高性能程序设计，缓存为王

背景

我们在程序设计时，有一个极其重要的非功能性指标：性能，总是无时无刻不缠绕在程序员的脑海，尤其是我们开发的面向大众的Web服务，网络接口等程序。
高性能的程序可以使用更少的服务器资源提供同样规模的用户请求（成本低），也可以更快的响应用户请求（体验好）。
当然，高性能的程序设计也会更加复杂，开发也有更大难度。
这次的内容，我们面向高性能程序设计方向，来讲一讲其中最核心最重要的缓存。
希望能够帮助大家更好的理解缓存为王的含义，也能更好的利用缓存，设计出高性能的程序。

大纲：

• 1 高性能程序与时间、空间的关系
• 2 无处不在的缓存，硬件与软件
• 3 系统中的缓存设计

• 4 总结，缓存为王

  0 找找看，人体中的缓存、缓冲区

  
  头

• 大脑的短时记忆和长期记忆，外部持久存储的书籍

• 短期、长期记忆，比临时查阅书籍更快、更灵活
• 计算机有非常强大的存储、检索和运算能力，可以作为大脑非常好的补充
  颈椎
• 上接头部，下衔接胸椎，承上启下，多节
• 头部与胸部的衔接，保证灵活性
• 颈椎病、腰间盘突出，问题是类似的，长期保持同一个姿势造成无法修复的劳损
• 建议多做以下动作：上九天揽月，下五洋捉鳖，简化后就是“抬头，转体”
  胸腹
• 大量的冗余空间，孕妇和胖子的潜力
• 更大的冗余区，更好地支持生育和度过饥荒
• 可惜，时代变了，审美变了，这倒是成了缺点
  关节
• 软骨、关节腔，避免骨头硬碰硬和磨损
• 提供了足够的灵活性，减少冲击和磨损
• 既要硬，又要灵活，还要做杠杆运动，真是难为了关节
  脚
• 减震
• 扁平足，失去了减震和缓冲

• NBA球星麦迪就是扁平足，而且他的技术动作不合理，所以一直受伤病困扰

  1 高性能程序与时间、空间的关系

  
  哪种地铁闸机，占用空间小、过关快、体验好、可靠性好、安全性好？还有更多类型的闸机可以比较的。

  1.1 性能，速度与时间

• 吞吐率：单位时间内处理的请求数

• 吞吐量：对网络、设备、端口、虚电路或其他设施，单位时间内成功地传送数据的数量
• TPS：每秒钟系统能够处理事务或交易的数量

• 性能=速度=数量/时间，单位时间内处理的数量越多，性能越好
  关注程序性能，首先要关注单次请求的执行时间，10ms的等待时长肯定是要比100ms的执行时间要更好。然后就是在压力测试下（并发&集群），我们会关注上面的吞吐率、吞吐量、TPS这些关键指标。

  1.2 系统性能预估

  CPU密集型，如：数据排序
  假设：单次请求耗时 Tms，服务器CPU数量 C核，集群的服务器数量S台
  QPS=1000/T_C_S (公式是理想状态，单机、分布式并发中无共享无状态)
  IO密集型，如：依赖大量网络API/数据库/文件（IO耗时）
  假设：单次请求耗时 Tms，服务器CPU数量 C核，集群的服务器数量S台，IO耗时1/2Tms
  QPS=1000/(T-1/2T)_C_S(理想状态下，API不是瓶颈)
  服务线程数量预估
  CPU密集型，线程数量与CPU数量一致（redis）
  IO密集型，要考虑IO的开销，适当放大线程数量，如：1/2时间在IO中，那么线程数量可以是CPU的2倍(Java Web的线程数，PHP-fpm的进程数)
  增加CPU数量，涉及到并发编程。
  增加服务器数量，涉及到分布式系统设计。
  所以，提高系统性能，还需要提高并发编程的能力，提高分布式系统设计的能力。

  1.3 降低单次请求执行时间

  减少CPU运算量
  简化运算逻辑，优化算法（少循环，少编解码等）
  简化数据结构，降低时间复杂度，减少内存复制
  减少IO耗时
  减少API/数据库/文件的依赖
  优化API/数据库/文件的性能
  利用缓存
  缓存复杂运算后的结果
  缓存IO的返回值
  最好的优化手段就是砍需求，没有代码就有最好的性能。

  1.4 缓存，空间换时间

  增加的缓存空间
  缓存IO返回值
  缓存运算结果
  缓存IO返回值以及运算结果
  增加的处理逻辑
  缓存数据的读取和验证
  数据更新到缓存
  减少的处理时间
  减少IO耗时
  减少大量的CPU运算
  离CPU越近的数据，处理越快；减少的处理逻辑就是优化的时间。缓存就是这个法宝。

