一、为什么用缓存
1.1 空间换时间：
缓存是针对读多写少的场景典型的以空间换时间的操作
空间：内存
时间：读内存速度快(相对于读磁盘)
1.2 局部性原理：
这个世界很多事情都符合 2/8 原则
把热点数据缓存起来就大大提高系统效率
二、缓存组件介绍
2.1 Ehcache
- 快速，针对大型高并发系统场景，Ehcache 的多线程机制有相应的优化改善;
- 简单，很小的 jar 包，简单配置就可直接使用，单机场景下无需过多的其他服务依赖;
- 支持多种的缓存策略，灵活;
- 缓存数据有两级：内存和磁盘，与一般的本地内存缓存相比，有了磁盘的存储空间，将可以支持更大量的数据缓存需求;
- 具有缓存和缓存管理器的侦听接口，能更简单方便的进行缓存实例的监控管理;
- 支持多缓存管理器实例，以及一个实例的多个缓存区域;
2.2 Guava
- 自动将 entry 节点加载进缓存结构中；
- 当缓存的数据超过设置的最大值时，使用 LRU 算法移除；
- 具备根据 entry 节点上次被访问或者写入时间计算它的过期机制；
- 缓存的 key 被封装在 WeakReference 引用内；
- 缓存的 Value 被封装在W eakReference 或 SoftReference 引用内；
- 统计缓存使用过程中命中率、异常率、未命中率等统计数据;
2.3 Memcache
- memcache 使用预分配内存池的方式管理内存;
- 所有数据存储在物理内存里;
- 非阻塞 I/O 复用模型，纯 KV 存取操作;
- 多线程，效率高，会遇到锁等，上下文切换问题;
- 只支持简单 KV 数据类型;
- 数据不支持持久化;
2.4 Redis
- 临时申请空间，可能导致碎片;
- 有 VM 机制，能存储更多数据，超过内存空间后会导致 swap，降低效率;
- 非阻塞 I/O 复用模型，支持额外 CPU 计算：排序、聚合，会影响 I/O 性能;
- 单线程，无锁，无上下文切换，单实例无法利用多核性能;
- 支持多种数据类型：string / hash / list / set / sorted set
- 数据支持持久化：AOF(语句增量) / RDB(fork全量)
- 天然支持高可用分布式方案 sentinel + cluster (故障自动转移+集群)
三、正确使用缓存
3.1 读场景
先读缓存、再读DB
如果是并发读缓存失效，使用分布式锁只允许单次查询，其它等待，超时返回失败
3.2 写场景
cache 指的是删除『缓存』
db 指的是『更新/删除数据库』
3.2.1 先 cache 后 db
删除缓存成功，更新数据库失败，不影响数据准确性。
如果在 cache 与 db 短暂的时间内
有访问查询动作(先查缓存，后查 db 并且设置缓存)
那么还缓存中还是会存在过期的数据
3.2.2 先 db 后 cache
如果 db 成功，cache 失败，会导致数据不一致。
可以让 db cache 在一个事务，cache 失败回滚 db，保证一致性。
3.2.3 方案总结
其实本质上就是个分布式事务问题
怎么保证两个操作同时成功/失败
通过本地事务 / 补偿机制 实现会比较好
四、缓存问题集合
4.1 缓存穿透
解决方案：当查询到某数据不存在时，缓存假数据，例如：(key,key#);
4.2 缓存雪崩
缓存高可用(集群+主备)
循环一致性 Hash，节点组成一个环，如果一个节点挂了，顺着往下走;