java cache浅谈

（谢兵）
一、cache简述
所谓缓存，就是将程序或系统经常要调用的对象存在内存中，以便其使用时可以快速调用，不必再去创建新的重复的实例。这样做可以减少系统开销，提高系统效率。

以前缓存往往使用的是RAM（断电既掉的非永久存储），所以在用完后还是会把文件送到硬盘等存储器中永久存储。电脑中最大缓存就是内存条。

二、公司项目使用过的的cache以及其实现和配置解释
1).内存缓存，也就是实现一个类中静态Map,对这个Map进行常规的增删查.
基于公司现有的项目：备课平台、网盘


2).Ehcache是一个纯Java的进程内缓存框架，具有快速‘精干等特点。
基于公司现有的项目：oa，classboard等

下图是利用grails里面的lib实现


Java实现需要依赖jar以及xml，其实原理是一样的，配置也基本相同
ehcache.xml配置参数说明：
· name：缓存名称。
· maxElementsInMemory：缓存最大个数。
· eternal：缓存中对象是否为永久的，如果是，超时设置将被忽略，对象从不过期。
· timeToIdleSeconds：置对象在失效前的允许闲置时间（单位：秒）。仅当eternal=false对象不是永久有效时使用，可选属性，默认值是0，也就是可闲置时间无穷大。
· timeToLiveSeconds：缓存数据的生存时间（TTL），也就是一个元素从构建到消亡的最大时间间隔值，这只能在元素不是永久驻留时有效，如果该值是0就意味着元素可以停顿无穷长的时间。
· maxEntriesLocalDisk：当内存中对象数量达到maxElementsInMemory时，Ehcache将会对象写到磁盘中。
· overflowToDisk：内存不足时，是否启用磁盘缓存。
· diskSpoolBufferSizeMB：这个参数设置DiskStore（磁盘缓存）的缓存区大小。默认是30MB。每个Cache都应该有自己的一个缓冲区。
· maxElementsOnDisk：硬盘最大缓存个数。
· diskPersistent：是否在VM重启时存储硬盘的缓存数据。默认值是false。
· diskExpiryThreadIntervalSeconds：磁盘失效线程运行时间间隔，默认是120秒。
· memoryStoreEvictionPolicy：当达到maxElementsInMemory限制时，Ehcache将会根据指定的策略去清理内存。默认策略是LRU（最近最少使用）。你可以设置为FIFO（先进先出）或是LFU（较少使用）。
· clearOnFlush：内存数量最大时是否清除。


3)..redis
基于公司现有项目：springboot项目
Springframework.data.redis 整合
代码实现片段

配置


当然也可以不利用整合
具体可参考：https://www.cnblogs.com/wojiaochuichui/p/8662005.html

三、常见的缓存策略
1）、基于访问的时间：此类算法按各缓存项被访问时间来组织缓存队列，决定替换对象。如 LRU；


2）、基于访问频率：此类算法用缓存项的被访问频率来组织缓存。如 LFU、LRU2、2Q、LIRS；

一句话解释：访问次数越大，排在队头，越不容易淘汰，当有新的访问对象进来的时候，末尾的将被淘汰。

资源地址：https://blog.csdn.net/xzengwei1313/article/details/83376219

四、缓存一些常见问题：
1).数据不一致问题
先操作缓存，再写数据库成功之前，如果有读请求发生，可能导致旧数据入缓存，引发数据不一致。在分布式环境下，数据的读写都是并发的，一个服务多机器部署，对同一个数据进行读写，在数据库层面并不能保证完成顺序，就有可能后读的操作先完成（读取到的是脏数据），如果不采用给缓存设置过期时间策略，该数据永远都是脏数据。
场景：用户中心更新用户信息，其他项目获取用户的时候需要获取更新后的用户信息。

2).缓存穿透
缓存穿透是说收到一个请求，但是该请求缓存中不存在，只能去数据库中查询，然后放进缓存。但当有好多请求同时访问同一个数据时，业务系统把这些请求全发到了数据库；或者恶意构造一个逻辑上不存在的数据，然后大量发送这个请求，这样每次都会被发送到数据库，最终导致数据库挂掉。
场景:暂没实际遇到过，解决方法只能做参数校验或者参数加密，明文参数被攻击纯属必然

3)缓存击穿
上面提到的某个数据没有，然后好多请求查询数据库，可以归为缓存击穿的范畴：对于热点数据，当缓存失效的一瞬间，所有的请求都被下放到数据库去请求更新缓存，数据库被压垮。
场景：比如报名表单或者选课，其实这种情况，事先提前通过后台程序缓存起来


4)缓存雪崩
缓存雪崩是指当我们给所有的缓存设置了同样的过期时间，当某一时刻，整个缓存的数据全部过期了，然后瞬间所有的请求都被抛向了数据库，数据库就崩掉了。
场景：暂没实际遇到过，抄了一场景如下
对于 Redis 挂掉了，请求全部走数据库，也属于缓存雪崩，我们可以有以下思路进行解决：
事发前：实现 Redis 的高可用（主从架构+Sentinel 或者 Redis Cluster），尽可能避免 Redis 挂掉这种情况。
事发中：万一 Redis 真的挂了，我们可以设置本地缓存（ehcache）+ 限流（hystrix），尽量避免我们的数据库被干掉。
事发后：Redis 持久化，重启后自动从磁盘上加载数据，快速恢复缓存数据。