  1.5 缓存，是否多多益善

  下面三种情况建议尽量使用缓存来做优化。
  减少的处理时间显著（性能差异明显）
  原来的逻辑太复杂，性能很低下，如：超过50ms
  原来的IO耗时太长，如：网络延时超过50ms，或者IO处理耗时超过50ms
  增加空间有限（成本提高）
  缓存的数据空间尽量小，如果实在很大，可以考虑把数据压缩后缓存，如：博文正文页（计算换空间）
  缓存数据的位置，可以在进程内，外部服务进程，甚至文件、数据库中（缓存后速度比缓存前的性能提高明显才有益）
  单个实例进程的容量尽量别太大（超过16G，32G），以减小迁移、重启、故障造成的影响（运维的负担也不能忽视）
  增加的处理有限（开发难度，运算次数）
  避免缓存频繁失效（命中率太低）
  避免缓存频繁更新（数据一致性复杂）

  1.6 总结，高性能程序与时间、空间的关系

  高性能程序设计，重点关注
  方法一，减少单个请求的处理时间（程序优化）
  方法二，增加CPU，线性提高系统的吞吐率（并发编程）
  方法三，增加集群的服务器，线性提高系统的吞吐率（分布式系统设计）
  空间换时间，缓存的优势
  场景一，缓存前的处理速度太慢，IO耗时太长（超过50ms）
  场景二，缓存数据具有极高的命中率（超过90%，理想是100%）
  避免缓存的陷阱
  场景一，程序没有高性能需求，程序原本性能已经非常高（不要为缓存而优化）
  场景二，缓存容量爆炸性增长（成本太高）
  场景三，缓存数据更新太频繁（命中率低，数据一致性差）

  2 无处不在的缓存，硬件与软件

  

• CPU与内存

• 硬盘
• 网卡
• 操作系统
• 程序设计语言
• Web服务器和数据库
• CDN内容分发网络
• DNS域名解析

• Web浏览器

  2.1 CPU与内存

  
  CPU内的寄存器/L1/L2/L3

• 速度不一样

• 容量不一样
• 成本不一样
  计算机内存
• 容量更大
• 成本更低

• 速度稍慢（比硬盘、网络快很多）
  更多参考： 并发编程与锁的底层原理

  2.2 硬盘内的缓存

  
  SATA传来的数据和盘片的实际操作间加一个缓冲

• HDD的延迟是ms级别，缓存是ns级，相差数万倍

• 缓存容量增加，提高命中率
• 突然掉电导致数据丢失的风险增大
• 固态混合硬盘，内置8G/16G固态硬盘，缓存容量更大

• 固态硬盘，随机读写速度更快
  为什么机械硬盘的缓存不是越大越好？
  缓存容量增加，带来的成本提高，突然掉电导致数据丢失的风险增大

  2.3 网卡的发送/接收缓存

  发送缓存

• 网卡有包就发，包太多了就放入缓存队列，缓存满了就丢包并且告诉系统丢包了

• TCP协议具有流控和拥塞检测功能，防止发包太快造成丢包(UDP不可靠传输)
  接收缓存
• 网卡接收数据，放入接收缓存，一次数据接收完成后，网卡驱动程序，向CPU发送信号，提示网卡有新数据到来。

• 操作系统从网卡的接收缓冲队列中读取数据，交给应用程序处理。

  2.4 操作系统的缓存

  缓冲文件系统

• 在内存开辟一个“缓冲区”，为程序中的每一个文件使用(读写文件先操作缓冲区)

• fopen, fclose, fread, fwrite, fgetc, fgets, fputc, fputs, freopen, fseek, ftell, rewind等
  网络相关缓存设置
• /proc/sys/net/core/wmem_max 最大socket写buffer
• /proc/sys/net/core/rmem_max 最大socket读buffer
• /proc/sys/net/ipv4/tcp_wmem TCP写buffer
• /proc/sys/net/ipv4/tcp_rmem TCP读buffer
• /proc/sys/net/core/netdev_max_backlog 进入包的最大设备队列
• /proc/sys/net/core/somaxconn listen()的默认参数,挂起请求的最大数量
• /proc/sys/net/ipv4/tcp_max_syn_backlog 进入SYN包的最大请求队列
  操作系统磁盘缓存，可以减少磁盘机械操作。
  更多参考：
• 不带缓冲区open和带缓冲区的fopen的区别

