1.背景

本文是上周去技術(shù)沙龍聽了一下愛奇藝的Java緩存之路有感寫出來的。先簡單介紹一下愛奇藝的java緩存道路的發(fā)展吧。

可以看見圖中分為幾個階段:

• 第一階段:數(shù)據(jù)同步加redis

通過消息隊列進行數(shù)據(jù)同步至redis，然后Java應(yīng)用直接去取緩存 這個階段優(yōu)點是:由于是使用的分布式緩存，所以數(shù)據(jù)更新快。缺點也比較明顯:依賴Redis的穩(wěn)定性，一旦redis掛了，整個緩存系統(tǒng)不可用，造成緩存雪崩，所有請求打到DB。

• 第二，三階段:JavaMap到Guava cache

這個階段使用進程內(nèi)緩存作為一級緩存，redis作為二級。優(yōu)點:不受外部系統(tǒng)影響，其他系統(tǒng)掛了，依然能使用。缺點:進程內(nèi)緩存無法像分布式緩存那樣做到實時更新。由于java內(nèi)存有限，緩存必定得設(shè)置大小，然后有些緩存會被淘汰，就會有命中率的問題。

• 第四階段: Guava Cache刷新

為了解決上面的問題，利用Guava Cache可以設(shè)置寫后刷新時間，進行刷新。解決了一直不更新的問題，但是依然沒有解決實時刷新。

• 第五階段: 外部緩存異步刷新
  

這個階段擴展了Guava Cache,利用redis作為消息隊列通知機制，通知其他java應(yīng)用程序進行刷新。

這里簡單介紹一下愛奇藝緩存發(fā)展的五個階段，當然還有一些其他的優(yōu)化，比如GC調(diào)優(yōu)，緩存穿透，緩存覆蓋的一些優(yōu)化等等。有興趣的同學可以關(guān)注公眾號，聯(lián)系我進行交流。

原始社會 - 查庫

上面說的是愛奇藝的一個進化線路，但是在大家的一般開發(fā)過程中，第一步一般都沒有redis，而是直接查庫。

在流量不大的時候，查數(shù)據(jù)庫或者讀取文件是最為方便，也能完全滿足我們的業(yè)務(wù)要求。

古代社會 - HashMap

當我們應(yīng)用有一定流量之后或者查詢數(shù)據(jù)庫特別頻繁，這個時候就可以祭出我們的java中自帶的HashMap或者ConcurrentHashMap。我們可以在代碼中這么寫:

public class CustomerService {private HashMap<String,String> hashMap = new HashMap<>();private CustomerMapper customerMapper;public String getCustomer(String name){String customer = hashMap.get(name);if ( customer == null){customer = customerMapper.get(name);hashMap.put(name,customer);}return customer;} }

但是這樣做就有個問題HashMap無法進行數(shù)據(jù)淘汰，內(nèi)存會無限制的增長，所以hashMap很快也被淘汰了。當然并不是說他完全就沒用，就像我們古代社會也不是所有的東西都是過時的，比如我們中華名族的傳統(tǒng)美德是永不過時的，就像這個hashMap一樣的可以在某些場景下作為緩存，比方說當不需要淘汰機制的時候，比如我們利用反射，如果我們每次都通過反射去搜索Method,field，性能必定低效，這時我們用HashMap將其緩存起來，性能能提升很多。

近代社會 - LRUHashMap

在古代社會中難住我們的問題無法進行數(shù)據(jù)淘汰，這樣會導致我們內(nèi)存無限膨脹,顯然我們是不可以接受的。有人就說我把一些數(shù)據(jù)給淘汰掉唄，這樣不就對了，但是怎么淘汰呢？隨機淘汰嗎？當然不行，試想一下你剛把A裝載進緩存，下一次要訪問的時候就被淘汰了，那又會訪問我們的數(shù)據(jù)庫了，那我們要緩存干嘛呢？

所以聰明的人們就發(fā)明了幾種淘汰算法，下面列舉下常見的三種FIFO,LRU,LFU（還有一些ARC,MRU感興趣的可以自行搜索）:

• FIFO:先進先出，在這種淘汰算法中，先進入緩存的會先被淘汰。這種可謂是最簡單的了，但是會導致我們命中率很低。試想一下我們?nèi)绻袀€訪問頻率很高的數(shù)據(jù)是所有數(shù)據(jù)第一個訪問的，而那些不是很高的是后面再訪問的，那這樣就會把我們的首個數(shù)據(jù)但是他的訪問頻率很高的給擠出。

