多级缓存架构设计

心已赠人 2024-03-26 22:47 91阅读 0赞

### 说在前面 ###

在40岁老架构师 尼恩的**读者社区**(50+)中，很多小伙伴拿到一线互联网企业如阿里、网易、有赞、希音、百度、网易、滴滴的面试资格，多次遇到一个很重要的面试题：

>  *  20w的QPS的场景下，服务端架构应如何设计？
>  *  10w的QPS的场景下，缓存架构应如何设计？

尼恩提示，**缓存架构、缓存规划、缓存淘汰、多级缓存的数据一致性** 相关的问题，是架构的核心知识，又是线上的重点难题。

另外，尼恩一直給大家指导简历，辅导架构转型。前几天指导美团一个超级大佬L9的简历， 也谈到了缓存的这些难题， 需要提供一些解决方案，给他作为：

*  第一：学习材料
 *  第二：架构轮子。

基于以上原因，尼恩基于 《京东服务端应用多级缓存架构方案》以及 《有赞透明多级缓存解决方案（TMC）》，给大家做一下系统化、体系化的梳理。从而，再面试的时候，使得大家可以充分展示一下大家雄厚的 “技术肌肉”，**让面试官爱到 “不能自已、口水直流”**。

也一并把这个题目以及参考答案，收入咱们的 《[尼恩Java面试宝典][Java]》V105版本，供后面的小伙伴参考，提升大家的 3高 架构、设计、开发水平。

> 《尼恩 架构笔记》《尼恩高并发三部曲》《[尼恩Java面试宝典][Java]》的PDF，请到公号【技术自由圈】获取

#### 文章目录 ####

*   *  说在前面
     *  高并发场景分析
     *  通用多级缓存方案
     *  多级缓存数据一致性问题
     *  京东发布订阅缓存同步组件选型
     *  什么是缓存污染问题？
     *  多级缓存架构的注意事项
     *  说在最后：有问题可以找老架构取经
     *  参考文献
     *  推荐阅读

### 高并发场景分析 ###

一般来说， 如果 10Wqps，或者20Wqps ，可使用分布式缓存来抗。

比如redis集群，6主6从：主 提供读写，从 作为备，从 不提供读写服务。

6主6从架构下，1台平均抗3w-4W并发，还可以抗住 18Wqps -24Wqps。

并且，如果QPS达到100w，通过增加redis集群中的机器数量，可以扩展缓存的容量和并发读写能力。6主6从的架构，可以扩容到 30主30从

同时，缓存数据对于应用来讲都是共享的，主从架构，实现高可用。

**问题：如何解决缓存热点（热key）问题？**

一旦出现缓存热点现象，例如有 10 w流量访问同一 Key，并集中于某一个 Redis 实例，可能会导致该实例的 CPU 负载过高。

这种情况下，即便增加 Redis 集群数量，也无法根本解决问题。 那么解决热 key 问题的有效手段，到底是什么呢？ 非常有效的手段之一，本地缓存。其主要原因是： 本地缓存避免了 Redis 单个缓存服务器的高负载。同时，本地内存缓存拥有更快的访问速度，因为数据直接存储在应用程序的内存中，无需通过网络传输数据。

本地缓存的实质：**是多副本， 空间换时间**。 通过复制多份缓存副本，将请求分散，可以缓解由缓存热点引发的单个缓存服务器压力。

凡事，有利必有弊。

那么，引入本地缓存又会带来哪些问题呢？ 主要问题有：

*  数据一致性问题
 *  本地缓存数据污染问题

关于以上两个问题，尼恩之前的文章： [《场景题：假设10W人突访，你的系统如何做到不 雪崩？》][10W_]，基于有赞透明多级缓存解决方案（TMC）， 給大家做过一个全面的梳理。

