应用级缓存
- 基于空间:指缓存设置了存储空间,如果设置为10MB,当达到存储空间上限时,按照一定的策略移除数据。
- 基于容量:指缓存设置了最大大小,当缓存的条目超过最大大小时,按照一定的策略移除旧数据。
- 基于时间
TTL(Time To Live):存活期,即缓存数据从创建开始直到到期的一个时间段。
TTI(Time To Idle):空闲期,即缓存数据多久没有被访问后移除缓存的时间。 - 基于Java对象引用
软引用:如果一个对象是软引用,那么当JVM堆内存不足时,垃圾回收器可以回收这些对象。
弱引用:当垃圾回收器回收内存时,如果发现弱引用,则将它立即回收。相对于软引用,弱引用有更短的生命周期。
注意:只有在没有其他强引用对象引用软引用/弱引用对象时,垃圾回收时才会回收该引用。 - 回收算法
使用基于空间和基于容量的缓存会使用一定的策略移除旧数据,常见如下:
FIFO(First In First Out):先进先出算法,即先放入的缓存先被删除。
LRU(Least Recently Used):最近最少使用算法,使用时间距离现在最久的被移除。
LFU(Lease Frequently Used):最不常用算法,一定时间段内使用频率最少的呗移除。
Java缓存类型
- 堆缓存:使用java堆内存来存储对象,好处是不需要序列化/反序列化,速度快,缺点是受GC影响。可以使用Guava Cache、Ehcache 3.x、MapDB实现。
- 堆外缓存:缓存数据存储在堆外,突破了JVM的枷锁,读取数据时需要序列化/反序列化,比对堆内缓存慢很多。可以使用Ehcache 3.x、MapDB实现。
- 磁盘缓存:在JVM重启时数据还在,而堆缓存/堆外缓存数据会丢失,需要重新加载。可以使用Ehcache 3.x、MapDB实现。
- 分布式缓存:没啥好说的了,Redis…
对于上述缓存类型的使用,可以采用存储最热的数据到堆缓存,相对热的数据到堆外缓存,全量数据到分布式缓存。下面就来看下每一种类型怎么使用,示例写在real_server_1项目中。
堆缓存
<!-- guava版本 -->
<dependency>
<groupId>com.google.guava</groupId>
<artifactId>guava</artifactId>
<version>23.0</version>
</dependency>
private static void guavaHeap() throws InterruptedException {
Cache<String, String> myCache = CacheBuilder.newBuilder()
.concurrencyLevel(4) // 并发级别,即ConcurrentHashMap segment数量,越大并发能力越强
.expireAfterWrite(10, TimeUnit.SECONDS) // 设置过期TTL
.maximumSize(10000) // 设置缓存的容量,当超出时,按照LRU进行回收
.build();
myCache.put("guava", "heap_guava");
while (true) {
String value = myCache.getIfPresent("guava");
if (value == null) {
System.out.println("Cache expired");
return;
} else {
System.out.println(value);
}
Thread.sleep(1000);
}
}
堆外缓存
<!-- mapdb -->
<dependency>
<groupId>org.mapdb</groupId>
<artifactId>mapdb</artifactId>
<version>3.0.5</version>
</dependency>
private static void mapdbDirect() throws InterruptedException {
HTreeMap myCache = DBMaker.memoryDirectDB()
.concurrencyScale(16)
.make().hashMap("myCache")
.expireStoreSize(64 * 1024 * 1024)
.expireMaxSize(10000)
.expireAfterCreate(10, TimeUnit.SECONDS)
.expireAfterUpdate(10, TimeUnit.SECONDS)
.expireAfterGet(10, TimeUnit.SECONDS)
.create();
myCache.put("mapdb", "direct_mapdb");
System.out.println(myCache.get("mapdb"));
Thread.sleep(15000);
System.out.println(myCache.get("mapdb"));
}
磁盘缓存
private static void mapdbDisk(){
DB db = DBMaker.fileDB("/Users/zhangjing/mpdb.data")
.fileMmapEnable() // 启用mmap
.fileMmapEnableIfSupported() // 在支持的平台上启用mmap
.fileMmapPreclearDisable() // 让mmap更快
.cleanerHackEnable() // 一些BUG处理
.transactionEnable() // 启用事务
.closeOnJvmShutdown()
.concurrencyScale(16).make();
HTreeMap myCache = db.hashMap("myCache")
.expireMaxSize(10000)
.expireAfterCreate(10, TimeUnit.SECONDS)
.expireAfterUpdate(10, TimeUnit.SECONDS)
.expireAfterGet(10, TimeUnit.SECONDS)
.createOrOpen();
myCache.put("mapdb", "disk_mapdb");
db.commit();
}
分布式缓存
上面简单地过下集中缓存的皮毛,在具体使用过程中还得逐个深入研究。
缓存使用模式实践
已经有前人给我们总结了模式的使用场景,主要分为两大类:Cache-Aside和Cache-As-SoR(Read-through、Write-through、Write-behind)。首先介绍三个名词:
- SoR(system-of-record):记录系统,或者可以叫做数据源,即实际存储原始数据的系统。
- Cache:缓存,是SoR快照数据,Cache的访问速度比SoR要快,放入Cache的目的是提升访问速度,减少回源到SoR的次数。
- 回源:即回到数据源头获取数据,Cache没有命中时,需要从SoR读取数据,这叫做回源。
Cache-Aside
Cache-Aside即业务代码围绕着Cache写,是由业务代码直接维护缓存:
推荐:DotNET企业架构应用实践-系统架构与性能-缓存技术与ORM中的缓存查询技术
[系列回顾 在前面的文章DotNET企业架构应用实践-系统架构与性能-理论依据及相关做法一文中我介绍了系统性能优化的理论做了一个概括的介绍,也简单的介绍了性能优化的
- 读场景:先从缓存获取数据,如果没有命中,则回源到SoR并将源数据放入缓存供下次读取使用。
- 写场景:先将数据写入SoR,写入成功后立即将数据同步写入缓存;或者先将数据写入SoR,写入成功后将缓存数据过期,下次读取时再加载缓存。
Cache-Aside可以用AOP模式去实现。
Cache-As-SoR
Cache-As-SoR即把Cache看做SoR,所有操作都是对Cache进行,然后Cache再委托给SoR进行真是的读/写。即业务代码中只看到Cache的操作,看不到关于SoR的相关代码。有三种实现:Read-Through、Write-Through、Write-Behind。
Read-Through
Read-through,业务代码首先调用Cache,如果Cache不命中由Cache回源到SoR,而不是业务代码(即由Cache读SoR)。使用Read-through模式,需要配置一个CacheLoader组件用来回源SoR加载源数据。
Write-Through
Write-Through被称为穿透写模式/直写模式,业务代码首先调用Cache写(新增/修改)数据,然后由Cache负责写缓存和写SoR,而不是由业务代码。使用Write-Through模式需要配置一个CacheWriter组件来回写SoR。
Write-Behind
Write-Behind也叫做 Write-Back,我们称之为回写模式。不同于Write-Through是同步写SoR和Cache,Write-Behind是异步写。异步之后可以实现批量写、合并写、延时写和限流。
这部分代码就不贴出来了,可以选择适合自己的缓存方式再深入研究。
[节选自最新出版的《深入分布式缓存》一书"缓存在社交网络Feed系统中的架构实践"一章的第一、二小节。 在社交网络发展如火如荼的今天,人们越来越倾向于用新媒介来展现自我