• LRU:最近最少使用算法。在這種算法中避免了上面的問題，每次訪問數(shù)據(jù)都會將其放在我們的隊尾，如果需要淘汰數(shù)據(jù)，就只需要淘汰隊首即可。但是這個依然有個問題，如果有個數(shù)據(jù)在1個小時的前59分鐘訪問了1萬次(可見這是個熱點數(shù)據(jù)),再后一分鐘沒有訪問這個數(shù)據(jù)，但是有其他的數(shù)據(jù)訪問，就導致了我們這個熱點數(shù)據(jù)被淘汰。

• LFU:最近最少頻率使用。在這種算法中又對上面進行了優(yōu)化，利用額外的空間記錄每個數(shù)據(jù)的使用頻率，然后選出頻率最低進行淘汰。這樣就避免了LRU不能處理時間段的問題。

上面列舉了三種淘汰策略，對于這三種，實現(xiàn)成本是一個比一個高，同樣的命中率也是一個比一個好。而我們一般來說選擇的方案居中即可，即實現(xiàn)成本不是太高，而命中率也還行的LRU,如何實現(xiàn)一個LRUMap呢？我們可以通過繼承LinkedHashMap，重寫removeEldestEntry方法，即可完成一個簡單的LRUMap。

class LRUMap extends LinkedHashMap {private final int max;private Object lock;public LRUMap(int max, Object lock) {//無需擴容super((int) (max * 1.4f), 0.75f, true);this.max = max;this.lock = lock;}/*** 重寫LinkedHashMap的removeEldestEntry方法即可* 在Put的時候判斷，如果為true，就會刪除最老的* @param eldest* @return*/@Overrideprotected boolean removeEldestEntry(Map.Entry eldest) {return size() > max;}public Object getValue(Object key) {synchronized (lock) {return get(key);}}public void putValue(Object key, Object value) {synchronized (lock) {put(key, value);}}public boolean removeValue(Object key) {synchronized (lock) {return remove(key) != null;}}public boolean removeAll(){clear();return true;}}

在LinkedHashMap中維護了一個entry(用來放key和value的對象)鏈表。在每一次get或者put的時候都會把插入的新entry，或查詢到的老entry放在我們鏈表末尾。 可以注意到我們在構(gòu)造方法中，設(shè)置的大小特意設(shè)置到max*1.4，在下面的removeEldestEntry方法中只需要size>max就淘汰，這樣我們這個map永遠也走不到擴容的邏輯了，通過重寫LinkedHashMap，幾個簡單的方法我們實現(xiàn)了我們的LRUMap。

現(xiàn)代社會 - Guava cache

在近代社會中已經(jīng)發(fā)明出來了LRUMap,用來進行緩存數(shù)據(jù)的淘汰，但是有幾個問題:

• 鎖競爭嚴重，可以看見我的代碼中，Lock是全局鎖，在方法級別上面的，當調(diào)用量較大時，性能必然會比較低。
• 不支持過期時間
• 不支持自動刷新

所以谷歌的大佬們對于這些問題，按捺不住了，發(fā)明了Guava cache，在Guava cache中你可以如下面的代碼一樣，輕松使用:

public static void main(String[] args) throws ExecutionException {LoadingCache<String, String> cache = CacheBuilder.newBuilder().maximumSize(100)//寫之后30ms過期.expireAfterWrite(30L, TimeUnit.MILLISECONDS)//訪問之后30ms過期.expireAfterAccess(30L, TimeUnit.MILLISECONDS)//20ms之后刷新.refreshAfterWrite(20L, TimeUnit.MILLISECONDS)//開啟weakKey key 當啟動垃圾回收時，該緩存也被回收.weakKeys().build(createCacheLoader());System.out.println(cache.get("hello"));cache.put("hello1", "我是hello1");System.out.println(cache.get("hello1"));cache.put("hello1", "我是hello2");System.out.println(cache.get("hello1"));}public static com.google.common.cache.CacheLoader<String, String> createCacheLoader() {return new com.google.common.cache.CacheLoader<String, String>() {@Overridepublic String load(String key) throws Exception {return key;}};}

