架構設計 | 緩存管理模式，監控和內存回收策略

本文源碼：GitHub·點這裏 || GitEE·點這裏

1、緩存設計

一、緩存的做用

在業務系統中，查詢時最容易出現性能問題的模塊，查詢面對的數據量大，篩選條件複雜，因此在系統架構中引入緩存層，則是很是必要的，用來緩存熱點數據，達到快速響應的目的。

緩存使用的基本原則：

• 全部緩存數據，必須設置過時時間；
• 核心業務流程不經過緩存層；
• 緩存層移除，不影響現有流程；
• 系統各個端首頁數據不實時查詢；
• 報表數據不實時查詢加載；
• 歸檔數據(定時統計的結果數據)不實時查詢；

這裏是業務架構中經常使用的緩存策略，緩存經過犧牲強一致性來提升性能，因此並非全部的業務都適合用緩存，實際考量都會針對具體的業務，好比用戶相關維度的數據修改頻率低，會使用緩存，可是用戶權限數據(好比：免費次數)會考慮實時校驗，緩存層使用的相對較少。

二、緩存設計模式

Cache-Aside模式

業務中最經常使用的緩存層設計模式，基本實現邏輯和相關概念以下：

• 緩存命中：直接查詢緩存且命中，返回數據；
• 緩存加載：查詢緩存未命中，從數據庫中查詢數據，獲取數據後並加載到緩存；
• 緩存失效：數據更新寫到數據庫，操做成功後，讓緩存失效，查詢時候再從新加載；
• 緩存穿透：查詢數據庫不存在的對象，也就不存在緩存層的命中；
• 緩存擊穿：熱點key在失效的瞬間，高併發查詢這個key，擊穿緩存，直接請求數據庫；
• 緩存雪崩：緩存Key大批量到過時時間，致使數據庫壓力過大；
• 命中率：緩存設計的是否合理要看命中率，命中率高說明緩存有效抗住了大部分請求，命中率能夠經過Redis監控信息計算，通常來講命中率在(70-80)%都算合理。

併發問題

執行讀操做未命中緩存，而後查詢數據庫中取數據，數據已經查詢到還沒放入緩存，同時一個更新寫操做讓緩存失效，而後讀操做再把查詢到數據加載緩存，致使緩存的髒數據。

在遵照緩存使用原則下出現該狀況機率很是低，能夠經過複雜的Paxos協議保證一致性，通常狀況是不考量該場景的處理，若是緩存管理過於複雜，會和緩存層核心理念相悖。

基本描述代碼：

@Service
public class KeyValueServiceImpl extends ServiceImpl<KeyValueMapper, KeyValueEntity> implements KeyValueService {

    @Resource
    private RedisService redisService ;

    @Override
    public KeyValueEntity select(Integer id) {
        // 查詢緩存
        String redisKey = RedisKeyUtil.getObectKey(id) ;
        String value = redisService.get(redisKey) ;
        if (!StringUtils.isEmpty(value) && !value.equals("null")){
            return JSON.parseObject(value,KeyValueEntity.class);
        }
        // 查詢庫
        KeyValueEntity keyValueEntity = this.getById(id) ;
        if (keyValueEntity != null){
            // 緩存寫入
            redisService.set(redisKey,JSON.toJSONString(keyValueEntity)) ;
        }
        // 返回值
        return keyValueEntity ;
    }

    @Override
    public boolean update(KeyValueEntity keyValueEntity) {
        // 更新數據
        boolean updateFlag = this.updateById(keyValueEntity) ;
        // 清除緩存
        if (updateFlag){
            redisService.delete(RedisKeyUtil.getObectKey(keyValueEntity.getId()));
        }
        return updateFlag ;
    }
}

Read-Throug模式

當應用系統向緩存系統請求數據時，若是緩存中並無對應的數據存在，緩存系統將向底層數據源的讀取數據。若是數據在緩存中存在，則直接返回緩存中存在的數據。把更新數據庫的操做由緩存層代勞了。

