史上最实用的：分布式缓存方案

　　◆ 一、从数据说起

　　我们在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 CACHE=new HashMap();
CACHE.put("key","value");


　　Guava缓存

　　Cache 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

　　1.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

　　
2.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 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：

　　
org.roaringbitmapgroupId>
RoaringBitmapartifactId>
0.8.1version>
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

　　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}

　　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。

　　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。。

　　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

　　12 种经典亿级流量架构之资源隔离思想与方法论

　　滴滴开源的分布式id生成系统

　　亿级流量架构之资源隔离思路与方法

　　10 张流程图+部署图，讲透单点登录原理与简单实现！

　　免责声明：

　　本公众号部分分享的资料来自网络收集和整理，所有文字和图片版权归属于原作者所有，且仅代表作者个人观点，与本公众号无关，文章仅供读者学习交流使用，并请自行核实相关内容，如文章内容涉及侵权，请联系后台管理员删除。