作者：京東云開發者-京東保險郭盼

1、簡介

小編最近在使用系統的時候，發現盡管應用已經使用了 redis 緩存提高查詢效率，但是仍然有進一步優化的空間，于是想到了比分布式緩存性能更好的本地緩存，因此對領域內常用的本地緩存進行了一番調研，有早期的 Guava 緩存、在 Guava 上進一步傳承的 Caffine 以及自稱在 Java 中使用最廣泛的 EhCache，那么我們該怎么選擇適合自己應用的緩存呢，小編下面會簡單介紹，并將以上緩存進行一個對比，希望幫助大家選擇最適合自己系統的本地緩存。

2、Guava 緩存簡介

Guava cache 是 Google 開發的 Guava 工具包中一套完善的 JVM 本地緩存框架，底層實現的數據結構類似于 ConcurrentHashMap，但是進行了更多的能力拓展，包括緩存過期時間設置、緩存容量設置、多種淘汰策略、緩存監控等，下面簡單介紹下這些功能及其使用方式。

2.1、緩存過期時間設置

Guava 的過期時間設置有基于創建時間和最后一次訪問時間兩種策略. (1) 基于創建時間 通過對比緩存記錄的插入時間來判斷，比如設置過期時間為 5 分鐘，不管中間有沒有訪問，到時過期。

public Cache createCache() {    
    return CacheBuilder.newBuilder()
    .expireAfterWrite(5L, TimeUnit.MINUTES)
    .build();
}

(2) 基于過期時間

通過對比最近最后一次的訪問時間，比如設置 5 分鐘，每次訪問之后都會刷新過期時間為 5 分鐘，只有持續 5 分鐘沒有被訪問到才會過期。

public Cache createCache() {    
    return CacheBuilder.newBuilder()
    .expireAfterAccess(5L, TimeUnit.MINUTES)
    .build();
}

2.2、緩存容量和淘汰策略設置

Guava cache 是內存型緩存，有內存溢出風險，因此需要設置緩存的最大存儲上限，通過緩存的條數或每條緩存的權重來判斷是否達到了設定閾值，當緩存的數據量達到設定閾值之后，Guava cache 支持使用 FIFO 和 LRU 的策略對緩存記錄采取淘汰的措施。

（1）限制緩存記錄條數

public Cache createCache() {    
    return CacheBuilder.newBuilder()
    .maximumSize(100L)
    .build();
}

（2）限制緩存記錄權重

public Cache createCache() {    
    return CacheBuilder.newBuilder()
    .maximumWeight(100L)
    .weigher((key, value) -> (int) Math.ceil(instrumentation.getObjectSize(value) / 1024L))       
    .build();
}

使用限制緩存記錄權重時要先計算 weight 的 value 對象的字節數，每 1kb 字節作為一個權重，對比限制緩存記錄，我們就能將緩存的總占用限制在 100kb 左右。

2.3 緩存監控

緩存記錄的加載和命中情況是評價緩存處理能力的重要指標，Guava cache 提供了 stat 統計日志對這兩個指標進行了統計，我們只需要在創建緩存容器的時候加上 recordStats 就可以開啟統計。

public Cache createCache() {    
    return CacheBuilder.newBuilder()
    .recordStats()
    .build();
}

2.4 Guava cache 的優劣勢和適用場景

優劣勢：Guava cache 通過內存處理數據，具有減少 IO 請求，讀寫性能快的優勢，但是受內存容量限制，只能處理少量數據的讀寫，還有可能對本機內存造成壓力，并且在分布式部署中，會存在不同機器節點數據不一致的情況，即緩存漂移。 適用場景：讀多寫少，對數據一致性要求不高的場景。

3、Caffeine 簡介

Caffeine 同樣是 Google 開發的，是在 Guava cache 的基礎上改良而來的，底層設計思路、功能和使用方式與 Guava 非常類似，但是各方面的性能都要遠遠超過前者，可以看做是 Guava cache 的升級版，因此，之前使用過 Guava cache，也能夠很快的上手 Caffeine，下面是 Caffeine 和 Guava cache 的緩存創建對比，基本可以無門檻過渡。

public Cache createCache() {
    return Caffeine.newBuilder()
        .initialCapacity(1000)
        .maximumSize(100L)
        .expireAfterWrite(5L, TimeUnit.MINUTES)