Write-Through模式

更新寫數據時，若是沒有命中緩存，則直接更新數據庫，若是命中了緩存，則先更新緩存，而後由緩存系統自行更新數據庫。

Write-Behind模式

應用系統對緩存中的數據進行更新時，只更新緩存，不更新數據庫，緩存系統會異步批量向底層數據源更新數據。

2、數據一致問題

業務開發模式中，會涉及到一個問題：如何最大限度保證數據庫和Redis緩存的數據一致性？

首先說明一下：數據庫和緩存強一致性同步成本過高，若是追求強一致，緩存層存在的價值就會很低，如上緩存模式一中幾乎能夠解決大部分業務場景問題。

解決這個問題的方式不少：

方案一說明：

• 數據庫更新寫入數據成功；
• 準備一個先進先出模式的消息隊列；
• 把更新的數據包裝爲一個消息放入隊列；
• 基於消息消費服務更新Redis緩存；

分析：消息隊列的穩定和可靠性，操做層面數據庫和緩存層解耦。

方案二說明：

• 提供一個數據庫Binlog訂閱服務，並解析修改日誌；
• 服務獲取修改數據，並向Redis服務發送消息；
• Redis數據進行修改，相似MySQL的主從同步機制；

分析：系統架構層面多出一個服務，且須要解析MySQL日誌，操做難度較大，但流程上更爲合理。

總結描述

分佈式架構中，緩存層面的基本需求就是提升響應速度，不斷優化，追求數據庫和Redis緩存的數據快速一致性，從提供的各類方案中均可以看出，這也在增長緩存層面處理的複雜性，架構邏輯複雜，就容易致使程序錯誤，因此針對業務選擇合理的處理邏輯，這點很關鍵。

3、緩存監控

一、Redis服務監控

經過info命令查看Redis服務的參數信息，能夠經過傳參查看指定分類配置。經過config..set設置具體配置參數。例如：

@Override
public Properties info(String var) {
    if (StringUtils.isEmpty(var)){
        return redisTemplate.getRequiredConnectionFactory().getConnection().info();
    }
    return redisTemplate.getRequiredConnectionFactory().getConnection().info(var);
}

傳參說明：

• memory：內存消耗相關信息
• server：有關Redis服務器的常規信息
• clients：客戶端鏈接部分
• stats：通常統計
• cpu：CPU消耗統計信息

應用案例:

@RestController
public class MonitorController {

    @Resource
    private RedisService redisService ;

    private static final String[] monitorParam = new String[]{"memory","server","clients","stats","cpu"} ;

    @GetMapping("/monitor")
    public List<MonitorEntity> monitor (){
        List<MonitorEntity> monitorEntityList = new ArrayList<>() ;
        for (String param:monitorParam){
            Properties properties = redisService.info(param) ;
            MonitorEntity monitorEntity = new MonitorEntity () ;
            monitorEntity.setMonitorParam(param);
            monitorEntity.setProperties(properties);
            monitorEntityList.add(monitorEntity);
        }
        return monitorEntityList ;
    }

}

經過上述參數組合，把Redis相關配置參數打印出來，而後可視化輸出，儼然一副高端的感受。

配置參數說明：

這裏只對兩個參數說明一下，計算命中率的關鍵信息：

• keyspace_misses：查找緩存Key失敗的次數；
• keyspace_hits：查找緩存Key命中的次數；

公式：命中率=命中次數/（hits+misses）查找總次數。

二、LRU算法說明

Redis的數據是放在內存中的，因此速度快，天然也就受到內存大小的限制，若是內存使用超過配置，Redis有不一樣的回收處理策略。

內存模塊參數：maxmemory_policy

• noenviction：不回收數據，查詢直接返回錯誤，但能夠執行刪除；
• allkeys-lru：從全部的數據中挑選最近最少使用的數據淘汰；
• volatile-lru：已設置過時時間的數據中挑選最近最少使用的數據淘汰；
• allkeys-random：從全部數據中任意選擇數據淘汰；
• volatile-random：從已設置過時時間的數據中任意選擇數據淘汰；
• volatile-ttl：從已設置過時時間的數據中挑選將要過時的數據淘汰；

大部分狀況下，業務都是但願最熱點數據能夠被緩存，因此相對使用allkeys-lru策略偏多。這裏要根據業務模式特色衡量。

4、源代碼地址

GitHub·地址
https://github.com/cicadasmile/data-manage-parent
GitEE·地址
https://gitee.com/cicadasmile/data-manage-parent

推薦閱讀：《架構設計系列》，蘿蔔青菜，各有所需

序號	標題
01	架構基礎：單服務.集羣.分佈式，基本區別和聯繫
02	架構設計：分佈式業務系統中，全局ID生成策略
03	架構設計：分佈式系統調度，Zookeeper集羣化管理
04	架構設計：接口冪等性原則，防重複提交Token管理