我將會從guava cache原理中，解釋guava cache是如何解決LRUMap的幾個問題的。

鎖競爭

guava cache采用了類似ConcurrentHashMap的思想，分段加鎖，在每個段里面各自負責自己的淘汰的事情。在Guava根據(jù)一定的算法進行分段，這里要說明的是，如果段太少那競爭依然很嚴重，如果段太多會容易出現(xiàn)隨機淘汰，比如大小為100的，給他分100個段，那也就是讓每個數(shù)據(jù)都獨占一個段，而每個段會自己處理淘汰的過程，所以會出現(xiàn)隨機淘汰。在guava cache中通過如下代碼，計算出應(yīng)該如何分段。

int segmentShift = 0;int segmentCount = 1;while (segmentCount < concurrencyLevel && (!evictsBySize() || segmentCount * 20 <= maxWeight)) {++segmentShift;segmentCount <<= 1;}

上面segmentCount就是我們最后的分段數(shù)，其保證了每個段至少10個Entry。如果沒有設(shè)置concurrencyLevel這個參數(shù)，那么默認就會是4，最后分段數(shù)也最多為4，例如我們size為100，會分為4段，每段最大的size是25。 在guava cache中對于寫操作直接加鎖，對于讀操作，如果讀取的數(shù)據(jù)沒有過期，且已經(jīng)加載就緒，不需要進行加鎖，如果沒有讀到會再次加鎖進行二次讀，如果還沒有就需要進行緩存加載，也就是通過我們配置的CacheLoader，我這里配置的是直接返回Key，在業(yè)務(wù)中通常配置從數(shù)據(jù)庫中查詢。 如下圖所示:

過期時間

相比于LRUMap多了兩種過期時間，一個是寫后多久過期expireAfterWrite，一個是讀后多久過期expireAfterAccess。很有意思的事情是，在guava cache中對于過期的Entry并沒有馬上過期(也就是并沒有后臺線程一直在掃)，而是通過進行讀寫操作的時候進行過期處理，這樣做的好處是避免后臺線程掃描的時候進行全局加鎖。看下面的代碼:

public static void main(String[] args) throws ExecutionException, InterruptedException {Cache<String, String> cache = CacheBuilder.newBuilder().maximumSize(100)//寫之后5s過期.expireAfterWrite(5, TimeUnit.MILLISECONDS).concurrencyLevel(1).build();cache.put("hello1", "我是hello1");cache.put("hello2", "我是hello2");cache.put("hello3", "我是hello3");cache.put("hello4", "我是hello4");//至少睡眠5msThread.sleep(10);System.out.println(cache.size());cache.put("hello5", "我是hello5");System.out.println(cache.size());} 輸出: 4 1

從這個結(jié)果中我們知道，在put的時候才進行的過期處理。特別注意的是我上面concurrencyLevel(1)我這里將分段最大設(shè)置為1，不然不會出現(xiàn)這個實驗效果的，在上面一節(jié)中已經(jīng)說過，我們是以段位單位進行過期處理。在每個Segment中維護了兩個隊列:

final Queue<ReferenceEntry<K, V>> writeQueue; final Queue<ReferenceEntry<K, V>> accessQueue;

writeQueue維護了寫隊列，隊頭代表著寫得早的數(shù)據(jù)，隊尾代表寫得晚的數(shù)據(jù)。 accessQueue維護了訪問隊列,和LRU一樣，我們用其來進行訪問時間的淘汰，如果當這個Segment超過最大容量，比如我們上面所說的25，超過之后，就會把accessQueue這個隊列的第一個元素進行淘汰。

void expireEntries(long now) {drainRecencyQueue();ReferenceEntry<K, V> e;while ((e = writeQueue.peek()) != null && map.isExpired(e, now)) {if (!removeEntry(e, e.getHash(), RemovalCause.EXPIRED)) {throw new AssertionError();}}while ((e = accessQueue.peek()) != null && map.isExpired(e, now)) {if (!removeEntry(e, e.getHash(), RemovalCause.EXPIRED)) {throw new AssertionError();}}}

上面就是guava cache處理過期Entries的過程，會對兩個隊列一次進行peek操作，如果過期就進行刪除。一般處理過期Entries可以在我們的put操作的前后，或者讀取數(shù)據(jù)時發(fā)現(xiàn)過期了，然后進行整個Segment的過期處理，又或者進行二次讀lockedGetOrLoad操作的時候調(diào)用。

void evictEntries(ReferenceEntry<K, V> newest) {///... 省略無用代碼while (totalWeight > maxSegmentWeight) {ReferenceEntry<K, V> e = getNextEvictable();if (!removeEntry(e, e.getHash(), RemovalCause.SIZE)) {throw new AssertionError();}}} /** **返回accessQueue的entry **/ ReferenceEntry<K, V> getNextEvictable() {for (ReferenceEntry<K, V> e : accessQueue) {int weight = e.getValueReference().getWeight();if (weight > 0) {return e;}}throw new AssertionError();}

