深入源碼分析，緩存之王 Caffeine 為何這么猛?
點擊上方?泥瓦匠 關(guān)注我！
老家浙江東海邊，靠海吃海，目前經(jīng)營一個小品牌，讓普通人吃到最新鮮的海鮮。有興趣可以點擊了解：《浙里有漁，鮮人一步！》???
Caffeine[1]是一個高性能，高命中率，低內(nèi)存占用，near optimal 的本地緩存，簡單來說它是 Guava Cache 的優(yōu)化加強版，有些文章把 Caffeine 稱為“新一代的緩存”、“現(xiàn)代緩存之王”。
本文將重點講解 Caffeine 的高性能設(shè)計，以及對應(yīng)部分的源碼分析。
與 Guava Cache 比較
如果你對 Guava Cache 還不理解的話，可以點擊這里[2]來看一下我之前寫過關(guān)于 Guava Cache 的文章。
大家都知道，Spring5 即將放棄掉 Guava Cache 作為緩存機制，而改用 Caffeine 作為新的本地 Cache 的組件，這對于 Caffeine 來說是一個很大的肯定。為什么 Spring 會這樣做呢？其實在 Caffeine 的Benchmarks[3]里給出了好靚仔的數(shù)據(jù)，對讀和寫的場景，還有跟其他幾個緩存工具進行了比較，Caffeine 的性能都表現(xiàn)很突出。
使用 Caffeine
Caffeine 為了方便大家使用以及從 Guava Cache 切換過來（很有針對性啊～），借鑒了 Guava Cache 大部分的概念（諸如核心概念Cache、LoadingCache、CacheLoader、CacheBuilder等等），對于 Caffeine 的理解只要把它當(dāng)作 Guava Cache 就可以了。
使用上，大家只要把 Caffeine 的包引進來，然后換一下 cache 的實現(xiàn)類，基本應(yīng)該就沒問題了。這對與已經(jīng)使用過 Guava Cache 的同學(xué)來說沒有任何難度，甚至還有一點熟悉的味道，如果你之前沒有使用過 Guava Cache，可以查看 Caffeine 的官方 API 說明文檔[4]，其中Population，Eviction，Removal，Refresh，Statistics，Cleanup，Policy等等這些特性都是跟 Guava Cache 基本一樣的。
下面給出一個例子說明怎樣創(chuàng)建一個 Cache：
private?static?LoadingCache?cache?=?Caffeine.newBuilder()
????????????//最大個數(shù)限制
????????????.maximumSize(256L)
????????????//初始化容量
????????????.initialCapacity(1)
????????????//訪問后過期（包括讀和寫）
????????????.expireAfterAccess(2,?TimeUnit.DAYS)
????????????//寫后過期
????????????.expireAfterWrite(2,?TimeUnit.HOURS)
????????????//寫后自動異步刷新
????????????.refreshAfterWrite(1,?TimeUnit.HOURS)
????????????//記錄下緩存的一些統(tǒng)計數(shù)據(jù)，例如命中率等
????????????.recordStats()
????????????//cache對緩存寫的通知回調(diào)
????????????.writer(new?CacheWriter()?{
????????????????@Override
????????????????public?void?write(@NonNull?Object?key,?@NonNull?Object?value)?{
????????????????????log.info("key={},?CacheWriter?write",?key);
????????????????}
????????????????@Override
????????????????public?void?delete(@NonNull?Object?key,?@Nullable?Object?value,?@NonNull?RemovalCause?cause)?{
????????????????????log.info("key={},?cause={},?CacheWriter?delete",?key,?cause);
????????????????}
????????????})
????????????//使用CacheLoader創(chuàng)建一個LoadingCache
????????????.build(new?CacheLoader()?{
????????????????//同步加載數(shù)據(jù)
????????????????@Nullable
????????????????@Override
????????????????public?String?load(@NonNull?String?key)?throws?Exception?{
