如何解决多线程高并发场景下的 Java 缓存问题?

640?wx_fmt=gif

如何解决多线程高并发场景下的 Java 缓存问题?_第1张图片

作者 | LLLSQ

责编 | 郭芮

互联网软件神速发展,用户的体验度是判断一个软件好坏的重要原因,所以缓存就是必不可少的一个神器。在多线程高并发场景中往往是离不开cache的,需要根据不同的应用场景来需要选择不同的cache,比如分布式缓存如redis、memcached,还有本地(进程内)缓存如ehcache、GuavaCache、Caffeine。

说起Guava Cache,很多人都不会陌生,它是Google Guava工具包中的一个非常方便易用的本地化缓存实现,基于LRU算法实现,支持多种缓存过期策略。由于Guava的大量使用,Guava Cache也得到了大量的应用。但是,Guava Cache的性能一定是最好的吗?也许,曾经,它的性能是非常不错的。但所谓长江后浪推前浪,总会有更加优秀的技术出现。今天,我就来介绍一个比Guava Cache性能更高的缓存框架:Caffeine。


640?wx_fmt=png

官方性能比较


Google Guava工具包中的一个非常方便易用的本地化缓存实现,基于LRU算法实现,支持多种缓存过期策略。

EhCache 是一个纯Java的进程内缓存框架,具有快速、精干等特点,是Hibernate中默认的CacheProvider。

Caffeine是使用Java8对Guava缓存的重写版本,在Spring Boot 2.0中将取代,基于LRU算法实现,支持多种缓存过期策略。

  • 场景1:8个线程读,100%的读操作。

如何解决多线程高并发场景下的 Java 缓存问题?_第2张图片

  • 场景二:6个线程读,2个线程写,也就是75%的读操作,25%的写操作。

如何解决多线程高并发场景下的 Java 缓存问题?_第3张图片

  • 场景三:8个线程写,100%的写操作。

如何解决多线程高并发场景下的 Java 缓存问题?_第4张图片

可以清楚地看到Caffeine效率明显高于其他缓存。


640?wx_fmt=png

如何使用?


 1 public static void main(String[] args) {
2        LoadingCache<StringString> build = CacheBuilder.newBuilder().initialCapacity(1).maximumSize(100).expireAfterWrite(1, TimeUnit.DAYS)
3                .build(new CacheLoader<StringString>() {
4                    //默认的数据加载实现,当调用get取值的时候,如果key没有对应的值,就调用这个方法进行加载
5                    @Override
6                    public String load(String key)  {
7                        return "";
8                    }
9                });
10    }
11    }

参数方法:

  • initialCapacity(1) 初始缓存长度为1;

  • maximumSize(100) 最大长度为100;

  • expireAfterWrite(1, TimeUnit.DAYS) 设置缓存策略在1天未写入过期缓存(后面讲缓存策略)。


640?wx_fmt=png

过期策略


在Caffeine中分为两种缓存,一个是有界缓存,一个是无界缓存,无界缓存不需要过期并且没有界限。

在有界缓存中提供了三个过期API:

  • expireAfterWrite:代表着写了之后多久过期。(上面列子就是这种方式)

  • expireAfterAccess:代表着最后一次访问了之后多久过期。

  • expireAfter:在expireAfter中需要自己实现Expiry接口,这个接口支持create、update、以及access了之后多久过期。注意这个API和前面两个API是互斥的。这里和前面两个API不同的是,需要你告诉缓存框架,它应该在具体的某个时间过期,也就是通过前面的重写create、update、以及access的方法,获取具体的过期时间。


640?wx_fmt=png

更新策略


何为更新策略?就是在设定多长时间后会自动刷新缓存。

Caffeine提供了refreshAfterWrite()方法来让我们进行写后多久更新策略:

1        LoadingCache<StringString> build = CacheBuilder.newBuilder().refreshAfterWrite(1, TimeUnit.DAYS)
2                .build(new CacheLoader<StringString>() {
3                    @Override
4                    public String load(String key)  {
5                        return "";
6                    }
7                });
8    }

