一、簡介

下面是Caffeine 官方測試報告。

由上面三幅圖可見：不管在并發(fā)讀、并發(fā)寫還是并發(fā)讀寫的場景下，Caffeine 的性能都大幅領(lǐng)先于其他本地開源緩存組件。

本文先介紹 Caffeine 實現(xiàn)原理，再講解如何在項目中使用 Caffeine 。

二、Caffeine 原理

2.1、淘汰算法

2.1.1、常見算法

對于 Java 進(jìn)程內(nèi)緩存我們可以通過 HashMap 來實現(xiàn)。不過，Java 進(jìn)程內(nèi)存是有限的，不可能無限地往里面放緩存對象。這就需要有合適的算法輔助我們淘汰掉使用價值相對不高的對象，為新進(jìn)的對象留有空間。常見的緩存淘汰算法有 FIFO、LRU、LFU。

FIFO(First In First Out)：先進(jìn)先出。

它是優(yōu)先淘汰掉最先緩存的數(shù)據(jù)、是最簡單的淘汰算法。缺點是如果先緩存的數(shù)據(jù)使用頻率比較高的話，那么該數(shù)據(jù)就不停地進(jìn)進(jìn)出出，因此它的緩存命中率比較低。

LRU(Least Recently Used)：最近最久未使用。

它是優(yōu)先淘汰掉最久未訪問到的數(shù)據(jù)。缺點是不能很好地應(yīng)對偶然的突發(fā)流量。比如一個數(shù)據(jù)在一分鐘內(nèi)的前59秒訪問很多次，而在最后1秒沒有訪問，但是有一批冷門數(shù)據(jù)在最后一秒進(jìn)入緩存，那么熱點數(shù)據(jù)就會被沖刷掉。

LFU(Least Frequently Used)：

最近最少頻率使用。它是優(yōu)先淘汰掉最不經(jīng)常使用的數(shù)據(jù)，需要維護(hù)一個表示使用頻率的字段。

主要有兩個缺點：

一、如果訪問頻率比較高的話，頻率字段會占據(jù)一定的空間；

二、無法合理更新新上的熱點數(shù)據(jù)，比如某個歌手的老歌播放歷史較多，新出的歌如果和老歌一起排序的話，就永無出頭之日。

2.1.2、W-TinyLFU 算法

Caffeine 使用了 W-TinyLFU 算法，解決了 LRU 和LFU上述的缺點。W-TinyLFU 算法由論文《TinyLFU: A Highly Efficient Cache Admission Policy》提出。

它主要干了兩件事：

一、采用 Count–Min Sketch 算法降低頻率信息帶來的內(nèi)存消耗；

二、維護(hù)一個PK機(jī)制保障新上的熱點數(shù)據(jù)能夠緩存。

如下圖所示，Count–Min Sketch 算法類似布隆過濾器 (Bloom filter)思想，對于頻率統(tǒng)計我們其實不需要一個精確值。存儲數(shù)據(jù)時，對key進(jìn)行多次 hash 函數(shù)運(yùn)算后，二維數(shù)組不同位置存儲頻率（Caffeine 實際實現(xiàn)的時候是用一維 long 型數(shù)組，每個 long 型數(shù)字切分成16份，每份4bit，默認(rèn)15次為最高訪問頻率，每個key實際 hash 了四次，落在不同 long 型數(shù)字的16份中某個位置）。讀取某個key的訪問次數(shù)時，會比較所有位置上的頻率值，取最小值返回。對于所有key的訪問頻率之和有個最大值，當(dāng)達(dá)到最大值時，會進(jìn)行reset即對各個緩存key的頻率除以2。

如下圖緩存訪問頻率存儲主要分為兩大部分，即 LRU 和 Segmented LRU 。新訪問的數(shù)據(jù)會進(jìn)入第一個 LRU，在 Caffeine 里叫 WindowDeque。當(dāng) WindowDeque 滿時，會進(jìn)入 Segmented LRU 中的 ProbationDeque，在后續(xù)被訪問到時，它會被提升到 ProtectedDeque。當(dāng) ProtectedDeque 滿時，會有數(shù)據(jù)降級到 ProbationDeque 。數(shù)據(jù)需要淘汰的時候，對 ProbationDeque 中的數(shù)據(jù)進(jìn)行淘汰。具體淘汰機(jī)制：取ProbationDeque 中的隊首和隊尾進(jìn)行 PK，隊首數(shù)據(jù)是最先進(jìn)入隊列的，稱為受害者，隊尾的數(shù)據(jù)稱為攻擊者，比較兩者 頻率大小，大勝小汰。

總的來說，通過 reset 衰減，避免歷史熱點數(shù)據(jù)由于頻率值比較高一直淘汰不掉，并且通過對訪問隊列分成三段，這樣避免了新加入的熱點數(shù)據(jù)早早地被淘汰掉。

