微分享-高并发下的缓存实战

场景

统计一个批量接口会有多少数据，这个接口的QPS在100万级别。有几种方案：

1. 每次调用都串行计算一次；
2. 每次调用使用线程池并行计算。

由于并发量特别的大，第1种场景肯定不适合，这会把相应时间拉长。第二种方法每次请求过来都放到一个线程池里面请求，比第一种强很多，用这种方式基本上可以解决80%左右的需求了。那么还有能优化的地方么？答案是有的。

Cache + 线程池

一般在大的公司都有一些监控系统，可以将监控的数据上报到监控系统中。上面两个场景都是每次请求都会调用上报接口，这样特别浪费资源也可能出现性能问题。是否可以想一个办法减少上报次数呢？我们可以使用cache汇总在一起，打包通过线程池异步上报。是不是这种方式会更好一些。

实现

怎么实现呢？ 首先我们需要一个cache，这次我们使用Guava Cache。

Guava Cache 是google开发开源项目Guava中带有的功能，只提供堆缓存，也就是说重启机器后就没有了，特点：小巧玲珑，性能最好。

private volatile static Cache<String, MutableInt> metricCache = null;public static Cache<String, MutableInt> getMetricCache(){    if (metricCache == null) {        synchronized (this) {            if (metricCache == null) {                metricCache = initMetricCache();                return metricCache;            }        }    }    return metricCache;}private static Cache<String, MutableInt> initMetricCache(){    Cache<String, MutableInt> initMetricCache = CacheBuilder.newBuilder()            // 设置缓存个数            .maximumSize(1024)            // 设置cache中的数据在写入之后的存活时间为1秒            .expireAfterWrite(1, TimeUnit.MINUTES)            // 设置并发数为8，即同一时间最多只能有5个线程往cache执行写入操作             .concurrencyLevel(8)            // 声明一个监听器，缓存项被移除时做一些额外操作。这里使用异步线程池的形式实现，更加高效。            .removalListener(RemovalListeners.asynchronous(new RemovalListener<String, MutableInt>(){                @Override                public void onRemoval(RemovalNotification<String, MutableInt> notification) {                    // 删除后的逻辑操作，这里是上报到监控系统中                     metricForCount(notification.getKey(), notification.getValue().intValue());                }            },            // 自定义线程池，这里就不在把实现的代码粘进来了             taskExecutor.getTaskExecutor()))            .build();    return initMetricCache;}

对上面的代码进行分析:

• CacheBuilder.newBuilder()创建一个Guava Cache，设置一些配置;
• 在调用时考虑到高效性，使用了一个小技巧延迟加载，参考getMetricCache()实现；
• 在Guava Cache中使用removalListener特性，结合我们的需求，当统计记录达到一定的数量后，删除掉并在监听的线程池中实现上报。

应用

看着很牛B，怎么使用呢？

    public static void logMetricForCount(final String key, final int count) {        try {            MutableInt logMetric = getMetricCache().get(key, new Callable<MutableInt>() {                @Override                public MutableInt call() throws Exception {                    return new MutableInt(0);                }            });            // 计数            logMetric.add(count);            if(logMetric.intValue() > 500){                // 当计数达到500个时删除此key，从而触发上面配置的removalListener                getMetricCache().invalidate(key);            }        } catch (Exception e) {            logger.warn("统计{}信息次数{}异常", key, count, e);        }    }

在实战的计数操作，apache提供了MutableInt专门用于高效计数的类。还使用到Guava Cache的特性。

MutableInt logMetric = getMetricCache().get(key, new Callable<MutableInt>() {                @Override                public MutableInt call() throws Exception {                    return new MutableInt(0);                }            });

当没有get到数据时，自动初始化一个。是不是很棒！
代码是不是就到此结束了？ 不是的。我们在开发代码时需要考虑高效。Guava Cache在设计时也考虑到高效性，不过如果不仔细阅读使用文档，也会给自己买坑。

Guava Cache清理什么时候发生？使用CacheBuilder构建的缓存不会”自动”执行清理和回收工作，也不会在某个缓存项过期后马上清理，也没有诸如此类的清理机制。相反，它会在写操作时顺带做少量的维护工作，或者偶尔在读操作时做——如果写操作实在太少的话。
如果你的缓存是高吞吐的，那就无需担心缓存的维护和清理等工作。如果你的 缓存只会偶尔有写操作，而你又不想清理工作阻碍了读操作，那么可以创建自己的维护线程，以固定的时间间隔调用Cache.cleanUp()。ScheduledExecutorService可以帮助你很好地实现这样的定时调度。

对于高并发量的情况下，我们还需要写一个线程去定时cleanUp。

Runnable metrciCacheCleanUpTask = new Runnable() {    @Override    public void run() {                getMetricCache().cleanUp();            } catch (Exception e) {            logger.error("定时cleanUp方法异常",e);        }    }};// 使用线程池每分钟执行一次commTaskScheduler.scheduleWithFixedDelay(metrciCacheCleanUpTask, 60000);

线程池相关的实现可以参考我以前的blog，微分享-spring线程池实战

Guava Cache CacheLoader还提供了数据加载机制，有兴趣的话可以研究一下。

参考：
[Google Guava] 3-缓存