上面的代码我们需要建立一个CacheLodaer来进行刷新,这里是同步进行的,可以通过buildAsync方法进行异步构建。在实际业务中这里可以把我们代码中的mapper传入进去,进行数据源的刷新。

但是实际使用中,你设置了一天刷新,但是一天后你发现缓存并没有刷新。这是因为只有在1天后这个缓存再次访问后才能刷新,如果没人访问,那么永远也不会刷新。

我们来看看自动刷新是怎么做的呢?自动刷新只存在读操作之后,也就是我们的afterRead()这个方法,其中有个方法叫refreshIfNeeded,它会根据你是同步还是异步然后进行刷新处理。


640?wx_fmt=png

填充策略(Population)


Caffeine 为我们提供了三种填充策略:手动、同步和异步。

手动加载(Manual)

 1Cache<StringObject> manualCache = Caffeine.newBuilder()
2        .expireAfterWrite(10, TimeUnit.MINUTES)
3        .maximumSize(10_000)
4        .build();
5
6String key = "name1";
7// 根据key查询一个缓存,如果没有返回NULL
8graph = manualCache.getIfPresent(key);
9// 根据Key查询一个缓存,如果没有调用createExpensiveGraph方法,并将返回值保存到缓存。
10// 如果该方法返回Null则manualCache.get返回null,如果该方法抛出异常则manualCache.get抛出异常
11graph = manualCache.get(key, k -> createExpensiveGraph(k));
12// 将一个值放入缓存,如果以前有值就覆盖以前的值
13manualCache.put(key, graph);
14// 删除一个缓存
15manualCache.invalidate(key);
16
17ConcurrentMap<StringObject> map = manualCache.asMap();
18cache.invalidate(key);

Cache接口允许显式的去控制缓存的检索、更新和删除。我们可以通过cache.getIfPresent(key) 方法来获取一个key的值,通过cache.put(key, value)方法显示的将数控放入缓存,但是这样子会覆盖缓原来key的数据。更加建议使用cache.get(key,k - > value) 的方式,get 方法将一个参数为 key 的 Function (createExpensiveGraph) 作为参数传入。

如果缓存中不存在该键,则调用这个 Function 函数,并将返回值作为该缓存的值插入缓存中。get 方法是以阻塞方式执行调用,即使多个线程同时请求该值也只会调用一次Function方法。这样可以避免与其他线程的写入竞争,这也是为什么使用 get 优于 getIfPresent 的原因。

注意:如果调用该方法返回NULL(如上面的 createExpensiveGraph 方法),则cache.get返回null。如果调用该方法抛出异常,则get方法也会抛出异常。

可以使用Cache.asMap() 方法获取ConcurrentMap进而对缓存进行一些更改。

同步加载(Loading)

 1LoadingCache<StringObject> loadingCache = Caffeine.newBuilder()
2        .maximumSize(10_000)
3        .expireAfterWrite(10, TimeUnit.MINUTES)
4        .build(key -> createExpensiveGraph(key));
5
6String key = "name1";
7// 采用同步方式去获取一个缓存和上面的手动方式是一个原理。在build Cache的时候会提供一个createExpensiveGraph函数。
8// 查询并在缺失的情况下使用同步的方式来构建一个缓存
9Object graph = loadingCache.get(key);
10
11// 获取组key的值返回一个Map
12List<String> keys = new ArrayList<>();
13keys.add(key);
14Map<StringObject> graphs = loadingCache.getAll(keys);

LoadingCache是使用CacheLoader来构建的缓存的值。批量查找可以使用getAll方法。默认情况下,getAll将会对缓存中没有值的key分别调用CacheLoader.load方法来构建缓存的值。我们可以重写CacheLoader.loadAll方法来提高getAll的效率。

注意:可以编写一个CacheLoader.loadAll来实现为特别请求的key加载值。例如,如果计算某个组中的任何键的值将为该组中的所有键提供值,则loadAll可能会同时加载该组的其余部分。