自動刷新

自動刷新操作，在guava cache中實現(xiàn)相對比較簡單，直接通過查詢，判斷其是否滿足刷新條件，進行刷新。

其他特性

在Guava cache中還有一些其他特性:

虛引用

在Guava cache中，key和value都能進行虛引用的設(shè)定，在Segment中的有兩個引用隊列:

final @Nullable ReferenceQueue<K> keyReferenceQueue;final @Nullable ReferenceQueue<V> valueReferenceQueue;

這兩個隊列用來記錄被回收的引用，其中每個隊列記錄了每個被回收的Entry的hash，這樣回收了之后通過這個隊列中的hash值就能把以前的Entry進行刪除。

刪除監(jiān)聽器

在guava cache中，當有數(shù)據(jù)被淘汰時，但是你不知道他到底是過期，還是被驅(qū)逐，還是因為虛引用的對象被回收？這個時候你可以調(diào)用這個方法removalListener(RemovalListener listener)添加監(jiān)聽器進行數(shù)據(jù)淘汰的監(jiān)聽，可以打日志或者一些其他處理，可以用來進行數(shù)據(jù)淘汰分析。

在RemovalCause記錄了所有被淘汰的原因:被用戶刪除，被用戶替代，過期，驅(qū)逐收集，由于大小淘汰。

guava cache的總結(jié)

細細品讀guava cache的源碼總結(jié)下來，其實就是一個性能不錯的，api豐富的LRU Map。愛奇藝的緩存的發(fā)展也是基于此之上，通過對guava cache的二次開發(fā)，讓其可以進行java應(yīng)用服務(wù)之間的緩存更新。

走向未來-caffeine

guava cache的功能的確是很強大，滿足了絕大多數(shù)的人的需求，但是其本質(zhì)上還是LRU的一層封裝,所以在眾多其他較為優(yōu)良的淘汰算法中就相形見絀了。而caffeine cache實現(xiàn)了W-TinyLFU(LFU+LRU算法的變種)。下面是不同算法的命中率的比較:

其中Optimal是最理想的命中率，LRU和其他算法相比的確是個弟弟。而我們的W-TinyLFU 是最接近理想命中率的。當然不僅僅是命中率caffeine優(yōu)于了guava cache，在讀寫吞吐量上面也是完爆guava cache。

這個時候你肯定會好奇為啥這么caffeine這么牛逼呢？別著急下面慢慢給你道來。

W-TinyLFU

上面已經(jīng)說過了傳統(tǒng)的LFU是怎么一回事。在LFU中只要數(shù)據(jù)訪問模式的概率分布隨時間保持不變時，其命中率就能變得非常高。這里我還是拿愛奇藝舉例，比如有部新劇出來了，我們使用LFU給他緩存下來，這部新劇在這幾天大概訪問了幾億次，這個訪問頻率也在我們的LFU中記錄了幾億次。但是新劇總會過氣的，比如一個月之后這個新劇的前幾集其實已經(jīng)過氣了，但是他的訪問量的確是太高了，其他的電視劇根本無法淘汰這個新劇，所以在這種模式下是有局限性。所以各種LFU的變種出現(xiàn)了，基于時間周期進行衰減，或者在最近某個時間段內(nèi)的頻率。同樣的LFU也會使用額外空間記錄每一個數(shù)據(jù)訪問的頻率，即使數(shù)據(jù)沒有在緩存中也需要記錄，所以需要維護的額外空間很大。

可以試想我們對這個維護空間建立一個hashMap，每個數(shù)據(jù)項都會存在這個hashMap中，當數(shù)據(jù)量特別大的時候，這個hashMap也會特別大。

再回到LRU，我們的LRU也不是那么一無是處，LRU可以很好的應(yīng)對突發(fā)流量的情況，因為他不需要累計數(shù)據(jù)頻率。

所以W-TinyLFU結(jié)合了LRU和LFU，以及其他的算法的一些特點。

頻率記錄

首先要說到的就是頻率記錄的問題，我們要實現(xiàn)的目標是利用有限的空間可以記錄隨時間變化的訪問頻率。在W-TinyLFU中使用Count-Min Sketch記錄我們的訪問頻率，而這個也是布隆過濾器的一種變種。如下圖所示:

