1.引入缓存的影响
我们在开发时，用到缓存的情况，无非就是为了减少客户端对相同资源的重复请求，降低服务器的负载压力。引入缓存后，既有好处也有坏处
引入缓存负面影响：
-
开发角度，增加了系统复杂度，需考虑缓存失效、更新、一致性问题
-
运维角度，缓存会掩盖一些缺陷问题
-
安全角度，缓存可能泄密某些保密数据
引入缓存的理由：
-
为了缓解CPU压力，将实时计算运行结果存储起来，节省CPU压力
-
为了缓解I/O压力，将原本对网络、磁盘的访问改为对内存的访问
2.缓存的属性
选择缓存时，主要考虑吞吐量、命中率、扩展功能、分布式支持。 前3个这篇文章会讲，下一篇再讲分布式缓存
2.1吞吐量
并发场景下，每秒操作数OPS，反映了缓存的工作效率
如Java8并发包的ConcurrentHashMap，线程安全实现原理是CAS+synchronized锁单个元素。但是该类仅有缓存功能，没有命中率、淘汰策略、缓存统计等功能
并发场景下，不可避免的会有读写数据带来的状态竞争问题，当前有2种处理套路：
-
以Guava Cache为代表的同步处理机制：在访问缓存数据时，一并完成缓存淘汰、统计、失效等状态变更操作，通过分段加锁等优化手段来尽量减少数据竞争。
-
以Caffeine为代表的异步日志提交机制：参考经典的数据库设计理论，把对数据的读、写过程看作是日志（即对数据的操作指令）的提交过程。
Caffeine使用了环形缓冲区来记录状态变动日志，为进一步减少数据竞争，Caffeine给每个线程都设置了专用的环形缓冲区，如下是Wikipedia上的环形缓冲示意：
环形缓冲区结构中，读取和写入是一起进行的，只要读取指针不落后于写指针一圈，这个操作可以永久进行下去，容纳无限多的新字符。
如果不满足，则必须阻塞写指针，等待读取清空缓冲区
2.2 命中率与淘汰策略
缓存的容量是有限的，也因此需要自动地实现淘汰低价值目标，也就是缓存淘汰策略
主要实现方案有三种：
第一种：FIFO（First In First Out）
即优先淘汰最早进入被缓存的数据。FIFO 的实现十分简单，但一般来说，越是频繁被用到的数据，往往越会早早地被存入缓存之中。
所以这种淘汰策略，很可能会大幅降低缓存的命中率
第二种：LRU（Least Recent Used）
即优先淘汰最久未被使用访问过的数据。LRU 通常会采用 HashMap 加 LinkedList 的双重结构（如 LinkedHashMap）来实现。每次缓存命中时，将命中对象调整到LinkedList的头部，每次淘汰从链表尾部清理
存在问题：如果热点数据一段时间没被访问，就会被淘汰；
第三种：LFU（Least Frequently Used）
优先淘汰最不经常使用的数据。LFU 会给每个数据添加一个访问计数器，每访问一次就加 1，当需要淘汰数据的时候，就清理计数器数值最小的那批数据。
缺点：每个数据都需要维护计数器，不便于处理随时间变化的热点数据
以上只是列了三种基础的淘汰策略，实际Caffeine 官方还制定了两种高级淘汰策略：ARC（Adaptive Replacement Cache）和LIRS（Low Inter-Reference Recency Set），更复杂的淘汰策略都是为了提高命中率的。
3.扩展功能
缓存不是只实现一个Map接口就可以的，还需要一些额外的功能，下面列出缓存的扩展功能：
-
加载器：从被动放入，变为主动通过加载器去加载指定 Key 值的数据
-
淘汰策略：支持用户根据需要自行选择淘汰策略
-
失效策略：缓存数据在超过一定时间内自动失效，Redis的策略是定时删除、定期删除、惰性删除
-
事件通知：提供事件监听器，在数据状态变动时进行一些额外操作
-
并发级别：如Guava Cache通过分段加锁来实现缓存的并发设置
-
容量控制：设置初始容量和最大容量
-
统计信息：命中率、平均加载时间、自动回收计数等信息
-
持久化：将缓存数据存储到数据库或者磁盘
4.本地缓存对比
标签：缓存,架构,策略,命中率,访问,分布式系统,淘汰,数据 From： https://blog.csdn.net/kfashfasf/article/details/145222190文章转载自：卷福同学