????????????????????return?"value_"?+?key;
????????????????}
????????????????//異步加載數(shù)據(jù)
????????????????@Nullable
????????????????@Override
????????????????public?String?reload(@NonNull?String?key,?@NonNull?String?oldValue)?throws?Exception?{
????????????????????return?"value_"?+?key;
????????????????}
????????????});
更多從 Guava Cache 遷移過來的使用說明，請看這里[5]
Caffeine 的高性能設(shè)計
判斷一個緩存的好壞最核心的指標(biāo)就是命中率，影響緩存命中率有很多因素，包括業(yè)務(wù)場景、淘汰策略、清理策略、緩存容量等等。如果作為本地緩存， 它的性能的情況，資源的占用也都是一個很重要的指標(biāo)。下面
我們來看看 Caffeine 在這幾個方面是怎么著手的，如何做優(yōu)化的。
（注：本文不會分析 Caffeine 全部源碼，只會對核心設(shè)計的實現(xiàn)進行分析，但我建議讀者把 Caffeine 的源碼都涉獵一下，有個 overview 才能更好理解本文。如果你看過 Guava Cache 的源碼也行，代碼的數(shù)據(jù)結(jié)構(gòu)和處理邏輯很類似的。
源碼基于：caffeine-2.8.0.jar）
W-TinyLFU 整體設(shè)計
上面說到淘汰策略是影響緩存命中率的因素之一，一般比較簡單的緩存就會直接用到?LFU(Least Frequently Used，即最不經(jīng)常使用)?或者LRU(Least Recently Used，即最近最少使用)?，而 Caffeine 就是使用了?W-TinyLFU?算法。
W-TinyLFU 看名字就能大概猜出來，它是 LFU 的變種，也是一種緩存淘汰算法。那為什么要使用 W-TinyLFU 呢？
LRU 和 LFU 的缺點
LRU 實現(xiàn)簡單，在一般情況下能夠表現(xiàn)出很好的命中率，是一個“性價比”很高的算法，平時也很常用。雖然 LRU 對突發(fā)性的稀疏流量（sparse bursts）表現(xiàn)很好，但同時也會產(chǎn)生緩存污染，舉例來說，如果偶然性的要對全量數(shù)據(jù)進行遍歷，那么“歷史訪問記錄”就會被刷走，造成污染。 如果數(shù)據(jù)的分布在一段時間內(nèi)是固定的話，那么 LFU 可以達到最高的命中率。但是 LFU 有兩個缺點，第一，它需要給每個記錄項維護頻率信息，每次訪問都需要更新，這是個巨大的開銷；第二，對突發(fā)性的稀疏流量無力，因為前期經(jīng)常訪問的記錄已經(jīng)占用了緩存，偶然的流量不太可能會被保留下來，而且過去的一些大量被訪問的記錄在將來也不一定會使用上，這樣就一直把“坑”占著了。
無論 LRU 還是 LFU 都有其各自的缺點，不過，現(xiàn)在已經(jīng)有很多針對其缺點而改良、優(yōu)化出來的變種算法。
TinyLFU
TinyLFU 就是其中一個優(yōu)化算法，它是專門為了解決 LFU 上述提到的兩個問題而被設(shè)計出來的。
解決第一個問題是采用了 Count–Min Sketch 算法。
解決第二個問題是讓記錄盡量保持相對的“新鮮”（Freshness Mechanism），并且當(dāng)有新的記錄插入時，可以讓它跟老的記錄進行“PK”，輸者就會被淘汰，這樣一些老的、不再需要的記錄就會被剔除。
下圖是 TinyLFU 設(shè)計圖（來自官方）
統(tǒng)計頻率 Count–Min Sketch 算法
如何對一個 key 進行統(tǒng)計，但又可以節(jié)省空間呢？（不是簡單的使用HashMap，這太消耗內(nèi)存了），注意哦，不需要精確的統(tǒng)計，只需要一個近似值就可以了，怎么樣，這樣場景是不是很熟悉，如果你是老司機，或許已經(jīng)聯(lián)想到布隆過濾器（Bloom Filter）的應(yīng)用了。
沒錯，將要介紹的 Count–Min Sketch 的原理跟 Bloom Filter 一樣，只不過 Bloom Filter 只有 0 和 1 的值，那么你可以把 Count–Min Sketch 看作是“數(shù)值”版的 Bloom Filter。
更多關(guān)于 Count–Min Sketch 的介紹請自行搜索。
在 TinyLFU 中，近似頻率的統(tǒng)計如下圖所示：
對一個 key 進行多次 hash 函數(shù)后，index 到多個數(shù)組位置后進行累加，查詢時取多個值中的最小值即可。