2.2、高性能讀寫

Caffeine 認(rèn)為讀操作是頻繁的，寫操作是偶爾的，讀寫都是異步線程更新頻率信息。

2.2.1、讀緩沖

傳統(tǒng)的緩存實現(xiàn)將會為每個操作加鎖，以便能夠安全的對每個訪問隊列的元素進(jìn)行排序。一種優(yōu)化方案是將每個操作按序加入到緩沖區(qū)中進(jìn)行批處理操作。讀完把數(shù)據(jù)放到環(huán)形隊列 RingBuffer 中，為了減少讀并發(fā)，采用多個 RingBuffer，每個線程都有對應(yīng)的 RingBuffer。環(huán)形隊列是一個定長數(shù)組，提供高性能的能力并最大程度上減少了 GC所帶來的性能開銷。數(shù)據(jù)丟到隊列之后就返回讀取結(jié)果，類似于數(shù)據(jù)庫的WAL機(jī)制，和ConcurrentHashMap 讀取數(shù)據(jù)相比，僅僅多了把數(shù)據(jù)放到隊列這一步。異步線程并發(fā)讀取 RingBuffer 數(shù)組，更新訪問信息，這邊的線程池使用的是下文實戰(zhàn)小節(jié)講的 Caffeine 配置參數(shù)中的 executor。

2.2.2、寫緩沖

與讀緩沖類似，寫緩沖是為了儲存寫事件。讀緩沖中的事件主要是為了優(yōu)化驅(qū)逐策略的命中率，因此讀緩沖中的事件完整程度允許一定程度的有損。但是寫緩沖并不允許數(shù)據(jù)的丟失，因此其必須實現(xiàn)為一個安全的隊列。Caffeine 寫是把數(shù)據(jù)放入MpscGrowableArrayQueue 阻塞隊列中，它參考了JCTools里的MpscGrowableArrayQueue ，是針對 MPSC- 多生產(chǎn)者單消費者（Multi-Producer & Single-Consumer）場景的高性能實現(xiàn)。多個生產(chǎn)者同時并發(fā)地寫入隊列是線程安全的，但是同一時刻只允許一個消費者消費隊列。

三、Caffeine 實戰(zhàn)

3.1、配置參數(shù)

Caffeine 借鑒了Guava Cache 的設(shè)計思想，如果之前使用過 Guava Cache，那么Caffeine 很容易上手，只需要改變相應(yīng)的類名就行。構(gòu)造一個緩存 Cache 示例代碼如下：

Cache cache = Caffeine.newBuilder().maximumSize(1000).expireAfterWrite(6, TimeUnit.MINUTES).softValues().build();

Caffeine 類相當(dāng)于建造者模式的 Builder 類，通過 Caffeine 類配置 Cache，配置一個Cache 有如下參數(shù)：

• expireAfterWrite：寫入間隔多久淘汰；
• expireAfterAccess：最后訪問后間隔多久淘汰；
• refreshAfterWrite：寫入后間隔多久刷新，該刷新是基于訪問被動觸發(fā)的，支持異步刷新和同步刷新，如果和 expireAfterWrite 組合使用，能夠保證即使該緩存訪問不到、也能在固定時間間隔后被淘汰，否則如果單獨使用容易造成OOM；
• expireAfter：自定義淘汰策略，該策略下 Caffeine 通過時間輪算法來實現(xiàn)不同key 的不同過期時間；
• maximumSize：緩存 key 的最大個數(shù)；weakKeys：key設(shè)置為弱引用，在 GC 時可以直接淘汰；
• weakValues：value設(shè)置為弱引用，在 GC 時可以直接淘汰；
• softValues：value設(shè)置為軟引用，在內(nèi)存溢出前可以直接淘汰；
• executor：選擇自定義的線程池，默認(rèn)的線程池實現(xiàn)是 ForkJoinPool.commonPool()；
• maximumWeight：設(shè)置緩存最大權(quán)重；weigher：設(shè)置具體key權(quán)重；
• recordStats：緩存的統(tǒng)計數(shù)據(jù)，比如命中率等；
• removalListener：緩存淘汰監(jiān)聽器；writer：緩存寫入、更新、淘汰的監(jiān)聽器。

3.2、項目實戰(zhàn)

Caffeine 支持解析字符串參數(shù)，參照 Ehcache 的思想，可以把所有緩存項參數(shù)信息放入配置文件里面，比如有一個 caffeine.properties 配置文件，里面配置參數(shù)如下：

users=maximumSize=10000,expireAfterWrite=180s,softValues
goods=maximumSize=10000,expireAfterWrite=180s,softValues

針對不同的緩存，解析配置文件，并加入 Cache 容器里面，代碼如下：

@Component
@Slf4j
public class CaffeineManager {
    private final ConcurrentMap<String, Cache> cacheMap = new ConcurrentHashMap<>(16);
  
