如何解决多线程高并发场景下的 Java 缓存问题？

作者 | LLLSQ

责编 | 郭芮

互联网软件神速发展，用户的体验度是判断一个软件好坏的重要原因，所以缓存就是必不可少的一个神器。在多线程高并发场景中往往是离不开cache的，需要根据不同的应用场景来需要选择不同的cache，比如分布式缓存如redis、memcached，还有本地（进程内）缓存如ehcache、GuavaCache、Caffeine。

说起Guava Cache，很多人都不会陌生，它是Google Guava工具包中的一个非常方便易用的本地化缓存实现，基于LRU算法实现，支持多种缓存过期策略。由于Guava的大量使用，Guava Cache也得到了大量的应用。但是，Guava Cache的性能一定是最好的吗？也许，曾经，它的性能是非常不错的。但所谓长江后浪推前浪，总会有更加优秀的技术出现。今天，我就来介绍一个比Guava Cache性能更高的缓存框架：Caffeine。

官方性能比较

Google Guava工具包中的一个非常方便易用的本地化缓存实现，基于LRU算法实现，支持多种缓存过期策略。

EhCache 是一个纯Java的进程内缓存框架，具有快速、精干等特点，是Hibernate中默认的CacheProvider。

Caffeine是使用Java8对Guava缓存的重写版本，在Spring Boot 2.0中将取代，基于LRU算法实现，支持多种缓存过期策略。

• 场景1：8个线程读，100%的读操作。

• 场景二：6个线程读，2个线程写，也就是75%的读操作，25%的写操作。

• 场景三：8个线程写，100%的写操作。

可以清楚地看到Caffeine效率明显高于其他缓存。

如何使用？

 1 public static void main(String[] args) {
 2        LoadingCache<String, String> build = CacheBuilder.newBuilder().initialCapacity(1).maximumSize(100).expireAfterWrite(1, TimeUnit.DAYS)
 3                .build(new CacheLoader<String, String>() {
 4                    //默认的数据加载实现，当调用get取值的时候，如果key没有对应的值，就调用这个方法进行加载
 5                    @Override
 6                    public String load(String key)  {
 7                        return "";
 8                    }
 9                });
10    }
11    }

参数方法：

• initialCapacity(1) 初始缓存长度为1；

• maximumSize(100) 最大长度为100；

• expireAfterWrite(1, TimeUnit.DAYS) 设置缓存策略在1天未写入过期缓存（后面讲缓存策略）。

过期策略

在Caffeine中分为两种缓存，一个是有界缓存，一个是无界缓存，无界缓存不需要过期并且没有界限。

在有界缓存中提供了三个过期API：

• expireAfterWrite：代表着写了之后多久过期。（上面列子就是这种方式）

• expireAfterAccess：代表着最后一次访问了之后多久过期。

• expireAfter：在expireAfter中需要自己实现Expiry接口，这个接口支持create、update、以及access了之后多久过期。注意这个API和前面两个API是互斥的。这里和前面两个API不同的是，需要你告诉缓存框架，它应该在具体的某个时间过期，也就是通过前面的重写create、update、以及access的方法，获取具体的过期时间。

更新策略

何为更新策略？就是在设定多长时间后会自动刷新缓存。

Caffeine提供了refreshAfterWrite()方法来让我们进行写后多久更新策略：

1        LoadingCache<String, String> build = CacheBuilder.newBuilder().refreshAfterWrite(1, TimeUnit.DAYS)
2                .build(new CacheLoader<String, String>() {
3                    @Override
4                    public String load(String key)  {
5                        return "";
6                    }
7                });
8    }

上面的代码我们需要建立一个CacheLodaer来进行刷新，这里是同步进行的，可以通过buildAsync方法进行异步构建。在实际业务中这里可以把我们代码中的mapper传入进去，进行数据源的刷新。

但是实际使用中，你设置了一天刷新，但是一天后你发现缓存并没有刷新。这是因为只有在1天后这个缓存再次访问后才能刷新，如果没人访问，那么永远也不会刷新。

我们来看看自动刷新是怎么做的呢？自动刷新只存在读操作之后，也就是我们的afterRead()这个方法，其中有个方法叫refreshIfNeeded，它会根据你是同步还是异步然后进行刷新处理。

填充策略（Population）

Caffeine 为我们提供了三种填充策略：手动、同步和异步。

手动加载（Manual）

 1Cache<String, Object> manualCache = Caffeine.newBuilder()
 2        .expireAfterWrite(10, TimeUnit.MINUTES)
 3        .maximumSize(10_000)
 4        .build();
 5
 6String key = "name1";
 7// 根据key查询一个缓存，如果没有返回NULL
 8graph = manualCache.getIfPresent(key);
 9// 根据Key查询一个缓存，如果没有调用createExpensiveGraph方法，并将返回值保存到缓存。
10// 如果该方法返回Null则manualCache.get返回null，如果该方法抛出异常则manualCache.get抛出异常
11graph = manualCache.get(key, k -> createExpensiveGraph(k));
12// 将一个值放入缓存，如果以前有值就覆盖以前的值
13manualCache.put(key, graph);
14// 删除一个缓存
15manualCache.invalidate(key);
16
17ConcurrentMap<String, Object> map = manualCache.asMap();
18cache.invalidate(key);