如果需要記錄一個值，那我們需要通過多種Hash算法對其進行處理hash，然后在對應(yīng)的hash算法的記錄中+1，為什么需要多種hash算法呢？由于這是一個壓縮算法必定會出現(xiàn)沖突，比如我們建立一個Long的數(shù)組，通過計算出每個數(shù)據(jù)的hash的位置。比如張三和李四，他們兩有可能hash值都是相同，比如都是1那 Long【1】 這個位置就會增加相應(yīng)的頻率，張三訪問1萬次，李四訪問1次那Long【1】這個位置就是1萬零1，如果取李四的訪問頻率的時候就會取出是1萬零1，但是李四明明只訪問了1次啊，為了解決這個問題，所以用了多個hash算法可以理解為long[][] 二維數(shù)組的一個概念，比如在第一個算法張三和李四沖突了，但是在第二個，第三個中很大的概率不沖突，比如一個算法大概有1%的概率沖突，那四個算法一起沖突的概率是1%的四次方。通過這個模式我們?nèi)±钏牡脑L問率的時候取所有算法中，李四訪問最低頻率的次數(shù)。所以他的名字叫Count-Min Sketch。


這里和以前的做個對比，簡單的舉個例子:如果用一個hashMap來記錄這個頻率，如果我有100個數(shù)據(jù)，那這個HashMap就得存儲100個這個數(shù)據(jù)的訪問頻率。哪怕我這個緩存的容量是1，因為LFU的規(guī)則我必須全部記錄這個100個數(shù)據(jù)的訪問頻率。如果有更多的數(shù)據(jù)我就有記錄更多的。

在Count-Min Sketch中，我這里直接說caffeine中的實現(xiàn)吧(在FrequencySketch這個類中),如果你的緩存大小是100，他會生成一個long數(shù)組大小是和100最接近的2的冪的數(shù)，也就是128。而這個數(shù)組將會記錄我們的訪問頻率。在caffeine中他規(guī)則頻率最大為15，15的二進制位1111，總共是4位，而Long型是64位。所以每個Long型可以放16種算法，但是caffeine并沒有這么做，只用了四種hash算法，每個Long型被分為四段，每段里面保存的是四個算法的頻率。這樣做的好處是可以進一步減少Hash沖突，原先128大小的hash，就變成了128X4。

一個Long的結(jié)構(gòu)如下:

我們的4個段分為A,B,C,D，在后面我也會這么叫它們。而每個段里面的四個算法我叫他s1,s2,s3,s4。下面舉個例子如果要添加一個訪問50的數(shù)字頻率應(yīng)該怎么做？我們這里用size=100來舉例。

首先確定50這個hash是在哪個段里面，通過hash & 3必定能獲得小于4的數(shù)字，假設(shè)hash & 3=0，那就在A段。

對50的hash再用其他hash算法再做一次hash，得到long數(shù)組的位置。假設(shè)用s1算法得到1，s2算法得到3，s3算法得到4，s4算法得到0。

然后在long[1]的A段里面的s1位置進行+1,簡稱1As1加1，然后在3As2加1，在4As3加1，在0As4加1。

這個時候有人會質(zhì)疑頻率最大為15的這個是否太小？沒關(guān)系在這個算法中，比如size等于100，如果他全局提升了1000次就會全局除以2衰減，衰減之后也可以繼續(xù)增加，這個算法在W-TinyLFU的論文中證明了其可以較好的適應(yīng)時間段的訪問頻率。

讀寫性能

在guava cache中我們說過其讀寫操作中夾雜著過期時間的處理，也就是你在一次Put操作中有可能還會做淘汰操作，所以其讀寫性能會受到一定影響，可以看上面的圖中，caffeine的確在讀寫操作上面完爆guava cache。主要是因為在caffeine，對這些事件的操作是通過異步操作，他將事件提交至隊列，這里的隊列的數(shù)據(jù)結(jié)構(gòu)是RingBuffer,不清楚的可以看看這篇文章,你應(yīng)該知道的高性能無鎖隊列Disruptor。然后會通過默認的ForkJoinPool.commonPool()，或者自己配置的線程池，進行取隊列操作，然后再進行后續(xù)的淘汰，過期操作。