但是， 咱们作为未来超级架构师，需要采蜜百家之长， 极度开阔自己的技术视野。

所以，这里基于《京东服务端应用多级缓存架构方案》，給大家再梳理一篇。原文的京东服务端应用多级缓存架构方案｜京东云技术团队。

### 通用多级缓存方案 ###

京东服务端应用多级缓存架构方案， 其实是一种常用的2级缓存的架构方案：

（1）L1一级缓存：本地缓存guava

（2）L2二级缓存：分布式缓存redis

2级缓存的架构方案的缓存访问流程：

*  请求优先打到应用本地缓存
 *  本地缓存不存在，再去redis 集群拉取，同时缓存到本地

以上流程，类似于cache aside 旁路缓存模式。 具体的缓存访问流程，大致如下：

![ad25c9602d364fd4b4001a287c7a3425.png][]

有关 DB与Redis 缓存之间的 cache aside 旁路缓存模式的数据一致性问题， 具体请阅读尼恩的《[Java高并发核心编程 卷3 加强版][Java_ _3]》。

那么，引入本地缓存又会带来哪些问题呢？ 主要问题有：

*  数据一致性问题
 *  本地缓存数据污染问题

### 多级缓存数据一致性问题 ###

如何解决多级缓存数据一致性问题呢？ 主要是 多级缓存同。 主要使用发布订阅模式、或者底层组件RPC通讯机制，完成本地cache与Redis缓存的数据同步。

*  京东采用的是 发布订阅模式。
 *  有赞采用的 底层组件RPC通讯机制
 *  J2cache采用的是 发布订阅模式。

首先看看 发布订阅， 深入下去，也有两种模式：

*  推送模式：每个频道都维护着一个客户端列表，当发送消息时，会遍历该列表并将消息推送给所有订阅者。
 *  拉取模式：发送者将消息放入一个邮箱中，所有订阅该邮箱的客户端可以随时去收取。在确保所有客户端都成功收取完整邮件后，才会删除该邮件。

首先，来看看 京东的数据一致性问题：多级缓存同步方案

1.  运营后台保存数据，写入Redis缓存，同时利用 Redis 的发布订阅功能发布信息。
2.  业务应用集群作为消息订阅者，接收到运营数据消息后，删除本地缓存，
3.  当 C 端流量请求到达时，若本地缓存不存在，则从 Redis 中加载缓存至本地缓存。
4.  防止极端情况下，Redis缓存失效，通过定时任务，将数据重新加载到Redis缓存。

![5c6e7cdfba96439c8ffa4630b164c0a6.png][]

其次，再看看 有赞的数据一致性问题： **使用 通信模块 实现每个节点 之间的数据一致性**。

具体的介绍，请参见尼恩二次创作文章： [《场景题：假设10W人突访，你的系统如何做到不 雪崩？》][10W_]，基于有赞透明多级缓存解决方案（TMC）， 給大家做过一个全面的梳理。

另外，行业内有部分成熟的二级缓存中间件，主要使用消息队列rocketmq /kafka，实现本地缓存与分布式缓存之间的数据一致性。这种架构方案， 具体可以参见 尼恩的架构视频 《100Wqps三级缓存组件实操》

### 京东发布订阅缓存同步组件选型 ###

京东使用redis的 channel（频道）机制，完成本地cache与Redis缓存的数据同步。在 Redis 的channel（频道）机制，发布订阅模式是一种推送模式。

*  通过使用 SUBSCRIBE 命令，可以订阅一个或多个频道，以便在相关频道发布消息时接收到通知。
 *  PUBLISH 命令则用于向一个或多个频道发送消息。当某个频道有消息发布时，所有订阅该频道的客户端都会收到相应的通知。

另外，Redis 的发布订阅模式是异步的。当有消息发布到某个频道时，Redis 会异步地将消息推送给所有订阅该频道的客户端。这就意味着，客户端不会因为等待消息而阻塞，而是继续执行其他任务，仅在需要接收消息时才去获取。这种异步方式有助于提高系统的并发性和效率。