Cache接口允许显式的去控制缓存的检索、更新和删除。我们可以通过cache.getIfPresent(key) 方法来获取一个key的值，通过cache.put(key, value)方法显示的将数控放入缓存，但是这样子会覆盖缓原来key的数据。更加建议使用cache.get(key，k - > value) 的方式，get 方法将一个参数为 key 的 Function (createExpensiveGraph) 作为参数传入。

如果缓存中不存在该键，则调用这个 Function 函数，并将返回值作为该缓存的值插入缓存中。get 方法是以阻塞方式执行调用，即使多个线程同时请求该值也只会调用一次Function方法。这样可以避免与其他线程的写入竞争，这也是为什么使用 get 优于 getIfPresent 的原因。

注意：如果调用该方法返回NULL（如上面的 createExpensiveGraph 方法），则cache.get返回null。如果调用该方法抛出异常，则get方法也会抛出异常。

可以使用Cache.asMap() 方法获取ConcurrentMap进而对缓存进行一些更改。

同步加载（Loading）

 1LoadingCache<String, Object> loadingCache = Caffeine.newBuilder()
 2        .maximumSize(10_000)
 3        .expireAfterWrite(10, TimeUnit.MINUTES)
 4        .build(key -> createExpensiveGraph(key));
 5
 6String key = "name1";
 7// 采用同步方式去获取一个缓存和上面的手动方式是一个原理。在build Cache的时候会提供一个createExpensiveGraph函数。
 8// 查询并在缺失的情况下使用同步的方式来构建一个缓存
 9Object graph = loadingCache.get(key);
10
11// 获取组key的值返回一个Map
12List<String> keys = new ArrayList<>();
13keys.add(key);
14Map<String, Object> graphs = loadingCache.getAll(keys);

LoadingCache是使用CacheLoader来构建的缓存的值。批量查找可以使用getAll方法。默认情况下，getAll将会对缓存中没有值的key分别调用CacheLoader.load方法来构建缓存的值。我们可以重写CacheLoader.loadAll方法来提高getAll的效率。

注意：可以编写一个CacheLoader.loadAll来实现为特别请求的key加载值。例如，如果计算某个组中的任何键的值将为该组中的所有键提供值，则loadAll可能会同时加载该组的其余部分。

异步加载（Asynchronously Loading）

 1AsyncLoadingCache<String, Object> asyncLoadingCache = Caffeine.newBuilder()
 2            .maximumSize(10_000)
 3            .expireAfterWrite(10, TimeUnit.MINUTES)
 4            // Either: Build with a synchronous computation that is wrapped as asynchronous
 5            .buildAsync(key -> createExpensiveGraph(key));
 6            // Or: Build with a asynchronous computation that returns a future
 7            // .buildAsync((key, executor) -> createExpensiveGraphAsync(key, executor));
 8
 9 String key = "name1";
10
11// 查询并在缺失的情况下使用异步的方式来构建缓存
12CompletableFuture<Object> graph = asyncLoadingCache.get(key);
13// 查询一组缓存并在缺失的情况下使用异步的方式来构建缓存
14List<String> keys = new ArrayList<>();
15keys.add(key);
16CompletableFuture<Map<String, Object>> graphs = asyncLoadingCache.getAll(keys);
17// 异步转同步
18loadingCache = asyncLoadingCache.synchronous();

AsyncLoadingCache是继承自LoadingCache类的，异步加载使用Executor去调用方法并返回一个CompletableFuture。异步加载缓存使用了响应式编程模型。

如果要以同步方式调用时，应提供CacheLoader。要以异步表示时，应该提供一个AsyncCacheLoader，并返回一个CompletableFuture。

synchronous()这个方法返回了一个LoadingCacheView视图，LoadingCacheView也继承自LoadingCache。调用该方法后就相当于你将一个异步加载的缓存AsyncLoadingCache转换成了一个同步加载的缓存LoadingCache。

默认使用ForkJoinPool.commonPool()来执行异步线程，但是我们可以通过Caffeine.executor(Executor) 方法来替换线程池。

驱逐策略（eviction）

Caffeine提供三类驱逐策略：基于大小（size-based），基于时间（time-based）和基于引用（reference-based）。

基于大小（size-based）

基于大小驱逐，有两种方式：一种是基于缓存大小，一种是基于权重。

 1// Evict based on the number of entries in the cache
 2// 根据缓存的计数进行驱逐
 3LoadingCache<Key, Graph> graphs = Caffeine.newBuilder()
 4    .maximumSize(10_000)
 5    .build(key -> createExpensiveGraph(key));
 6
 7// Evict based on the number of vertices in the cache
 8// 根据缓存的权重来进行驱逐（权重只是用于确定缓存大小，不会用于决定该缓存是否被驱逐）
 9LoadingCache<Key, Graph> graphs = Caffeine.newBuilder()
10    .maximumWeight(10_000)
11    .weigher((Key key, Graph graph) -> graph.vertices().size())
12    .build(key -> createExpensiveGraph(key));

