一、從數(shù)據(jù)說起

我們再做緩存之前需要把數(shù)據(jù)先分好類

按變化頻率：

• 靜態(tài)數(shù)據(jù)：一般不變的，類似于字典表
• 準靜態(tài)數(shù)據(jù)：變化頻率很低，部門結構設置，全國行政區(qū)劃數(shù)據(jù)
• 中間狀態(tài)數(shù)據(jù)：一些計算的可復用中間數(shù)據(jù)，變量副本，配置中心的本地副本
  

按使用頻率：

• 熱數(shù)據(jù)：使用頻率高的
• 讀寫比大的：讀的頻率遠大于寫的頻率
  

這些數(shù)據(jù)就比較適合使用緩存。

緩存無處不在。內存可以看作是cpu和磁盤之間的緩存。cpu與內存的處理速度也不一致，所以出現(xiàn)了L1&L2 Cache

緩存的本質：系統(tǒng)各級之間處理速度不匹配，利用空間換時間。

緩存加載時間

1. 啟動時全量加載

2. 懶加載

2.1. 同步使用加載

先看緩存里是否有數(shù)據(jù)，沒有的話從數(shù)據(jù)庫讀取。讀取的數(shù)據(jù)，先放到內存，然后返回給調用方。

2.2. 延遲異步加載

從緩存里獲取數(shù)據(jù)，不管有沒有都直接返回。

策略1：如果緩存為空的話，則發(fā)起一個異步線程負責加載。

策略2：異步線程負責維護緩存的數(shù)據(jù)，定期或根據(jù)條件觸發(fā)更新。

緩存過期策略

• 按FIFO或LRU
  
• 固定時間過期
  
• 根據(jù)業(yè)務進行時間的加權。
  

二、本地緩存

1.Map 緩存

public static final Map<String,Object> CACHE=new HashMap();
CACHE.put("key","value");

2.Guava緩存

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"));

3.Spring Cache

• 基于注解和AOP，使用方便
• 可以配置Condition和SPEL，非常靈活
• 需要注意：繞過Spring的話，注解無效
  

核心功能：@Cacheable、@CachePut、@CacheEvict

本地緩存的缺點：

• 在集群環(huán)境中，如果每個節(jié)點都保存一份緩存，導致占用內存變大
• 在JVM中長期存在，會影響GC
• 緩存數(shù)據(jù)的調度處理，影響業(yè)務線程，爭奪資源
  

三、遠程緩存

1.Redis
Redis是一個開源的使用ANSI C語言編寫的，基于內存也可以持久化的key-value數(shù)據(jù)庫，并提供多種語言的API
2. Memcached

memcached是一套分布式的高速緩存系統(tǒng)，由LiveJournal的Brad Fitzpatrick開發(fā)，但被許多網(wǎng)站使用。這是一套開放源代碼軟件，以BSD license授權發(fā)布。

四、內存網(wǎng)格

1. Hazelcast
2. lgnite
   

五、緩存常見問題

1. 緩存穿透

問題描述：大量并發(fā)查詢不存在的KEY，導致都直接把壓力透傳到數(shù)據(jù)庫上。

分析：因為數(shù)據(jù)庫里沒有值，所以沒有建立緩存，導致一直打到數(shù)據(jù)庫上。

解決辦法：

1. 緩存空值的KEY
2. Bloom過濾或RoaringBitmap判斷KEY是否存在
3. 完全以緩存為準，使用延遲異步加載的方式去加載數(shù)據(jù)庫數(shù)據(jù)到緩存。
   

Bloom過濾器示例：
（引入guava依賴）

public static void main(String[] args) {
        BloomFilter<CharSequence> filter = BloomFilter.create(
                Funnels.stringFunnel(Charsets.UTF_8),//Funnels.integerFunnel(), //數(shù)據(jù)格式
                1000000,//預計存入數(shù)據(jù)量
                0.01);//誤判率

        System.out.println(filter.mightContain("abcdefg"));
        filter.put("abcdefg");
        System.out.println(filter.mightContain("abcdefg"));
    }

