取到就直接返回 。读取不到的话，由缓存负责先从 DB 加载，写入到 cache 后返回响应。
  2. 写（Write Through）：先查 cache，cache 中不存在，直接更新 DB。 cache 中存在，则先更新 cache，然后 由cache 服务自己更新 DB（同步更新 cache 和 DB）。

Read-Through Pattern 实际只是在 Cache-Aside Pattern 之上进行了封装。在 Cache-Aside Pattern 下，发生读请求的时候，如果 cache 中不存在对应的数据，是由客户端自己负责把数据写入 cache，而 Read Through Pattern 则是 cache 服务自己来写入缓存的，这对客户端是透明的。

和 Cache Aside Pattern 一样， Read-Through Pattern 也有首次请求数据一定不再 cache 的问题，对于热点数据需要提前放入缓存中。

5.3. Write Behind Pattern（异步缓存写入）

Write Behind Pattern 和 Read/Write Through Pattern 很相似，两者都是由 cache 服务来负责 cache 和 DB 的读写。

但是，两个又有很大的不同：Read/Write Through 是同步更新 cache 和 DB，而 Write Behind Caching 则是只更新缓存，不直接更新 DB，而是改为异步批量的方式来更新 DB。

Write Behind Pattern 下 DB 的写性能非常高，尤其适合一些数据经常变化的业务场景比如说一篇文章的点赞数量、阅读数量。 往常一篇文章被点赞 500 次的话，需要重复修改 500 次 DB，但是在 Write Behind Pattern 下可能只需要修改一次 DB 就可以了。

但是，这种模式同样也给 DB 和 Cache 一致性带来了新的考验，很多时候如果数据还没异步更新到 DB 的话，Cache 服务宕机就 gg 了。

参考：

posted @ 2020-12-18 14:29  Lucky小黄人^_^  阅读(236)  评论(0)  编辑  收藏  举报