• linux 内核参数优化

  2.5 程序设计语言的缓存

  
  PHP的缓存

• opcache，省去了PHP源码到opcode的转换过程，并且保证脚本对应的opcode都保存在内存中

• apcu，共享内存，缓存PHP程序中的用户数据
  Java的缓存
• JIT，运行时生成机器码，比Java编译器优化后的bytecode性能更好

• ehcache，缓存数据有两级：内存和磁盘
  编程语言的版本升级，我们最关注的除了语言特性的变化，还有就是关于性能的提升。其中有优化数据结构的，也有优化GC的，当然也有引入缓存/JIT这些技术。

  2.6 Web服务器和数据库

  nginx中的缓存

• 减少应用服务器请求

• proxy_cache，内容缓存在本地文件中
  mysql中的缓存
• 减少文件系统I/O
• SqlSession，直接返回结果（四种失效情况：Sql不同，条件不同，增删改操作，清空了缓存）
• sort_buffer_size 排序缓冲区大小，超过的时候就用到磁盘中排序
• join_buffer_size 每个联合查询分配的缓冲区
• read_buffer_size 对MyISAM表进行全表扫描时分配的读缓存池的大小

• read_rnd_buffer_size 索引缓冲区的大小
  数据库缓存，减少文件系统I/O。
  更多参考：mysql缓冲和缓存设置详解

  2.7 CDN内容分发网络的缓存

  
  分布式网络

• 全国/全球多地部署很多Web服务器缓存节点

• DNS动态解析，让客户端请求就近访问到Web服务器缓存节点
  Web内容缓存
• 缓存源服务器的内容，有缓存时就不需要回源
• 可以支持目录规则、文件扩展名等设置缓存策略

• 可以手动刷新指定目录、文件的缓存数据
  CDN,加速终端连接和请求速度，减少源站点压力

  2.8 DNS域名解析

  

• 浏览器的DNS缓存，60s， chrome://net-internals/#dns

• 操作系统的DNS缓存， ipconfig /displaydns
• 本地HOSTS文件
  • C:\Windows\System32\drivers\etc\hosts
  • /etc/hosts

• 远程多级DNS服务器

  • 路由器，运营商
  • 根服务，顶级域名服务
  • 二级域名服务，三级域名服务等
    DNS服务是典型的分布式分层缓存系统，高效可靠，当然也是非常核心的系统，大面积断网的事件就跟DNS故障有关。
    更多参考：浏览器的DNS缓存

    2.9 Web浏览器

    客户端浏览器缓存，减少对网站的访问。
    
    Web内容缓存

• 客户端直接读取缓存，减少对Web服务器的请求

• 强制缓存 cache-control, expires (from memory cache, from disk cache)
• 协商缓存 etag, If-None-Match, last-modified, If-Modified-Since (304 not modify)
  
  Cookie/LocalStorage/SessionStorage
• 数据存储在客户端，减少对服务端的依赖
  
  更多参考：
• 彻底理解浏览器的缓存机制

• 详说 Cookie, LocalStorage 与 SessionStorage

  2.10 总结，无处不在的缓存，硬件和软件

  
  缓冲区buffer

• 避免频繁读写

• 一次性分配稍大的空间
• 一次性读写多一点内容
  缓冲队列
• 通过队列，削峰填谷
• 不同设备、应用的读写速度不一样
  多级缓存，分布式缓存
• 本地更快，减少远程数据依赖

• 缓存数据使用更快，减少数据读取和运算
  问：在浏览器中输入一个网址 http://www.imooc.com/ ，接下来会发生什么？

  3 系统中的缓存设计

  先来看看2个典型的常见的软件系统。

  3.1 社区bbs的缓存设计

  
  数据模型

• 用户，板块，主题，帖子，回复
  页面

• 首页，板块帖子列表页，帖子详情页，用户资料页
  操作
• 浏览，发帖，回帖，置顶
  缓存数据
• 全量永久缓存：用户(uid -> map)，板块(all -> json)，置顶帖(all -> json)
• 部分临时缓存：帖子列表页数据(多种排序, fid-displayorder -> tids), 主题浏览量(tid -> views)，帖子数据(tid -> map)，用户帖子列表页数据(uid -> json)

• 页面缓存：首页，帖子详情页

  3.2 电商系统的缓存设计

  
  数据模型

• 用户，分类，商品SPU,SKU，订单，支付

• 评价，收藏，购物车，联系地址
  页面
• 首页，分类商品推荐页，搜索商品列表页
• 商品详情页，用户订单列表页
  操作
• 浏览，搜索，下单，支付，推荐，评价
  缓存数据
• 全量永久缓存：用户，分类，商品，商品SKU库存，推荐
• 部分临时缓存：大量的临时推荐位，人工干预内容，相关商品，置顶评论等

