分布式缓存方案
一、从数据说起
我们再做缓存之前需要把数据先分好类
按变化频率：
- 静态数据：一般不变的，类似于字典表
- 准静态数据：变化频率很低，部门结构设置，全国行政区划数据
- 中间状态数据：一些计算的可复用中间数据，变量副本，配置中心的本地副本
按使用频率：
- 热数据：使用频率高的
- 读写比大的：读的频率远大于写的频率
这些数据就比较适合使用缓存。
缓存无处不在。内存可以看作是cpu和磁盘之间的缓存。cpu与内存的处理速度也不一致，所以出现了L1&L2 Cache
缓存的本质：系统各级之间处理速度不匹配，利用空间换时间。
缓存加载时间
1. 启动时全量加载
2. 懒加载
2.1. 同步使用加载
先看缓存里是否有数据，没有的话从数据库读取。读取的数据，先放到内存，然后返回给调用方。
2.2. 延迟异步加载
从缓存里获取数据，不管有没有都直接返回。
策略1：如果缓存为空的话，则发起一个异步线程负责加载。
策略2：异步线程负责维护缓存的数据，定期或根据条件触发更新。
缓存过期策略
- 按FIFO或LRU
- 固定时间过期
- 根据业务进行时间的加权。
二、本地缓存
- Map 缓存
public static final Map<String,Object> CACHE=new HashMap();
CACHE.put("key","value");
- Guava缓存
Cache<String,String> cache = CacheBuilder.newBuilder() .maximumSize(1024) .expireAfterWrite(60,TimeUnit.SECONDS) .weakValues() .build();
cache.put("word","Hello Guava Cache");
System.out.println(cache.getIfPresent("word"));
- Spring Cache
- 基于注解和AOP，使用方便
- 可以配置Condition和SPEL，非常灵活
- 需要注意：绕过Spring的话，注解无效
核心功能：@Cacheable、@CachePut、@CacheEvict
本地缓存的缺点：
- 在集群环境中，如果每个节点都保存一份缓存，导致占用内存变大
- 在JVM中长期存在，会影响GC
- 缓存数据的调度处理，影响业务线程，争夺资源
三、远程缓存
- Redis
Redis是一个开源的使用ANSI C语言编写的，基于内存也可以持久化的key-value数据库，并提供多种语言的API
- Memcached
memcached是一套分布式的高速缓存系统，由LiveJournal的Brad Fitzpatrick开发，但被许多网站使用。这是一套开放源代码软件，以BSD license授权发布。
四、内存网格
- Hazelcast
- lgnite
五、缓存常见问题
1. 缓存穿透
问题描述：大量并发查询不存在的KEY，导致都直接把压力透传到数据库上。
分析：因为数据库里没有值，所以没有建立缓存，导致一直打到数据库上。
解决办法：
- 缓存空值的KEY
- Bloom过滤或RoaringBitmap判断KEY是否存在
- 完全以缓存为准，使用延迟异步加载的方式去加载数据库数据到缓存。
Bloom过滤器示例：
（引入guava依赖）
public static void main(String[] args) {
BloomFilter<CharSequence> filter = BloomFilter.create(
Funnels.stringFunnel(Charsets.UTF_8),//Funnels.integerFunnel(), //数据格式
1000000,//预计存入数据量
0.01);//误判率
System.out.println(filter.mightContain("abcdefg"));
filter.put("abcdefg");
System.out.println(filter.mightContain("abcdefg"));
}
RoaringBitmap示例：
引入依赖：
<dependency>
<groupId>org.roaringbitmap</groupId>
<artifactId>RoaringBitmap</artifactId>
<version>0.8.1</version>
</dependency>
public static void test3(){
