1、簡介

小編最近在使用系統的時候，發現儘管應用已經使用了redis緩存提高查詢效率，但是仍然有進一步優化的空間，於是想到了比分散式緩存性能更好的本地緩存，因此對領域內常用的本地緩存進行了一番調研，有早期的Guava緩存、在Guava上進一步傳承的Caffine以及自稱在Java中使用最廣泛的EhCache，那麼我們該怎麼選擇適合自己應用的緩存呢，小編下麵會簡單介紹，並將以上緩存進行一個對比，希望幫助大家選擇最適合自己系統的本地緩存。

2、Guava緩存簡介

Guava cache是Google開發的Guava工具包中一套完善的JVM本地緩存框架，底層實現的數據結構類似於ConcurrentHashMap，但是進行了更多的能力拓展，包括緩存過期時間設置、緩存容量設置、多種淘汰策略、緩存監控等,下麵簡單介紹下這些功能及其使用方式。

2.1、緩存過期時間設置

Guava的過期時間設置有基於創建時間和最後一次訪問時間兩種策略.

(1) 基於創建時間

通過對比緩存記錄的插入時間來判斷，比如設置過期時間為5分鐘，不管中間有沒有訪問，到時過期。

public Cache<String, String> createCache() {    
    return CacheBuilder.newBuilder()
    .expireAfterWrite(5L, TimeUnit.MINUTES)
    .build();
}

(2) 基於過期時間

通過對比最近最後一次的訪問時間，比如設置5分鐘，每次訪問之後都會刷新過期時間為5分鐘，只有持續5分鐘沒有被訪問到才會過期。

public Cache<String, String> createCache() {    
    return CacheBuilder.newBuilder()
    .expireAfterAccess(5L, TimeUnit.MINUTES)
    .build();
}

2.2、緩存容量和淘汰策略設置

Guava cache是記憶體型緩存，有記憶體溢出風險，因此需要設置緩存的最大存儲上限，通過緩存的條數或每條緩存的權重來判斷是否達到了設定閾值，當緩存的數據量達到設定閾值之後，Guava cache支持使用FIFO和LRU的策略對緩存記錄採取淘汰的措施。

（1）限制緩存記錄條數

public Cache<String, User> createCache() {    
    return CacheBuilder.newBuilder()
    .maximumSize(100L)
    .build();
}

（2）限制緩存記錄權重

public Cache<String, User> createCache() {    
    return CacheBuilder.newBuilder()
    .maximumWeight(100L)
    .weigher((key, value) (int) Math.ceil(instrumentation.getObjectSize(value) / 1024L))       
    .build();
}

使用限制緩存記錄權重時要先計算weight的value對象的位元組數，每1kb位元組作為一個權重,對比限制緩存記錄，我們就能將緩存的總占用限制在100kb左右。

2.3緩存監控

緩存記錄的載入和命中情況是評價緩存處理能力的重要指標，Guava cache提供了stat統計日誌對這兩個指標進行了統計，我們只需要在創建緩存容器的時候加上recordStats就可以開啟統計。

public Cache<String, User> createCache() {    
    return CacheBuilder.newBuilder()
    .recordStats()
    .build();
}

2.4 Guava cache的優劣勢和適用場景

優劣勢：Guava cache通過記憶體處理數據，具有減少IO請求，讀寫性能快的優勢，但是受記憶體容量限制，只能處理少量數據的讀寫，還有可能對本機記憶體造成壓力，並且在分散式部署中，會存在不同機器節點數據不一致的情況，即緩存漂移。

適用場景：讀多寫少，對數據一致性要求不高的場景。

3、Caffeine簡介

Caffeine同樣是Google開發的，是在Guava cache的基礎上改良而來的，底層設計思路、功能和使用方式與Guava非常類似，但是各方面的性能都要遠遠超過前者，可以看做是Guava cache的升級版，因此，之前使用過Guava cache，也能夠很快的上手Caffeine，下麵是Caffeine和Guava cache的緩存創建對比，基本可以無門檻過渡。

public Cache<String, String> createCache() {
    return Caffeine.newBuilder()
        .initialCapacity(1000)
        .maximumSize(100L)
        .expireAfterWrite(5L, TimeUnit.MINUTES)

