架构师必备：本地缓存原理和应用

先说结论：本地缓存优先选用caffeine，因为性能比guava cache快，api风格与之兼容、能轻松地平滑迁移，并且在spring/spring boot最新版本中已经是默认本地缓存了。下面展开讲讲本地缓存和Spring cache。

本文讨论堆内缓存，暂不讨论堆外缓存。堆内缓存是指缓存与应用程序在一个JVM应用中，会受GC影响，一般业务层面的应用开发用不到堆外缓存。

1、什么场景使用本地缓存

并非所有的缓存场景，redis都适用，以下情况应当优先考虑本地缓存。

• 数据量不大
• 修改频率低、甚至是静态的数据
• 查询qps极高：通过纯内存操作，避免网络请求
• 对性能有极致要求，速度比redis更快

如：秒杀热点商品缓存、地域信息缓存。

2、缓存基本原理

先简单回顾一下缓存的基本原理。

语义

• get：根据key查询value，缓存未命中时查询底层数据并设置缓存
• put：设置缓存
• evict：删除key
• ttl：kv键值对过期失效

淘汰策略

缓存有大小上限，超过后需要淘汰掉冷数据，保留真正的热数据，以确保缓存命中率。有2种常见算法：LRU和LFU。

LRU（Least Recently Used）

优先淘汰掉最近最少使用的数据，该算法假设最近访问的数据，将来也会频繁地使用。

• 优点
  • 容易理解和实现
  • 链表占用空间小
• 缺点
  • 临时批量数据，会把真正的热数据冲掉，而造成缓存命中率急剧下降，影响性能

下面给出LRU算法的2种伪代码实现：

• LinkedHashMap实现：LinkedHashMap底层数据结构就是一个HashMap和双向链表的结合体，可以借助它快速实现LRU算法。

public class LRUCache extends LinkedHashMap {
    // 缓存最大条目数
    private int maxSize;

    public LRUCache(int maxSize) {
        // 初始大小为16，loadFactor为0.75，accessOrder按访问顺序排列为true
        super(16, 0.75f, true);
        this.maxSize = maxSize;
    }

    @Override
    protected boolean removeEldestEntry(Map.Entry eldest) {
        // 大小超过maxSize时，删除最久远的数据
        return size() > maxSize;
    }
}

• Map+Deque实现：
  • Deque双端队列队尾是最新数据，队首是最久远数据
  • 最新访问的元素，如果已存在，则移动至队尾，否则直接插入队尾
  • put时如果已满，则删除队首元素

// 泛型支持
public class LRUCache<K, V> {
    private int maxSize;
    private Map<K, V> map = new HashMap<>();
    // 双端队列，用于记录访问的远近；LinkedList是Deque的子类
    private LinkedList<K> recencyList = new LinkedList<>();

    public LRUCache(int maxSize) {
        this.maxSize = maxSize;
    }

    public V get(K key) {
        if (map.containsKey(key)) {
            moveToTail(key);
            return map.get(key);
        } else {
            return null;
        }        
    }

    public void put(K key, V value) {
        if (map.containsKey(key)) {
            moveToTail(key);
        } else {
            addToTail(key);
        }

        map.put(key, value);

        if (map.size() > maxSize) {
            removeEldest();
        }
    }

    private void moveToTail(K key) {
        recencyList.remove(key);
        recencyList.add(key);
    }

    private void addToTail(K key) {
        recencyList.add(key);
    }

    private void removeEldest(K key) {
        recencyList.removeFirst(key);
    }
}

LFU（Least Frequently Used）

优先淘汰掉最不经常使用的数据，该算法假设最近使用频率高的数据，将来也会频繁地使用。

• 优点
  • 统计了key的访问频率，淘汰掉的数据大概率是冷数据
  • 不会受临时批量数据的影响
• 缺点
  • 占用更大的内存，需要额外记录key的访问频率的数据结构
  • 统计周期难以确定，新访问的数据频率值较低，即使后续经常访问，也可能先被淘汰
• 伪代码实现

public class LFUCache {
    // 容量大小
    int cap;
    // 最小的频次
    int minFreq;
    // key到val的映射
    HashMap<Integer, Integer> key2Val;
    // key到freq的映射
    HashMap<Integer, Integer> key2Freq;
    // freq到key列表的映射
    HashMap<Integer, LinkedHashSet<Integer>> freq2Keys;

    public LFUCache(int capacity) {
        this.cap = capacity;
        this.minFreq = 0;
        key2Val = new HashMap<>();
        key2Freq = new HashMap<>();
        freq2Keys = new HashMap<>();
    }
    
    public int get(int key) {
        if (!key2Val.containsKey(key)) {
            return -1;
        }
        // 增加访问频次
        increaseFreq(key);
        return key2Val.get(key);
    }
    
    public void put(int key, int value) {
        if (this.cap == 0) {
            return;
        }