Roaring64NavigableMap roaring64NavigableMap = Roaring64NavigableMap.bitmapOf(3, 4, 5, 90);
//是否包含
boolean contains = roaring64NavigableMap.contains(3);
long l = roaring64NavigableMap.rankLong(3);
System.out.println(l);
System.out.println(contains);
}
2. 缓存击穿
问题：当某个KEY失效的时候，正好有大量并发请求访问这个KEY
分析：跟缓存穿透比较像，这个是属于偶然的
解决办法：
- KEY的更新的时候添加全局互斥锁
- 完全以缓存为准，使用延迟异步加载的策略
3. 缓存雪崩
问题：当某一个时刻发生大规模的缓存失效的情况，会有大量请求打到数据库，导致数据库压力过大而宕机
分析：一般来说，由于更新策略、或者数据热点、缓存服务宕机等原因，导致缓存数据同时大规模不可以。
解决办法：
- 缓存更新、失效策略在时间上做到比较均匀
- 使用的热数据尽量分散到不同机器上
- 多台机器做主从复制，实现高可用
- 实现熔断限流机制，对系统进行负载能力控制
- 使用本地缓存兜底
4. 先更新数据库还是先删除缓存？
4.1 先删除缓存，再更新数据库
-
并发情况下：
如果线程A删除了缓存还没来得及更新数据库。那么线程B就会拿不到缓存，从数据库查询旧值并写入缓存。就会导致后来的请求都是从缓存里拿到旧值。 -
异常情况下：如果线程A删除缓存成功，更新数据库异常。线程B拿不到缓存也没关系，从数据库查，此时数据库和缓存的值是一致的，没问题。
4.2 先更新数据库，再删除缓存
-
并发情况下：如果线程A更新了数据库还没来得及删除缓存。那么线程B从缓存里取到旧值，但是后续的请求过来缓存已经被删除了，还是会从数据库中查询到新值并放入缓存。
-
异常情况下：如果线程A更新数据库成功，删除缓存异常。那么线程B拿到的缓存的值是旧的，有不一致的情况。
综上，虽然都有不一致的情况，但是第二种更好处理一点。即选择先更新数据库，再删除缓存，模型如下：
如果删除缓存的时候出了异常，可以将删除缓存的任务放入消息中间件，让他重试删除。
番外：
布隆过滤器：
目标就是要基于过滤器已存储生成的原始元数据，进行比较过滤，如果是在原始元数据集合里面的，一定会被发现。也有可能不是里面的被误杀。
BloomFilter 会开辟一个m位的bitArray（位数组），开始所有数据都部署为0，当一个元素过来的时候，通过多个hash函数计算出不同的值，然后根据hash值找到对应的下标处，将里面的值改为1.
优点：使用计算，节省存储空间。
缺点：有失误率。不是在过滤器原始表里的数据也会被误算进去。
使用场景：目标就是要基于过滤器已存储生成的原始元数据，进行比较过滤，如果是在原始元数据集合里面的，一定会被发现。布隆过滤器核心正确的使用就是进行过滤禁止，进行正确的否定。
举例：如我们有100万个黑名单的url地址，过来一个地址我们算出来不在里面，那就肯定可以放行。
BitMap：
BitMap的基本思想是用一个bit位来标记某个元素对应的值，这样就可以大大节省空间。
在Java中一个int占4个字节，也就是32bit。按int存储和按位存储的大小差距是32倍。
那么怎么表示一个数呢？可以使用1表示存在，0表示不存在。
如下面：表示{2，6}
一个byte只有8个位置，如果想表示13怎么办呢？只能再用一个byte了，就成了一个二维数组了
1个int占32位，那么我们只需要申请一个int数组长度为 int tmp[1+N/32] 即可存储，其中N表示要存储的这些数中的最大值
使用场景：
- 快速排序
把数放进去之后，遍历一遍，把值是1的都取出来就排好序了。
- 快速去重
20亿个整数中找出不重复的整数的个数？
内存不足以容纳这20亿个整数。我们怎么表示数字的状态呢？一个数的状态可以分为3种，不存在、存在一次、存在两次及以上。这就需要两个bit来表示。00代表不存在，01代表一次，11代表两次及以上。
接下来我们就把这20亿个整数放进去，如果状态为00，就改为01，如果状态为01就改为11.如果状态为11，就不动了。都放完后，遍历取出值为01的，就是不重复的数据的个数。。
3. 快速查找
给定一个整数M，M/32就能得到int数组的下标，M%32就知道在这个下标里面的具体位置。
如13，就能算出在int[0]里面的第13个
