架构设计 | 缓存管理模式，监控和内存回收策略

一、缓存设计

1、缓存的作用

在业务系统中，查询时最容易出现性能问题的模块，查询面对的数据量大，筛选条件复杂，所以在系统架构中引入缓存层，则是非常必要的，用来缓存热点数据，达到快速响应的目的。

缓存使用的基本原则：

• 所有缓存数据，必须设置过期时间；

• 核心业务流程不通过缓存层；

• 缓存层移除，不影响现有流程；

• 系统各个端首页数据不实时查询；

• 报表数据不实时查询加载；

• 归档数据(定时统计的结果数据)不实时查询；

这里是业务架构中常用的缓存策略，缓存通过牺牲强一致性来提高性能，所以并不是所有的业务都适合用缓存，实际考量都会针对具体的业务，比如用户相关维度的数据修改频率低，会使用缓存，但是用户权限数据(比如：免费次数)会考虑实时校验，缓存层使用的相对较少。

2、缓存设计模式

Cache-Aside模式

业务中最常用的缓存层设计模式，基本实现逻辑和相关概念如下：

• 缓存命中：直接查询缓存且命中，返回数据；

• 缓存加载：查询缓存未命中，从数据库中查询数据，获取数据后并加载到缓存；

• 缓存失效：数据更新写到数据库，操作成功后，让缓存失效，查询时候再重新加载；

• 缓存穿透：查询数据库不存在的对象，也就不存在缓存层的命中；

• 缓存击穿：热点key在失效的瞬间，高并发查询这个key，击穿缓存，直接请求数据库；

• 缓存雪崩：缓存Key大批量到过期时间，导致数据库压力过大；

• 命中率：缓存设计的是否合理要看命中率，命中率高说明缓存有效抗住了大部分请求，命中率可以通过Redis监控信息计算，一般来说命中率在(70-80)%都算合理。

  并发问题

执行读操作未命中缓存，然后查询数据库中取数据，数据已经查询到还没放入缓存，同时一个更新写操作让缓存失效，然后读操作再把查询到数据加载缓存，导致缓存的脏数据。

在遵守缓存使用原则下出现该情况概率非常低，可以通过复杂的Paxos协议保证一致性，一般情况是不考量该场景的处理，如果缓存管理过于复杂，会和缓存层核心理念相悖。

基本描述代码：

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

@Resource
private RedisService redisService ;

@Override
public KeyValueEntity select(Integer id) {
// 查询缓存
        String redisKey = RedisKeyUtil.getObectKey(id) ;
        String value = redisService.get(redisKey) ;
if (!StringUtils.isEmpty(value) && !value.equals("null")){
return JSON.parseObject(value,KeyValueEntity.class);
        }
// 查询库
        KeyValueEntity keyValueEntity = this.getById(id) ;
if (keyValueEntity != null){
// 缓存写入
            redisService.set(redisKey,JSON.toJSONString(keyValueEntity)) ;
        }
// 返回值
return keyValueEntity ;
    }

@Override
public boolean update(KeyValueEntity keyValueEntity) {
// 更新数据
boolean updateFlag = this.updateById(keyValueEntity) ;
// 清除缓存
if (updateFlag){
            redisService.delete(RedisKeyUtil.getObectKey(keyValueEntity.getId()));
        }
return updateFlag ;
    }
}

Read-Throug模式

当应用系统向缓存系统请求数据时，如果缓存中并没有对应的数据存在，缓存系统将向底层数据源的读取数据。如果数据在缓存中存在，则直接返回缓存中存在的数据。把更新数据库的操作由缓存层代劳了。

Write-Through模式

更新写数据时，如果没有命中缓存，则直接更新数据库，如果命中了缓存，则先更新缓存，然后由缓存系统自行更新数据库。

Write-Behind模式

应用系统对缓存中的数据进行更新时，只更新缓存，不更新数据库，缓存系统会异步批量向底层数据源更新数据。

二、数据一致问题

业务开发模式中，会涉及到一个问题：如何最大限度保证数据库和Redis缓存的数据一致性？

首先说明一下：数据库和缓存强一致性同步成本太高，如果追求强一致，缓存层存在的价值就会很低，如上缓存模式一中几乎可以解决大部分业务场景问题。

解决这个问题的方式很多：

方案一说明：

• 数据库更新写入数据成功；

• 准备一个先进先出模式的消息队列；

• 把更新的数据包装为一个消息放入队列；

• 基于消息消费服务更新Redis缓存；

分析：消息队列的稳定和可靠性，操作层面数据库和缓存层解耦。

方案二说明：

• 提供一个数据库Binlog订阅服务，并解析修改日志；

• 服务获取修改数据，并向Redis服务发送消息；

• Redis数据进行修改，类似MySQL的主从同步机制；

分析：系统架构层面多出一个服务，且需要解析MySQL日志，操作难度较大，但流程上更为合理。

总结描述

分布式架构中，缓存层面的基本需求就是提高响应速度，不断优化，追求数据库和Redis缓存的数据快速一致性，从提供的各种方案中都可以看出，这也在增加缓存层面处理的复杂性，架构逻辑复杂，就容易导致程序错误，所以针对业务选择合理的处理逻辑，这点很关键。

三、缓存监控

1、Redis服务监控

通过info命令查看Redis服务的参数信息，可以通过传参查看指定分类配置。通过config..set设置具体配置参数。例如：

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

传参说明：

• memory：内存消耗相关信息

• server：有关Redis服务器的常规信息

• clients：客户端连接部分

• stats：一般统计

• cpu：CPU消耗统计信息

应用案例:

@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 ;
    }

}

通过上述参数组合，把Redis相关配置参数打印出来，然后可视化输出，俨然一副高端的感觉。

配置参数说明：

这里只对两个参数说明一下，计算命中率的关键信息：

• keyspace_misses：查找缓存Key失败的次数；

• keyspace_hits：查找缓存Key命中的次数；

公式：命中率=命中次数/（hits+misses）查找总次数。

2、LRU算法说明

Redis的数据是放在内存中的，所以速度快，自然也就受到内存大小的限制，如果内存使用超过配置，Redis有不同的回收处理策略。

内存模块参数：maxmemory_policy

• noenviction：不回收数据，查询直接返回错误，但可以执行删除；

• allkeys-lru：从所有的数据中挑选最近最少使用的数据淘汰；

• volatile-lru：已设置过期时间的数据中挑选最近最少使用的数据淘汰；

• allkeys-random：从所有数据中任意选择数据淘汰；

• volatile-random：从已设置过期时间的数据中任意选择数据淘汰；

• volatile-ttl：从已设置过期时间的数据中挑选将要过期的数据淘汰；

大部分情况下，业务都是希望最热点数据可以被缓存，所以相对使用allkeys-lru策略偏多。这里要根据业务模式特点衡量。

四、源代码地址

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