當然讀寫也是有不同的隊列，在caffeine中認為緩存讀比寫多很多，所以對于寫操作是所有線程共享一個Ringbuffer。

對于讀操作，它比寫操作更加頻繁，為進一步減少競爭，其為每個線程配備了一個RingBuffer：

數(shù)據(jù)淘汰策略

在caffeine所有的數(shù)據(jù)都在ConcurrentHashMap中，這個和guava cache不同，guava cache是自己實現(xiàn)了個類似ConcurrentHashMap的結(jié)構(gòu)。在caffeine中有三個記錄引用的LRU隊列:

• Eden隊列:在caffeine中規(guī)定只能為緩存容量的%1,如果size=100,那這個隊列的有效大小就等于1。這個隊列中記錄的是新到的數(shù)據(jù)，防止突發(fā)流量由于之前沒有訪問頻率，而導致被淘汰。比如有一部新劇上線，在最開始其實是沒有訪問頻率的，防止上線之后被其他緩存淘汰出去，而加入這個區(qū)域。Eden區(qū)，最舒服最安逸的區(qū)域，在這里很難被其他數(shù)據(jù)淘汰。

• Probation隊列:叫做緩刑隊列，在這個隊列就代表你的數(shù)據(jù)相對比較冷，馬上就要被淘汰了。這個有效大小為size減去eden減去protected。

• Protected隊列:在這個隊列中，可以稍微放心一下了，你暫時不會被淘汰，但是別急，如果Probation隊列沒有數(shù)據(jù)了或者Protected數(shù)據(jù)滿了，你也將會被面臨淘汰的尷尬局面。當然想要變成這個隊列，需要把Probation訪問一次之后，就會提升為Protected隊列。這個有效大小為(size減去eden) X 80% 如果size =100，就會是79。

這三個隊列關(guān)系如下:

• 所有的新數(shù)據(jù)都會進入Eden。
• Eden滿了，淘汰進入Probation。
• 如果在Probation中訪問了其中某個數(shù)據(jù)，則這個數(shù)據(jù)升級為Protected。
• 如果Protected滿了又會繼續(xù)降級為Probation。

對于發(fā)生數(shù)據(jù)淘汰的時候，會從Probation中進行淘汰，會把這個隊列中的數(shù)據(jù)隊頭稱為受害者，這個隊頭肯定是最早進入的，按照LRU隊列的算法的話那他其實他就應(yīng)該被淘汰，但是在這里只能叫他受害者，這個隊列是緩刑隊列，代表馬上要給他行刑了。這里會取出隊尾叫候選者，也叫攻擊者。這里受害者會和攻擊者做PK，通過我們的Count-Min Sketch中的記錄的頻率數(shù)據(jù)有以下幾個判斷:

• 如果攻擊者大于受害者，那么受害者就直接被淘汰。
• 如果攻擊者<=5，那么直接淘汰攻擊者。這個邏輯在他的注釋中有解釋:
  
  他認為設(shè)置一個預熱的門檻會讓整體命中率更高。
• 其他情況，隨機淘汰。

如何使用

對于熟悉Guava的玩家來說如果擔心有切換成本，那么你完全就多慮了，caffeine的api借鑒了Guava的api，可以發(fā)現(xiàn)其基本一模一樣。

public static void main(String[] args) {Cache<String, String> cache = Caffeine.newBuilder().expireAfterWrite(1, TimeUnit.SECONDS).expireAfterAccess(1,TimeUnit.SECONDS).maximumSize(10).build();cache.put("hello","hello");}

順便一提的是，越來越多的開源框架都放棄了Guava cache，比如Spring5。在業(yè)務(wù)上我也自己曾經(jīng)比較過Guava cache和caffeine最終選擇了caffeine，在線上也有不錯的效果。所以不用擔心caffeine不成熟，沒人使用。

最后

本文主要講了愛奇藝的緩存之路和本地緩存的一個發(fā)展歷史(從古至今到未來），以及每一種緩存的實現(xiàn)基本原理。當然要使用好緩存光是這些僅僅不夠，比如本地緩存如何在其他地方更改了之后同步更新，分布式緩存，多級緩存等等。后面也會專門寫一節(jié)介紹這個如何用好緩存。對于Guava cache和caffeine的原理后面也會專門抽出時間寫這兩個的源碼分析，如果感興趣的朋友可以關(guān)注公眾號第一時間查閱更新文章。

作者：公眾號_咖啡拿鐵
原文鏈接：https://juejin.im/post/6844903660653117447
來源：掘金

超強干貨來襲 云風專訪：近40年碼齡，通宵達旦的技術(shù)人生

總結(jié)

以上是生活随笔為你收集整理的你应该知道的缓存进化史的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。