java分布式缓存方案

java分布式缓存方案

目录一、从数据说起2.1. 同步使用加载2.2. 延迟异步加载二、本地缓存三、远程缓存四、内存网格五、缓存常见问题1. 缓存穿透2. 缓存击穿3. 缓存雪崩番外：

一、从数据说起

我们再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

1.Map 缓存

public static final Map CACHE=new HashMap();

CACHE.put("key","value");

2.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"));

3.Spring Cache

基于注解和AOP，使用方便

可以配置ConditiorHsievn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.roaringbitmap

RoaringBitmap

0.8.1

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}

一个byte只有8个位置，如果想表示13怎么办呢？只能再用一个byte了，就成了一个二维数组了

1个int占32位，那么我们rHsiev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：

1.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。

2.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。。

3. 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

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。