        .recordStats()
        .build();
}

public Cache createCache() {    
    return CacheBuilder.newBuilder()
    .initialCapacity(1000)
    .maximumSize(100L)
    .expireAfterWrite(5L, TimeUnit.MINUTES)
    .recordStats()
    .build();
}

那么 Caffeine 底層又做了哪些優化，才能讓其性能高于 Guava cache 呢？主要包含以下三點：

3.1、對比 Guava cache 的性能主要優化項

（1）異步策略 Guava cache 在讀操作中可能會觸發淘汰數據的清理操作，雖然自身也做了一些優化來減少讀的時候的清理操作，但是一旦觸發，就會降低查詢效率，對緩存性能產生影響。而在 Caffeine 支持異步操作，采用異步處理的策略，查詢請求在觸發淘汰數據的清理操作后，會將清理數據的任務添加到獨立的線程池中進行異步操作，不會阻塞查詢請求，提高了查詢性能。

（2）ConcurrentHashMap 優化

Caffeine 底層都是通過 ConcurrentHashMap 來進行數據的存儲，因此隨著 Java8 中對 ConcurrentHashMap 的調整，數組 + 鏈表的結構升級為數組 + 鏈表 + 紅黑樹的結構以及分段鎖升級為 syschronized+CAS，降低了鎖的粒度，減少了鎖的競爭，這兩個優化顯著提高了 Caffeine 在讀多寫少場景下的查詢性能。

（3）新型淘汰算法


W-TinyLFU 傳統的淘汰算法，如 LRU、LFU、FIFO，在實際的緩存場景中都存在一些弊端，如 FIFO 算法，如果緩存使用的頻率較高，那么緩存數據會一直處在進進出出的狀態，間接影響到緩存命中率。

LRU 算法，在批量刷新緩存數據的場景下，可能會將其他緩存數據淘汰掉，從而帶來緩存擊穿的風險。

LFU 算法，需要保存緩存記錄的訪問次數，帶來內存空間的損耗。

因此，Caffeine 引入了 W-TinyLFU 算法，由窗口緩存、過濾器、主緩存組成。緩存數據剛進入時會停留在窗口緩存中，這個部分只占總緩存的 1%，當被擠出窗口緩存時，會在過濾器匯總和主緩存中淘汰的數據進行比較，如果頻率更高，則進入主緩存，否則就被淘汰，主緩存被分為淘汰段和保護段，兩段都是 LRU 算法，第一次被訪問的元素會進入淘汰段，第二次被訪問會進入保護段，保護段中被淘汰的元素會進入淘汰段，這種算法實現了高命中率和低內存占用。

3.2、Caffeine 的優劣勢和適用場景

優勢：對比 Guava cache 有更高的緩存性能，劣勢：仍然存在緩存漂移的問題；JDK 版本過低無法使用 適用場景：1、適用場景：讀多寫少，對數據一致性要求不高的場景；2、純內存緩存，JDK8 及更高版本中，追求比 Guava cache 更高的性能。

4、Ehcache 簡介

Guava cache 和 Caffeine 都是 JVM 緩存，會受到內存大小的制約，最新的 Ehcache 采用堆內緩存 + 堆外緩存 + 磁盤的方式，打破了這一制約。堆內緩存就是被 JVM 管理的那一部分緩存，而堆外緩存，就是在內存中另外在開辟一塊不被 JVM 管理的部分。堆外緩存這部分既可以享受內存的高速讀寫能力，而且又避免的 JVM 頻繁的 GC，缺點是需要自行清理數據。

下面是 Ehcache 緩存的創建，指定了堆內、堆外緩存和磁盤緩存的大小。

ResourcePoolsBuilder.newResourcePoolsBuilder()
    .heap(20, MemoryUnit.MB)
    .offheap(10, MemoryUnit.MB)
    .disk(5, MemoryUnit.GB);

為了解決緩存漂移的問題，Ehcache 支持通過集群的方式，實現了分布式節點之間的數據互通。關于 Ehcache 的集群策略，后續文章再詳細闡述。

5、不同本地緩存對比

框架	命中率	速度	回收算法	使用難度	集群	適用場景
Guava cache	中	第三	LRU、LFU、FIFO	易	不支持	讀多寫少，允許少量緩存偏移
Caffeine	高	第一	W-TinyLFU	易	不支持	讀多寫少，允許少量緩存偏移，能用 Caffeine 就別用 Guava cache
Ehcache	中	第二	LRU、LFU、FIFO	中	支持	分布式系統中對數據一致性要求高

審核編輯：湯梓紅