RoaringBitmap示例：
引入依賴：

<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. 緩存擊穿

問題：當某個KEY失效的時候，正好有大量并發(fā)請求訪問這個KEY

分析：跟緩存穿透比較像，這個是屬于偶然的

解決辦法：

1. KEY的更新的時候添加全局互斥鎖
2. 完全以緩存為準，使用延遲異步加載的策略
   

3. 緩存雪崩

問題：當某一個時刻發(fā)生大規(guī)模的緩存失效的情況，會有大量請求打到數(shù)據(jù)庫，導致數(shù)據(jù)庫壓力過大而宕機

分析：一般來說，由于更新策略、或者數(shù)據(jù)熱點、緩存服務宕機等原因，導致緩存數(shù)據(jù)同時大規(guī)模不可以。

解決辦法：

1. 緩存更新、失效策略在時間上做到比較均勻
2. 使用的熱數(shù)據(jù)盡量分散到不同機器上
3. 多臺機器做主從復制，實現(xiàn)高可用
4. 實現(xiàn)熔斷限流機制，對系統(tǒng)進行負載能力控制
5. 使用本地緩存兜底
   

番外：

布隆過濾器：

目標就是要基于過濾器已存儲生成的原始元數(shù)據(jù)，進行比較過濾，如果是在原始元數(shù)據(jù)集合里面的，一定會被發(fā)現(xiàn)。也有可能不是里面的被誤殺。

BloomFilter 會開辟一個m位的bitArray（位數(shù)組），開始所有數(shù)據(jù)都部署為0，當一個元素過來的時候，通過多個hash函數(shù)計算出不同的值，然后根據(jù)hash值找到對應的下標處，將里面的值改為1.

優(yōu)點：使用計算，節(jié)省存儲空間。

缺點：有失誤率。不是在過濾器原始表里的數(shù)據(jù)也會被誤算進去。

使用場景：目標就是要基于過濾器已存儲生成的原始元數(shù)據(jù)，進行比較過濾，如果是在原始元數(shù)據(jù)集合里面的，一定會被發(fā)現(xiàn)。布隆過濾器核心正確的使用就是進行過濾禁止，進行正確的否定。

舉例：如我們有100萬個黑名單的url地址，過來一個地址我們算出來不在里面，那就肯定可以放行。

BitMap：

BitMap的基本思想是用一個bit位來標記某個元素對應的值，這樣就可以大大節(jié)省空間。

在Java中一個int占4個字節(jié)，也就是32bit。按int存儲和按位存儲的大小差距是32倍。

那么怎么表示一個數(shù)呢？可以使用1表示存在，0表示不存在。

如下面：表示{2，6}

一個byte只有8個位置，如果想表示13怎么辦呢？只能再用一個byte了，就成了一個二維數(shù)組了

1個int占32位，那么我們只需要申請一個int數(shù)組長度為 int tmp[1+N/32] 即可存儲，其中N表示要存儲的這些數(shù)中的最大值

使用場景：

• 1.快速排序
  

把數(shù)放進去之后，遍歷一遍，把值是1的都取出來就排好序了。

• 2.快速去重
  

20億個整數(shù)中找出不重復的整數(shù)的個數(shù)？

內存不足以容納這20億個整數(shù)。我們怎么表示數(shù)字的狀態(tài)呢？一個數(shù)的狀態(tài)可以分為3種，不存在、存在一次、存在兩次及以上。這就需要兩個bit來表示。00代表不存在，01代表一次，11代表兩次及以上。

接下來我們就把這20億個整數(shù)放進去，如果狀態(tài)為00，就改為01，如果狀態(tài)為01就改為11.如果狀態(tài)為11，就不動了。都放完后，遍歷取出值為01的，就是不重復的數(shù)據(jù)的個數(shù)。。

• 3. 快速查找

給定一個整數(shù)M，M/32就能得到int數(shù)組的下標，M%32就知道在這個下標里面的具體位置。

如13，就能算出在int[0]里面的第13個

到此這篇關于分布式緩存的文章就介紹到這了,更多相關緩存內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

最新評論