### 什么是缓存污染问题？ ###

引入本地缓存又会带来哪些问题呢？ 主要问题有：

*  数据一致性问题
 *  本地缓存数据污染问题

前面咱们看了 数据一致性问题。再来看看，缓存污染问题。

缓存污染问题指的是留存在缓存中的数据，实际不会再被访问了，但是又占据了缓存空间。

如果这样的数据体量很大，甚至占满了缓存，每次有新数据写入缓存时，还需要把这些数据逐步淘汰出缓存，就会增加缓存操作的时间开销。

因此，要解决缓存污染问题，最关键的技术就是能**识别出这些只访问一次或是访问次数很少的数据**，在淘汰数据时，优先把他们筛选出来淘汰掉。所以，解决缓存污染的核心策略，叫做

缓存中主要常用的缓存淘汰策略：

*  random 随机
 *  lru
 *  lfu

（1） random 随机： 是随机选择数据进行淘汰 主要包括volatile-random和allkeys-random。随机淘汰，比如volatile-random和allkeys-random ，无法把不再访问的数据筛选出来，可能会造成缓存污染。

（2）LRU：LRU算法的基本思想是，当缓存空间不足时，要淘汰最近最少使用的缓存项，即淘汰访问时间最长的数据项。这样可以保证最常用的数据项始终保留在缓存中，从而提高系统的响应速度和吞吐量。 由于LRU策略只考虑数据的访问时效，对于只访问一次的数据来说，LRU策略无法很快将其筛选出来。

（3）LFU策略再LRU策略基础上进行了优化，在筛选数据时，首先会筛选并淘汰访问次数少的数据，然后针对访问次数相同的数据，再筛选并淘汰访问时间最久的数据。

在实际业务应用中，LRU和LFU两个策略都有应用。

LRU和LFU两种策略关注的数据访问特征各有侧重，**LRU策略更加关注数据的时效性，而LFU策略更加关注数据的访问频次**。

通常情况下，实际应用的负载具有**较好的时间局部性**，所以LRU策略的应用会更加广泛。

但是，在扫描式查询的应用场景中，LFU策略就可以很好地应对缓存污染问题了，建议你优先使用。

京东本地缓存用的是guava，那么策略是LRU，LRU策略更加关注数据的时效性， 具有**较好的时间局部性**，使用于大部分数据场景。

大部分本地缓存用的建议使用caffeine，那么策略是LRU+LFU，既 具有**较好的时间局部性**，使用于大部分数据场景。也具有关注数据的访问频次， 避免扫描式查询的应用场景中数据污染问题。 具体的原理， 请参见尼恩的 《100Wqps三级缓存组件》视频，里边对caffeine 内部原理和架构，做了深入介绍，而且caffeine的性能也比guava高。

### 多级缓存架构的注意事项 ###

1.  由于本地缓存会占用 Java 进程的 JVM 内存空间，因此不适合存储大量数据，需要对缓存大小进行评估。
2.  如果业务能够接受短时间内的数据不一致，那么本地缓存更适用于读取场景。
3.  在缓存更新策略中，无论是主动更新还是被动更新，本地缓存都应设置有效期。
4.  考虑设置定时任务来同步缓存，以防止极端情况下数据丢失。
5.  在 RPC 调用中，需要避免本地缓存被污染，可以通过合理的缓存淘汰策略，来解决这个问题。
6.  当应用重启时，本地缓存会失效，因此需要注意加载分布式缓存的时机。
7.  通过发布/订阅解决数据一致性问题时，如果发布/订阅模式不持久化消息数据，如果消息丢失，本地缓存就会删除失败。 所以，要解决发布订阅消息的高可用问题。
8.  当本地缓存失效时，需要使用 synchronized 进行加锁，确保由一个线程加载 Redis 缓存，避免并发更新。

### 说在最后：有问题可以找老架构取经 ###

架构之路，充满了坎坷

架构和高级开发不一样 ， 架构问题是open/开发式的，架构问题是没有标准答案的

正由于这样，很多小伙伴，尽管耗费很多精力，耗费很多金钱，但是，遗憾的是，**一生都没有完成架构升级**。

所以，在架构升级/转型过程中，确实找不到有效的方案，可以来找40岁老架构尼恩求助.