异步加载(Asynchronously Loading)

 1AsyncLoadingCache<StringObject> asyncLoadingCache = Caffeine.newBuilder()
2            .maximumSize(10_000)
3            .expireAfterWrite(10, TimeUnit.MINUTES)
4            // Either: Build with a synchronous computation that is wrapped as asynchronous
5            .buildAsync(key -> createExpensiveGraph(key));
6            // Or: Build with a asynchronous computation that returns a future
7            // .buildAsync((key, executor) -> createExpensiveGraphAsync(key, executor));
8
9 String key = "name1";
10
11// 查询并在缺失的情况下使用异步的方式来构建缓存
12CompletableFuture<Object> graph = asyncLoadingCache.get(key);
13// 查询一组缓存并在缺失的情况下使用异步的方式来构建缓存
14List<String> keys = new ArrayList<>();
15keys.add(key);
16CompletableFuture<Map<StringObject>> graphs = asyncLoadingCache.getAll(keys);
17// 异步转同步
18loadingCache = asyncLoadingCache.synchronous();

AsyncLoadingCache是继承自LoadingCache类的,异步加载使用Executor去调用方法并返回一个CompletableFuture。异步加载缓存使用了响应式编程模型。

如果要以同步方式调用时,应提供CacheLoader。要以异步表示时,应该提供一个AsyncCacheLoader,并返回一个CompletableFuture。

synchronous()这个方法返回了一个LoadingCacheView视图,LoadingCacheView也继承自LoadingCache。调用该方法后就相当于你将一个异步加载的缓存AsyncLoadingCache转换成了一个同步加载的缓存LoadingCache。

默认使用ForkJoinPool.commonPool()来执行异步线程,但是我们可以通过Caffeine.executor(Executor) 方法来替换线程池。


640?wx_fmt=png

驱逐策略(eviction)


Caffeine提供三类驱逐策略:基于大小(size-based),基于时间(time-based)和基于引用(reference-based)。

基于大小(size-based)

基于大小驱逐,有两种方式:一种是基于缓存大小,一种是基于权重。

 1// Evict based on the number of entries in the cache
2// 根据缓存的计数进行驱逐
3LoadingCache<Key, Graph> graphs = Caffeine.newBuilder()
4    .maximumSize(10_000)
5    .build(key -> createExpensiveGraph(key));
6
7// Evict based on the number of vertices in the cache
8// 根据缓存的权重来进行驱逐(权重只是用于确定缓存大小,不会用于决定该缓存是否被驱逐)
9LoadingCache<Key, Graph> graphs = Caffeine.newBuilder()
10    .maximumWeight(10_000)
11    .weigher((Key key, Graph graph) -> graph.vertices().size())
12    .build(key -> createExpensiveGraph(key));

我们可以使用Caffeine.maximumSize(long)方法来指定缓存的最大容量。当缓存超出这个容量的时候,会使用Window TinyLfu策略来删除缓存。我们也可以使用权重的策略来进行驱逐,可以使用Caffeine.weigher(Weigher) 函数来指定权重,使用Caffeine.maximumWeight(long) 函数来指定缓存最大权重值。

注意:maximumWeight与maximumSize不可以同时使用。

基于时间(Time-based)

 1// Evict based on a fixed expiration policy
2// 基于固定的到期策略进行退出
3LoadingCache graphs = Caffeine.newBuilder()
4    .expireAfterAccess(5, TimeUnit.MINUTES)
5    .build(key -> createExpensiveGraph(key));
6LoadingCache graphs = Caffeine.newBuilder()
7    .expireAfterWrite(10, TimeUnit.MINUTES)
8    .build(key -> createExpensiveGraph(key));
9
10// Evict based on a varying expiration policy
11// 基于不同的到期策略进行退出
12LoadingCache graphs = Caffeine.newBuilder()
13    .expireAfter(new Expiry() {
14      @Override
15      public long expireAfterCreate(Key key, Graph graph, long currentTime) {
16        // Use wall clock time, rather than nanotime, if from an external resource
17        long seconds = graph.creationDate().plusHours(5)
18            .minus(System.currentTimeMillis(), MILLIS)
19            .toEpochSecond();
20        return TimeUnit.SECONDS.toNanos(seconds);
21      }
22
23      @Override
24      public long expireAfterUpdate(Key key, Graph graph, 
25          long currentTime, long currentDuration)
 