• 页面缓存：首页，搜索页，商品详情页

  3.3 缓存设计，最佳场景，永久缓存

  
  数据只读，极少更新

• 配置类，全局共享数据（置顶帖）

• 后台定时任务生成的数据（推荐内容）
  数据占用空间有限
• 单个key的内容比较小（用户信息）
• 总数量比较有限（商品信息）
  数据结构简单，容易快速查找
• key-string 直接得到完整数据
• key-hash 易于部分数据读取和更新
• key-list 双向队列

• key-sortedset 有序集合，索引排序
  

  3.4 缓存设计，较好场景，临时缓存

  
  数据读多写少，读取速度慢

• 用户、内容数据，如：用户信息，帖子信息等

• 缓存快过数据库
  数据占用空间较大
• 帖子内容，整页缓存
• 过期或者未命中再从数据库读取
  保证较高的命中率，90%以上
• 缓存容量较大，过期/失效的缓存减少，命中率提高
• 更新的频率降低，命中率提高
• 更新的时候主动更新缓存，命中率提高

• 合适的缓存淘汰策略，FIFO/LRU/LFU/TTL/RANDOM

  3.5 缓存设计，特殊场景，性能优先

  
  读写过于频繁的时候

• 帖子浏览量更新，更新到缓存，定时更新到数据库，读取数据库+缓存

• 秒杀时，商品库存扣减，隔离数据库的压力
  排序方式太多，索引效率下降的时候
• 有序集合类缓存，代替数据库索引
  数据表分拆太细，连表查询效率低的时候

• 直接把联合查询的数据缓存起来

  3.6 缓存设计，不适合场景，成本超过收益

  内容更新太频繁，命中率太低

• 用户的呼吸状态如果也缓冲起来，那么这时候的用户信息缓存命中率就太低了

• 完全散列随机的key值遍历查找，缓存无法重复利用
  数据写入超过读取次数
• 日志类、流水式的固定内容，很少使用，不适合用缓存
  系统自身性能很好
• 没必要增加缓存来提高不足10%的速度
  系统访问量很有限

• 性能需求不高，没必要增加复杂度来做优化

  3.7 总结，系统中的缓存设计

  提高缓存命中率

• 缓存永不过期，缓存空间充足，数据直接写入和更新缓存

• 扩大缓存容量，减少缓存过期或者失效的概率（内存+SSD文件）
  规划缓存容量
• 优先把永久缓存的内容放进去
• 再把读多写少的内容放进去
• 再有富余容量，把实时性要求不高的内容放进去
• 大容量使用简单，风险高；多实例连接多，操作复杂，可用性好
  缓存性能优势
• 内存缓存 > 数据库 > 硬盘文件
• 进程内数据 > 本地缓存 > 远程数据

• 缓存数据读取后运算后的复杂结果

  4 总结，缓存为王

  高性能程序设计与缓存的效果（连蒙带猜）
  
  如果没有缓存的情况下，100亿的客户端请求，最后落到数据服务器上会有上万亿的IO操作。
  老司机箴言：

• 设计时，分层分级。

• 执行时，少查少写少依赖，Less is more。

• 别让硬盘抗性能，别让内存保持久，别让网线抗稳定。

  高性能程序设计的漫漫求索之路

  
  数据结构和算法（应用优化）

• 数组、链表、集合、哈希表、二叉树等

• 排序算法：冒泡、快速、归并等
  并发编程的问题（增加CPU）
• 共享变量的读写，线程安全性问题
• 数据存储、依赖服务等瓶颈点
  分布式系统设计（增加服务器）
• 有状态服务高可用和数据一致性问题
• 全局、中心节点的可靠性问题
  缓存优化（空间换时间）
• 精细化分析和设计，提高命中率和可用性

• 监控工具、运维工具等

  总结，缓存为王

  高性能程序设计，使用缓存来优化可能会是第一选择。只是，方法虽然简单，过程还是曲折的。每一次缓存设计，都还是要针对具体场景和需求，制定最合适的方案，要考虑的地方也还是有很多。

• 速度、成本的平衡（开发速度、执行效率，人力成本、服务器成本）

• 空间、时间的平衡
• 复杂、简单的平衡
• 设计方案，没有最优，只有最合适
• 高性能程序系统，一个动态演进的过程