Caffeine 對這個算法的實現(xiàn)在FrequencySketch類。但 Caffeine 對此有進一步的優(yōu)化，例如 Count–Min Sketch 使用了二維數(shù)組，Caffeine 只是用了一個一維的數(shù)組；再者，如果是數(shù)值類型的話，這個數(shù)需要用 int 或 long 來存儲，但是 Caffeine 認為緩存的訪問頻率不需要用到那么大，只需要 15 就足夠，一般認為達到 15 次的頻率算是很高的了，而且 Caffeine 還有另外一個機制來使得這個頻率進行衰退減半（下面就會講到）。如果最大是 15 的話，那么只需要 4 個 bit 就可以滿足了，一個 long 有 64bit，可以存儲 16 個這樣的統(tǒng)計數(shù)，Caffeine 就是這樣的設(shè)計，使得存儲效率提高了 16 倍。
Caffeine 對緩存的讀寫（afterRead和afterWrite方法）都會調(diào)用onAccesss 方法，而onAccess方法里有一句：
frequencySketch().increment(key);
這句就是追加記錄的頻率，下面我們看看具體實現(xiàn)
//FrequencySketch的一些屬性
//種子數(shù)
static?final?long[]?SEED?=?{?//?A?mixture?of?seeds?from?FNV-1a,?CityHash,?and?Murmur3
????0xc3a5c85c97cb3127L,?0xb492b66fbe98f273L,?0x9ae16a3b2f90404fL,?0xcbf29ce484222325L};
static?final?long?RESET_MASK?=?0x7777777777777777L;
static?final?long?ONE_MASK?=?0x1111111111111111L;
int?sampleSize;
//為了快速根據(jù)hash值得到table的index值的掩碼
//table的長度size一般為2的n次方，而tableMask為size-1，這樣就可以通過&操作來模擬取余操作，速度快很多，老司機都知道
int?tableMask;
//存儲數(shù)據(jù)的一維long數(shù)組
long[]?table;
int?size;
/**
?*?Increments?the?popularity?of?the?element?if?it?does?not?exceed?the?maximum?(15).?The?popularity
?*?of?all?elements?will?be?periodically?down?sampled?when?the?observed?events?exceeds?a?threshold.
?*?This?process?provides?a?frequency?aging?to?allow?expired?long?term?entries?to?fade?away.
?*
?*?@param?e?the?element?to?add
?*/
public?void?increment(@NonNull?E?e)?{
??if?(isNotInitialized())?{
????return;
??}
??//根據(jù)key的hashCode通過一個哈希函數(shù)得到一個hash值
??//本來就是hashCode了，為什么還要再做一次hash？怕原來的hashCode不夠均勻分散，再打散一下。
??int?hash?=?spread(e.hashCode());
??//這句光看有點難理解
??//就如我剛才說的，Caffeine把一個long的64bit劃分成16個等分，每一等分4個bit。
??//這個start就是用來定位到是哪一個等分的，用hash值低兩位作為隨機數(shù)，再左移2位，得到一個小于16的值
??int?start?=?(hash?&?3)?<2;
??//indexOf方法的意思就是，根據(jù)hash值和不同種子得到table的下標(biāo)index
??//這里通過四個不同的種子，得到四個不同的下標(biāo)index
??int?index0?=?indexOf(hash,?0);
??int?index1?=?indexOf(hash,?1);
??int?index2?=?indexOf(hash,?2);
??int?index3?=?indexOf(hash,?3);
??//根據(jù)index和start(+1,?+2,?+3)的值，把table[index]對應(yīng)的等分追加1
??//這個incrementAt方法有點難理解，看我下面的解釋
??boolean?added?=?incrementAt(index0,?start);
??added?|=?incrementAt(index1,?start?+?1);
??added?|=?incrementAt(index2,?start?+?2);
??added?|=?incrementAt(index3,?start?+?3);
??//這個reset等下說
??if?(added?&&?(++size?==?sampleSize))?{
????reset();
??}
}
/**
?*?Increments?the?specified?counter?by?1?if?it?is?not?already?at?the?maximum?value?(15).
