Guava Cache 异步刷新技巧，你值得拥有!
以下文章来源于勇哥Java实战 ，作者勇哥
Guava Cache是一款非常优秀的本地缓存框架。
这篇文章，我们聊聊如何使用 Guava Cache 异步刷新技巧带飞系统性能 。
1 经典配置
Guava Cache 的数据结构跟 JDK1.7 的 ConcurrentHashMap 类似，提供了基于时间、容量、引用三种回收策略，以及自动加载、访问统计等功能。
首先，我们温习下 Gauva Cache 的经典配置 。
例子中，缓存最大容量设置为 100 （基于容量进行回收），配置了失效策略和刷新策略。
1、失效策略
配置 expireAfterWrite 后，缓存项在被创建或最后一次更新后的指定时间内会过期。
2、刷新策略
配置 refreshAfterWrite 设置刷新时间，当缓存项过期的同时可以重新加载新值 。
这个例子里，有的同学可能会有疑问：为什么需要配置刷新策略，只配置失效策略不就可以吗？
当然是可以的，但在高并发场景下，配置刷新策略会有奇效，接下来，我们会写一个测试用例，方便大家理解 Gauva Cache 的线程模型。
2 理解线程模型
我们模拟在多线程场景下，「缓存过期执行 load 方法」和「刷新执行 reload 方法」两者的运行情况。
执行结果见下图：
执行结果表明：Guava Cache 并没有后台任务线程异步的执行 load 或者 reload 方法。
-
失效策略：
expireAfterWrite允许一个线程执行 load 方法，其他线程阻塞等待 。当大量线程用相同的 key 获取缓存值时，只会有一个线程进入 load 方法，而其他线程则等待，直到缓存值被生成。这样也就避免了缓存击穿的危险。高并发场景下 ，这样还是会阻塞大量线程。
-
刷新策略：
refreshAfterWrite允许一个线程执行 load 方法，其他线程返回旧的值。单个 key 并发下，使用 refreshAfterWrite ，虽然不会阻塞了，但是如果恰巧同时多个 key 同时过期，还是会给数据库造成压力。
为了提升系统性能，我们可以从如下两个方面来优化 ：
-
配置 refresh < expire ，减少大量线程阻塞的概率；
-
采用异步刷新的策略，也就是线程异步加载数据，期间所有请求返回旧的缓存值，防止缓存雪崩。
下图展示优化方案的时间轴 ：
3 两种方式实现异步刷新
3.1 重写 reload 方法
3.2 实现 asyncReloading 方法
不管使用哪种方案， 都需要定义单独的线程池来执行刷新任务 。
4 异步刷新 + 多级缓存
2018 年，笔者服务的一家电商公司需要进行 app 首页接口的性能优化。笔者花了大概两天的时间完成了整个方案，采取的是两级缓存模式，同时采用了 Guava 的异步刷新机制。
整体架构如下图所示：
缓存读取流程如下 ：
1、业务网关刚启动时，本地缓存没有数据，读取 Redis 缓存，如果 Redis 缓存也没数据，则通过 RPC 调用导购服务读取数据，然后再将数据写入本地缓存和 Redis 中；若 Redis 缓存不为空，则将缓存数据写入本地缓存中。
2、由于步骤 1 已经对本地缓存预热，后续请求直接读取本地缓存，返回给用户端。
3、Guava 配置了 refresh 机制，每隔一段时间会调用自定义 LoadingCache 线程池（5个最大线程，5个核心线程）去导购服务同步数据到本地缓存和 Redis 中。
优化后，性能表现很好，平均耗时在 5ms 左右，同时大幅度的减少应用 GC 的频率。
该方案依然有瑕疵，一天晚上我们发现 app 端首页显示的数据时而相同，时而不同。
也就是说：虽然 LoadingCache 线程一直在调用接口更新缓存信息，但是各个服务器本地缓存中的数据并非完成一致。
这说明了两个很重要的点：
1、惰性加载仍然可能造成多台机器的数据不一致；
2、LoadingCache 线程池数量配置的不太合理, 导致了任务堆积。
最终，我们的解决方案是：
1、异步刷新结合消息机制来更新缓存数据，也就是：当导购服务的配置发生变化时，通知业务网关重新拉取数据，更新缓存。
2、适当调大 LoadingCache 的线程池参数，并在线程池埋点，监控线程池的使用情况，当线程繁忙时能发出告警，然后动态修改线程池参数。
5 总结
Guava Cache 非常强大，它并没有后台任务线程异步的执行 load 或者 reload 方法，而是通过请求线程来执行相关操作。
为了提升系统性能，我们可以从如下两个方面来处理 ：
-
配置 refresh < expire，减少大量线程阻塞的概率。
-
采用异步刷新的策略，也就是线程异步加载数据，期间所有请求返回旧的缓存值。
笔者曾经优化过某电商网站的首页接口，使用的方案是：Guava 的异步刷新机制 + 多级缓存 ，取得了非常好的优化效果。
尽管如此，我们在使用这种方式时，依然需要考虑的缓存和数据库一致性问题。
参考资料：
https://albenw.github.io/posts/df42dc84/