我们可以使用Caffeine.maximumSize(long)方法来指定缓存的最大容量。当缓存超出这个容量的时候，会使用Window TinyLfu策略来删除缓存。我们也可以使用权重的策略来进行驱逐，可以使用Caffeine.weigher(Weigher) 函数来指定权重，使用Caffeine.maximumWeight(long) 函数来指定缓存最大权重值。

注意：maximumWeight与maximumSize不可以同时使用。

基于时间（Time-based）

 1// Evict based on a fixed expiration policy
 2// 基于固定的到期策略进行退出
 3LoadingCache<Key, Graph> graphs = Caffeine.newBuilder()
 4    .expireAfterAccess(5, TimeUnit.MINUTES)
 5    .build(key -> createExpensiveGraph(key));
 6LoadingCache<Key, Graph> graphs = Caffeine.newBuilder()
 7    .expireAfterWrite(10, TimeUnit.MINUTES)
 8    .build(key -> createExpensiveGraph(key));
 9
10// Evict based on a varying expiration policy
11// 基于不同的到期策略进行退出
12LoadingCache<Key, Graph> graphs = Caffeine.newBuilder()
13    .expireAfter(new Expiry<Key, Graph>() {
14      @Override
15      public long expireAfterCreate(Key key, Graph graph, long currentTime) {
16        // Use wall clock time, rather than nanotime, if from an external resource
17        long seconds = graph.creationDate().plusHours(5)
18            .minus(System.currentTimeMillis(), MILLIS)
19            .toEpochSecond();
20        return TimeUnit.SECONDS.toNanos(seconds);
21      }
22
23      @Override
24      public long expireAfterUpdate(Key key, Graph graph, 
25          long currentTime, long currentDuration) {
26        return currentDuration;
27      }
28
29      @Override
30      public long expireAfterRead(Key key, Graph graph,
31          long currentTime, long currentDuration) {
32        return currentDuration;
33      }
34    })
35    .build(key -> createExpensiveGraph(key));

基于引用（reference-based）

Java 4种引用的级别由高到低依次为：强引用 > 软引用 > 弱引用 > 虚引用。

 1// Evict when neither the key nor value are strongly reachable
 2// 当key和value都没有引用时驱逐缓存
 3LoadingCache<Key, Graph> graphs = Caffeine.newBuilder()
 4    .weakKeys()
 5    .weakValues()
 6    .build(key -> createExpensiveGraph(key));
 7
 8// Evict when the garbage collector needs to free memory
 9// 当垃圾收集器需要释放内存时驱逐
10LoadingCache<Key, Graph> graphs = Caffeine.newBuilder()
11    .softValues()
12    .build(key -> createExpensiveGraph(key));

我们可以将缓存的驱逐配置成基于垃圾回收器。为此，我们可以将key和 value配置为弱引用或只将值配置成软引用。

注意：AsyncLoadingCache不支持弱引用和软引用。

移除监听器（Removal）

• 驱逐（eviction）：由于满足了某种驱逐策略，后台自动进行的删除操作；
  

• 无效（invalidation）：表示由调用方手动删除缓存；

• 移除（removal）：监听驱逐或无效操作的监听器。

手动删除缓存：

在任何时候，都可能明确地使缓存无效，而不用等待缓存被驱逐。

1// individual key
2cache.invalidate(key)
3// bulk keys
4cache.invalidateAll(keys)
5// all keys
6cache.invalidateAll()

Removal 监听器：

可以通过Caffeine.removalListener(RemovalListener) 为缓存指定一个删除侦听器，以便在删除数据时执行某些操作。 RemovalListener可以获取到key、value和RemovalCause（删除的原因）。

删除侦听器的里面的操作是使用Executor来异步执行的。默认执行程序是ForkJoinPool.commonPool()，可以通过Caffeine.executor(Executor)覆盖。当操作必须与删除同步执行时，请改为使用CacheWrite，CacheWrite将在下面说明。

注意：由RemovalListener抛出的任何异常都会被记录（使用Logger）并不会抛出。

统计（Statistics）

Cache<Key, Graph> graphs = Caffeine.newBuilder()
2    .maximumSize(10_000)
3    .recordStats()
4    .build();

使用Caffeine.recordStats()，可以打开统计信息收集。Cache.stats() 方法返回提供统计信息的CacheStats，如：

• hitRate()：返回命中与请求的比率；

• hitCount(): 返回命中缓存的总数；

• evictionCount()：缓存逐出的数量；

• averageLoadPenalty()：加载新值所花费的平均时间。

总结

Caffeine的调整不只有算法上面的调整，内存方面的优化也有很大进步，Caffeine的API的操作功能和Guava是基本保持一致的，并且Caffeine为了兼容之前是Guava的用户，所以使用或者重写缓存到Caffeine应该没什么问题，但是也要看项目情况，不要盲目使用。 

作者：LLLSQ，一只有着悲惨故事的北漂程序员，为读者提供热点技术文章和IT实时热点新闻、架构、面试信息等最新讯息。

声明：本文为作者投稿，版权归对方所有。