        // 判断是否包含key，包含直接增加访问频次，更新值
        if (key2Val.containsKey(key)) {
            // 增加访问频次
            increaseFreq(key);
            key2Val.put(key, value);
            return;
        }
        // 不包含，判断是否达到容量，达到容量删除最少频次，最先访问的元素
        if (key2Val.size() >= this.cap) {
            removeMinFreqKey();
        }
        // 保存数据，更新频次
        key2Val.put(key, value);
        // 设置key热度
        key2Freq.put(key, 1);
        freq2Keys.putIfAbsent(1, new LinkedHashSet<>());
        // 热度与key关联
        freq2Keys.get(1).add(key);
        this.minFreq = 1;
    }

    private void increaseFreq(Integer key) {
        int freq =  key2Freq.get(key);
        // 增加热度
        key2Freq.put(key, freq + 1);
        freq2Keys.putIfAbsent(freq + 1, new LinkedHashSet<>());
        freq2Keys.get(freq + 1).add(key);
        // 调整热度与key关系的数据
        freq2Keys.get(freq).remove(key);
        if (freq2Keys.get(freq).size() == 0) {
            freq2Keys.remove(freq);
            if (freq == this.minFreq) {
                this.minFreq++;
            }
        }
    }

    private void removeMinFreqKey() {
        // 查看最小的热度
        // 找到最先访问的key
        int oldKey = freq2Keys.get(this.minFreq).iterator().next();
        // 删除key及val
        key2Val.remove(oldKey);
        key2Freq.remove(oldKey);
        // 删除热度与key的关系
        freq2Keys.get(this.minFreq).remove(oldKey);
        if (freq2Keys.get(this.minFreq).size() == 0) {
            freq2Keys.remove(this.minFreq);
        }
    }
}

3、Guava cache大致原理

• 淘汰策略使用LRU算法
• 使用了2个队列accessQueue、writeQueue，分别记录读、写缓存时数据访问和写入的顺序，更加精细
• 惰性删除：访问缓存的时候判断数据是否过期，如果过期才将其删除，并没有专门的后台线程来删除过期数据
• 并发：map数据结构类似ConcurrentHashMap，有多个segment，不同segment之间的读写可并发；

4、caffeine大致原理

• 淘汰策略使用window tiny-lfu算法，是一种高效的近似LFU算法
• 使用3个队列：WindowDeque作为前置的LRU，ProbationDeque（试用期队列）、ProtectedDeque（受保护队列），当WindowDeque满时，会进入Segmented LRU中的ProbationDeque，在后续被访问到时，它会被提升到ProtectedDeque。当ProtectedDeque满时，会有数据降级到ProbationDeque
• 异步淘汰数据

下面是从github wiki和高性能缓存 Caffeine 原理及实战
摘抄的。

一、近似统计频率，而非精确：采用 Count–Min Sketch 算法降低频率信息带来的内存消耗；
二、维护一个PK机制保证新进入的热点数据能够缓存。

如下图所示，Count–Min Sketch 算法类似布隆过滤器 (Bloom filter)思想，对于频率统计我们其实不需要一个精确值。存储数据时，对key进行多次 hash 函数运算后，二维数组不同位置存储频率（Caffeine 实际实现的时候是用一维 long 型数组，每个 long 型数字切分成16份，每份4bit，默认15次为最高访问频率，每个key实际 hash 了四次，落在不同 long 型数字的16份中某个位置）。读取某个key的访问次数时，会比较所有位置上的频率值，取最小值返回。对于所有key的访问频率之和有个最大值，当达到最大值时，会进行reset即对各个缓存key的频率除以2。

如下图缓存访问频率存储主要分为两大部分，即 LRU 和 Segmented LRU 。新访问的数据会进入第一个 LRU，在 Caffeine 里叫 WindowDeque。当 WindowDeque 满时，会进入 Segmented LRU 中的 ProbationDeque，在后续被访问到时，它会被提升到 ProtectedDeque。当 ProtectedDeque 满时，会有数据降级到 ProbationDeque 。数据需要淘汰的时候，对 ProbationDeque 中的数据进行淘汰。具体淘汰机制：取ProbationDeque 中的队首和队尾进行 PK，队首数据是最先进入队列的，称为受害者，队尾的数据称为攻击者，比较两者频率大小，大胜小汰。

5、Spring cache使用示例

通过Spring可以很方便地集成本地缓存，先介绍基本概念。有2个核心类，Cache、CacheManager。
Cache是缓存的抽象接口，提供put、putIfAbsent（不存在时才设置kv）、get、evict（删除kv）、clear（清空所有kv）、getName（获取缓存名称）等操作。
CacheManager是一个包含了一至多个相同配置的Cache的集合，提供getCache（获取Cache对象），getCacheNames（获取包含的所有Cache对象的名称）操作。

配置

以Caffeine为例，Guava cache类似。
需注意：在@Configuration修饰的Spring配置类上，加上@EnableCaching，相当于Spring cache的总开关。

@Configuration
@EnableCaching
public class CacheConfig {
    @Bean
    public Caffeine cacheConfig() {
        return Caffeine.newBuilder()  // 默认配置，kv强引用类型（strong reference，相对于软引用、弱引用）
            // 写入10秒后过期
            .expireAfterWrite(10, TimeUnit.SECONDS)
            // 缓存kv个数上限
            .maximumSize(10000)
            // 统计
            .recordStats();
    }

    @Bean
    public CacheManager cacheManager() {
        // 该CacheManager包括2个缓存userCache、orderCache
        CaffeineCacheManager cacheManager = new CaffeineCacheManager("userCache", "orderCache");
        // 使用cacheConfig bean的配置
        cacheManager.setCaffeine(cacheConfig());
        return cacheManager;
    }
}

注解声明

• @Cacheable：优先查缓存，如果查不到再通过执行方法逻辑查询，最后塞到缓存中。key用SpEL表达式，如果不指定默认是所有参数作为整体的key
• @CachePut：立即更新缓存，而不是等待key失效
• @CacheEvict：显式删除kv

    // 使用的cache名为userCache，cacheManager是cacheManager，key为userDetail拼上user对象的id字段
    @Cacheable(value="userCache", cacheManager="cacheManager", key="'userDetail' + #user.id")
    public UserDetail queryUserDetail(User user) {
        // 查询实际逻辑
        return userDetailResult;
    }