    @PostConstruct
    public void afterPropertiesSet() {
        String filePath = CaffeineManager.class.getClassLoader().getResource("").getPath() + File.separator + "config"
            + File.separator + "caffeine.properties";
        Resource resource = new FileSystemResource(filePath);
        if (!resource.exists()) {
            return;
        }
        Properties props = new Properties();
        try (InputStream in = resource.getInputStream()) {
            props.load(in);
            Enumeration propNames = props.propertyNames();
            while (propNames.hasMoreElements()) {
                String caffeineKey = (String) propNames.nextElement();
                String caffeineSpec = props.getProperty(caffeineKey);
                CaffeineSpec spec = CaffeineSpec.parse(caffeineSpec);
                Caffeine caffeine = Caffeine.from(spec);
                Cache manualCache = caffeine.build();
                cacheMap.put(caffeineKey, manualCache);
            }
        }
        catch (IOException e) {
            log.error("Initialize Caffeine failed.", e);
        }
    }
}

當(dāng)然也可以把 caffeine.properties 里面的配置項放入配置中心，如果需要動態(tài)生效，可以通過如下方式：

至于是否利用 Spring 的 EL 表達(dá)式通過注解的方式使用，仁者見仁智者見智，筆者主要考慮幾點：

一、EL 表達(dá)式上手需要學(xué)習(xí)成本；

二、引入注解需要注意動態(tài)代理失效場景；

獲取緩存時通過如下方式：

caffeineManager.getCache(cacheName).get(redisKey, value -> getTFromRedis(redisKey, targetClass, supplier));

Caffeine 這種帶有回源函數(shù)的 get 方法最終都是調(diào)用 ConcurrentHashMap 的 compute 方法，它能確保高并發(fā)場景下，如果對一個熱點 key 進(jìn)行回源時，單個進(jìn)程內(nèi)只有一個線程回源，其他都在阻塞。業(yè)務(wù)需要確?；卦吹姆椒ê臅r比較短，防止線程阻塞時間比較久，系統(tǒng)可用性下降。

筆者實際開發(fā)中用了 Caffeine 和 Redis 兩級緩存。Caffeine 的 cache 緩存 key 和 Redis 里面一致，都是命名為 redisKey。targetClass 是返回對象類型，從 Redis 中獲取字符串反序列化成實際對象時使用。supplier 是函數(shù)式接口，是緩存回源到數(shù)據(jù)庫的業(yè)務(wù)邏輯。

getTFromRedis 方法實現(xiàn)如下：

private <T> T getTFromRedis(String redisKey, Class targetClass, Supplier supplier) {
    String data;
    T value;
    String redisValue = UUID.randomUUID().toString();
    if (tryGetDistributedLockWithRetry(redisKey + RedisKey.DISTRIBUTED_SUFFIX, redisValue, 30)) {
        try {
            data = getFromRedis(redisKey);
            if (StringUtils.isEmpty(data)) {
                value = (T) supplier.get();
                setToRedis(redisKey, JackSonParser.bean2Json(value));
            }
            else {
                value = json2Bean(targetClass, data);
            }
        }
        finally {
            releaseDistributedLock(redisKey + RedisKey.DISTRIBUTED_SUFFIX, redisValue);
        }
    }
    else {
        value = json2Bean(targetClass, getFromRedis(redisKey));
    }
    return value;
}

由于回源都是從 MySQL 查詢，雖然 Caffeine 本身解決了進(jìn)程內(nèi)同一個 key 只有一個線程回源，需要注意多個業(yè)務(wù)節(jié)點的分布式情況下，如果 Redis 沒有緩存值，并發(fā)回源時會穿透到 MySQL ，所以回源時加了分布式鎖，保證只有一個節(jié)點回源。

注意一點：從本地緩存獲取對象時，如果業(yè)務(wù)要對緩存對象做更新，需要深拷貝一份對象，不然并發(fā)場景下多個線程取值會相互影響。

筆者項目之前都是使用 Ehcache 作為本地緩存，切換成 Caffeine 后，涉及本地緩存的接口，同樣 TPS 值時，CPU 使用率能降低 10% 左右，接口性能都有一定程度提升，最多的提升了 25%。上線后觀察調(diào)用鏈，平均響應(yīng)時間降低24%左右。

四、總結(jié)

Caffeine 是目前比較優(yōu)秀的本地緩存解決方案，通過使用 W-TinyLFU 算法，實現(xiàn)了緩存高命中率、內(nèi)存低消耗。如果之前使用過 Guava Cache，看下接口名基本就能上手。如果之前使用的是 Ehcache，筆者分享的使用方式可以作為參考。

以上就是詳解高性能緩存Caffeine原理及實戰(zhàn)的詳細(xì)內(nèi)容，更多關(guān)于Caffeine 原理的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論