{
26        return currentDuration;
27      }
28
29      @Override
30      public long expireAfterRead(Key key, Graph graph,
31          long currentTime, long currentDuration)
 
{
32        return currentDuration;
33      }
34    })
35    .build(key -> createExpensiveGraph(key));

基于引用(reference-based)

Java 4种引用的级别由高到低依次为:强引用 > 软引用 > 弱引用 > 虚引用。

如何解决多线程高并发场景下的 Java 缓存问题?_第5张图片

 1// Evict when neither the key nor value are strongly reachable
2// 当key和value都没有引用时驱逐缓存
3LoadingCache graphs = Caffeine.newBuilder()
4    .weakKeys()
5    .weakValues()
6    .build(key -> createExpensiveGraph(key));
7
8// Evict when the garbage collector needs to free memory
9// 当垃圾收集器需要释放内存时驱逐
10LoadingCache graphs = Caffeine.newBuilder()
11    .softValues()
12    .build(key -> createExpensiveGraph(key));

我们可以将缓存的驱逐配置成基于垃圾回收器。为此,我们可以将key和 value配置为弱引用或只将值配置成软引用。

注意:AsyncLoadingCache不支持弱引用和软引用。


640?wx_fmt=png

移除监听器(Removal)


  • 驱逐(eviction):由于满足了某种驱逐策略,后台自动进行的删除操作;

  • 无效(invalidation):表示由调用方手动删除缓存;

  • 移除(removal):监听驱逐或无效操作的监听器。

手动删除缓存:

在任何时候,都可能明确地使缓存无效,而不用等待缓存被驱逐。

1// individual key
2cache.invalidate(key)
3// bulk keys
4cache.invalidateAll(keys)
5// all keys
6cache.invalidateAll()

Removal 监听器:

可以通过Caffeine.removalListener(RemovalListener) 为缓存指定一个删除侦听器,以便在删除数据时执行某些操作。 RemovalListener可以获取到key、value和RemovalCause(删除的原因)。

删除侦听器的里面的操作是使用Executor来异步执行的。默认执行程序是ForkJoinPool.commonPool(),可以通过Caffeine.executor(Executor)覆盖。当操作必须与删除同步执行时,请改为使用CacheWrite,CacheWrite将在下面说明。

注意:由RemovalListener抛出的任何异常都会被记录(使用Logger)并不会抛出。


640?wx_fmt=png

统计(Statistics)


Cache<Key, Graph> graphs = Caffeine.newBuilder()
2    .maximumSize(10_000)
3    .recordStats()
4    .build();

使用Caffeine.recordStats(),可以打开统计信息收集。Cache.stats() 方法返回提供统计信息的CacheStats,如:

  • hitRate():返回命中与请求的比率;

  • hitCount(): 返回命中缓存的总数;

  • evictionCount():缓存逐出的数量;

  • averageLoadPenalty():加载新值所花费的平均时间。


640?wx_fmt=png

总结


Caffeine的调整不只有算法上面的调整,内存方面的优化也有很大进步,Caffeine的API的操作功能和Guava是基本保持一致的,并且Caffeine为了兼容之前是Guava的用户,所以使用或者重写缓存到Caffeine应该没什么问题,但是也要看项目情况,不要盲目使用。 

作者:LLLSQ,一只有着悲惨故事的北漂程序员,为读者提供热点技术文章和IT实时热点新闻、架构、面试信息等最新讯息。

声明:本文为作者投稿,版权归对方所有。

如何解决多线程高并发场景下的 Java 缓存问题?_第6张图片640?wx_fmt=gif

你可能感兴趣的:(如何解决多线程高并发场景下的 Java 缓存问题?)