昨天一个小伙伴，他们要进行 **电商网站的黄金链路架构**， 开始找不到思路，但是经过尼恩 10分钟语音指导，一下就豁然开朗。

### 参考文献 ###

https://it.sohu.com/a/696701644\_121438385

https://blog.csdn.net/crazymakercircle/article/details/128533821

### 推荐阅读 ###

《[百亿级访问量，如何做缓存架构设计][Link 1]》

《[消息推送 架构设计][Link 2]》

《[阿里2面：你们部署多少节点？1000W并发，当如何部署？][2_1000W]》

《[美团2面：5个9高可用99.999%，如何实现？][2_5_9_99.999]》

《[网易一面：单节点2000Wtps，Kafka怎么做的？][2000Wtps_Kafka]》

《[字节一面：事务补偿和事务重试，关系是什么？][Link 3]》

《[网易一面：25Wqps高吞吐写Mysql，100W数据4秒写完，如何实现？][25Wqps_Mysql_100W_4]》

《[亿级短视频，如何架构？][Link 4]》

《[炸裂，靠“吹牛”过京东一面，月薪40K][40K]》

《[太猛了，靠“吹牛”过顺丰一面，月薪30K][30K]》

《[炸裂了…京东一面索命40问，过了就50W+][40_50W]》

《[问麻了…阿里一面索命27问，过了就60W+][27_60W]》

《[百度狂问3小时，大厂offer到手，小伙真狠！][3_offer]》

《[饿了么太狠：面个高级Java，抖这多硬活、狠活][Java 1]》

《[字节狂问一小时，小伙offer到手，太狠了！][offer]》

《[收个滴滴Offer：从小伙三面经历，看看需要学点啥？][Offer]》

> 《尼恩 架构笔记》《尼恩高并发三部曲》《尼恩Java面试宝典》PDF，请到下面公号【技术自由圈】取↓↓↓

[Java]: https://blog.csdn.net/crazymakercircle/article/details/124790425
[10W_]: https://blog.csdn.net/crazymakercircle/article/details/128533821
[ad25c9602d364fd4b4001a287c7a3425.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/13/6eaaa5c30dda40188c92476aa0bd54b6.png
[Java_ _3]: https://blog.csdn.net/crazymakercircle/article/details/115677785
[5c6e7cdfba96439c8ffa4630b164c0a6.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/13/4dd6e5bf4fbc40ca9706ee12742c922c.png
[Link 1]: https://blog.csdn.net/crazymakercircle/article/details/132628780
[Link 2]: https://blog.csdn.net/crazymakercircle/article/details/132561087
[2_1000W]: https://blog.csdn.net/crazymakercircle/article/details/132526730
[2_5_9_99.999]: https://blog.csdn.net/crazymakercircle/article/details/132509763
[2000Wtps_Kafka]: https://blog.csdn.net/crazymakercircle/article/details/132479866
[Link 3]: https://blog.csdn.net/crazymakercircle/article/details/132456546
[25Wqps_Mysql_100W_4]: https://blog.csdn.net/crazymakercircle/article/details/132403212
[Link 4]: https://blog.csdn.net/crazymakercircle/article/details/132379306
[40K]: https://blog.csdn.net/crazymakercircle/article/details/132150378
[30K]: https://blog.csdn.net/crazymakercircle/article/details/132000420
[40_50W]: https://blog.csdn.net/crazymakercircle/article/details/131615296
[27_60W]: https://blog.csdn.net/crazymakercircle/article/details/131147192
[3_offer]: https://blog.csdn.net/crazymakercircle/article/details/131027012
[Java 1]: https://blog.csdn.net/crazymakercircle/article/details/130989697
[offer]: https://blog.csdn.net/crazymakercircle/article/details/130956376
[Offer]: https://blog.csdn.net/crazymakercircle/article/details/129317821