        .recordStats()
        .build();
}

public Cache<String, String> createCache() {    
    return CacheBuilder.newBuilder()
    .initialCapacity(1000)
    .maximumSize(100L)
    .expireAfterWrite(5L, TimeUnit.MINUTES)
    .recordStats()
    .build();
}

那麼Caffeine底層又做了哪些優化，才能讓其性能高於Guava cache呢？主要包含以下三點：

3.1、對比Guava cache的性能主要優化項

（1）非同步策略

Guava cache在讀操作中可能會觸發淘汰數據的清理操作，雖然自身也做了一些優化來減少讀的時候的清理操作，但是一旦觸發，就會降低查詢效率，對緩存性能產生影響。而在Caffeine支持非同步操作，採用非同步處理的策略，查詢請求在觸發淘汰數據的清理操作後，會將清理數據的任務添加到獨立的線程池中進行非同步操作，不會阻塞查詢請求，提高了查詢性能。

（2）ConcurrentHashMap優化

Caffeine底層都是通過ConcurrentHashMap來進行數據的存儲，因此隨著Java8中對ConcurrentHashMap的調整，數組+鏈表的結構升級為數組+鏈表+紅黑樹的結構以及分段鎖升級為syschronized+CAS，降低了鎖的粒度，減少了鎖的競爭，這兩個優化顯著提高了Caffeine在讀多寫少場景下的查詢性能。

（3）新型淘汰演算法W-TinyLFU

傳統的淘汰演算法，如LRU、LFU、FIFO，在實際的緩存場景中都存在一些弊端，如FIFO演算法，如果緩存使用的頻率較高，那麼緩存數據會一直處在進進出出的狀態，間接影響到緩存命中率。LRU演算法，在批量刷新緩存數據的場景下，可能會將其他緩存數據淘汰掉，從而帶來緩存擊穿的風險。LFU演算法，需要保存緩存記錄的訪問次數，帶來記憶體空間的損耗。

因此，Caffeine引入了W-TinyLFU演算法，由視窗緩存、過濾器、主緩存組成。緩存數據剛進入時會停留在視窗緩存中，這個部分只占總緩存的1%，當被擠出視窗緩存時，會在過濾器彙總和主緩存中淘汰的數據進行比較，如果頻率更高，則進入主緩存，否則就被淘汰，主緩存被分為淘汰段和保護段，兩段都是LRU演算法，第一次被訪問的元素會進入淘汰段，第二次被訪問會進入保護段，保護段中被淘汰的元素會進入淘汰段，這種演算法實現了高命中率和低記憶體占用。更詳細的解釋可以參考論文：https://arxiv.org/pdf/1512.00727.pdf

3.2、Caffeine的優劣勢和適用場景

優勢：對比Guava cache有更高的緩存性能，劣勢：仍然存在緩存漂移的問題；JDK版本過低無法使用

適用場景：1、適用場景：讀多寫少，對數據一致性要求不高的場景；2、純記憶體緩存，JDK8及更高版本中，追求比Guava cache更高的性能。

4、Ehcache簡介

Guava cache和Caffeine都是JVM緩存，會受到記憶體大小的制約，最新的Ehcache採用堆內緩存+堆外緩存+磁碟的方式，打破了這一制約。堆內緩存就是被JVM管理的那一部分緩存，而堆外緩存，就是在記憶體中另外在開闢一塊不被JVM管理的部分。堆外緩存這部分既可以享受記憶體的高速讀寫能力，而且又避免的JVM頻繁的GC，缺點是需要自行清理數據。

下麵是Ehcache緩存的創建，指定了堆內、堆外緩存和磁碟緩存的大小。

ResourcePoolsBuilder.newResourcePoolsBuilder()
    .heap(20, MemoryUnit.MB)
    .offheap(10, MemoryUnit.MB)
    .disk(5, MemoryUnit.GB);

為瞭解決緩存漂移的問題，Ehcache支持通過集群的方式，實現了分散式節點之間的數據互通。關於Ehcache的集群策略，後續文章再詳細闡述。

5、不同本地緩存對比

作者：京東保險 郭盼

來源：京東雲開發者社區 轉載請註明來源