Memcached笔记——（三）Memcached使用总结

[size=large]为了将N个前端数据同步，通过Memcached完成数据打通，但带来了一些新问题：
使用iBatis整合了Memcached，iBatis针对每台server生成了唯一标识，导致同一份数据sql会产生不同的key，造成重复缓存。——通过重写iBatis部分原码，终止了唯一标识的生成，同一个SQL产生同一个Key，同时对生成key做hash，控制长度，使得数据统一在Memcached。
为了迎合iBatis的架构，通过CacheModel模式，对缓存数据分组管理。最初通过Map实现CacheModel，就是简单的Key对应最终的Object。为了后台操作数据时，前台能及时响应，以CacheModel为基准点。后台操作数据时，做Flush，清空对应的CacheModel，可以及时同步数据。但，由于前后台Domain对象可能不一致，调用CacheModel（Map）反序列化时，发生ClassNotFonudException（CNF）。——将CacheModel的Map实现改为Set，CacheModel仅存需要Flush掉的key，Object按原有方式缓存。
以前一直用EhCache，也很少会把List<List>这样的重量级对象放进缓存里。即便如此，只要EhCache没有抛异常，我们恐怕也无感知。这次改用Memcached，没有注意到缓存List过大，导致“Cannot cache data larger than 1MB memcached”，即缓存对象体积不能超过1MB——使用Memcached数据压缩，优化SQL，可以暂时维持。


说了这么多，简要总结如下：
Memcached的Key，要杜绝使用空格，且长度控制在250个字符。
Memcached的Value，要控制体积，必须小于1MB，必要时进行使用压缩。
失效时间，0为永久有效，最大值不得超过30天（2592000s），否则重新计算可能缓存只有1秒
Memcached仅支持LRU算法，完全适用你的需要。
尽量不要将List这种重体积对象扔到Memcached中，传输、存储都会产生瓶颈。
使用一致性哈希算法实现，提高多个Memcacehd Server利用率。




关于使用XMemcached实现时，参考如下实现：
Java代码 
private MemcachedClientBuilder createMemcachedClientBuilder( 
        Properties properties) { 
    String addresses = properties.getProperty(ADDRESSES).trim(); 
 
    if (logger.isInfoEnabled()) { 
        logger.info("Configure Properties:[addresses = " + addresses + "]"); 
    } 
    MemcachedClientBuilder builder = new XMemcachedClientBuilder( 
            AddrUtil.getAddresses(addresses)); 
 
    // 使用二进制文件 
    builder.setCommandFactory(new BinaryCommandFactory()); 
    // 使用一致性哈希算法（Consistent Hash Strategy） 
    builder.setSessionLocator(new KetamaMemcachedSessionLocator()); 
    // 使用序列化传输编码 
    builder.setTranscoder(new SerializingTranscoder()); 
    // 进行数据压缩，大于1KB时进行压缩 
    builder.getTranscoder().setCompressionThreshold(1024); 
 
    return builder; 
} 

主要有以下几点参考：
使用二进制文件模式
使用一致性哈希算法
使用序列化编码
对数据进行压缩


关于SET&ADD
SET&ADD都属于更新操作，都要先申请内存
SET，会擦除这个键所对应的内存，不管原先是否有内容
ADD，会先查看这个键对应的内存是否有内容，如果有，则等待；若没有，则获取锁，并更新内存。



缓存命中率，通常认为：缓存命中率低于95%的设计都是不合理的，存在设计缺陷的。




这是我在线上服务器，经过优化后得到的最好成绩！ [/size]