?*
?*?@param?i?the?table?index?(16?counters)
?*?@param?j?the?counter?to?increment
?*?@return?if?incremented
?*/
boolean?incrementAt(int?i,?int?j)?{
??//這個j表示16個等分的下標(biāo)，那么offset就是相當(dāng)于在64位中的下標(biāo)（這個自己想想）
??int?offset?=?j?<2;
??//上面提到Caffeine把頻率統(tǒng)計最大定為15，即0xfL
??//mask就是在64位中的掩碼，即1111后面跟很多個0
??long?mask?=?(0xfL?<??//如果&的結(jié)果不等于15，那么就追加1。等于15就不會再加了
??if?((table[i]?&?mask)?!=?mask)?{
????table[i]?+=?(1L?<????return?true;
??}
??return?false;
}
/**
?*?Returns?the?table?index?for?the?counter?at?the?specified?depth.
?*
?*?@param?item?the?element's?hash
?*?@param?i?the?counter?depth
?*?@return?the?table?index
?*/
int?indexOf(int?item,?int?i)?{
??long?hash?=?SEED[i]?*?item;
??hash?+=?hash?>>>?32;
??return?((int)?hash)?&?tableMask;
}
/**
?*?Applies?a?supplemental?hash?function?to?a?given?hashCode,?which?defends?against?poor?quality
?*?hash?functions.
?*/
int?spread(int?x)?{
??x?=?((x?>>>?16)?^?x)?*?0x45d9f3b;
??x?=?((x?>>>?16)?^?x)?*?0x45d9f3b;
??return?(x?>>>?16)?^?x;
}
知道了追加方法，那么讀取方法frequency就很容易理解了。
/**
?*?Returns?the?estimated?number?of?occurrences?of?an?element,?up?to?the?maximum?(15).
?*
?*?@param?e?the?element?to?count?occurrences?of
?*?@return?the?estimated?number?of?occurrences?of?the?element;?possibly?zero?but?never?negative
?*/
@NonNegative
public?int?frequency(@NonNull?E?e)?{
??if?(isNotInitialized())?{
????return?0;
??}
??//得到hash值，跟上面一樣
??int?hash?=?spread(e.hashCode());
??//得到等分的下標(biāo)，跟上面一樣
??int?start?=?(hash?&?3)?<2;
??int?frequency?=?Integer.MAX_VALUE;
??//循環(huán)四次，分別獲取在table數(shù)組中不同的下標(biāo)位置
??for?(int?i?=?0;?i?4;?i++)?{
????int?index?=?indexOf(hash,?i);
????//這個操作就不多說了，其實跟上面incrementAt是一樣的，定位到table[index]?+?等分的位置，再根據(jù)mask取出計數(shù)值
????int?count?=?(int)?((table[index]?>>>?((start?+?i)?<2))?&?0xfL);
????//取四個中的較小值
????frequency?=?Math.min(frequency,?count);
??}
??return?frequency;
}
通過代碼和注釋或者讀者可能難以理解，下圖是我畫出來幫助大家理解的結(jié)構(gòu)圖。
注意紫色虛線框，其中藍色小格就是需要計算的位置：
保新機制
為了讓緩存保持“新鮮”，剔除掉過往頻率很高但之后不經(jīng)常的緩存，Caffeine 有一個 Freshness Mechanism。做法很簡答，就是當(dāng)整體的統(tǒng)計計數(shù)（當(dāng)前所有記錄的頻率統(tǒng)計之和，這個數(shù)值內(nèi)部維護）達到某一個值時，那么所有記錄的頻率統(tǒng)計除以 2。
從上面的代碼
//size變量就是所有記錄的頻率統(tǒng)計之，即每個記錄加1，這個size都會加1
//sampleSize一個閾值，從FrequencySketch初始化可以看到它的值為maximumSize的10倍
if?(added?&&?(++size?==?sampleSize))?{
??????reset();
}
看到reset方法就是做這個事情
/**?Reduces?every?counter?by?half?of?its?original?value.?*/
void?reset()?{
??int?count?=?0;
??for?(int?i?=?0;?i?????count?+=?Long.bitCount(table[i]?&?ONE_MASK);
????table[i]?=?(table[i]?>>>?1)?&?RESET_MASK;
??}
??size?=?(size?>>>?1)?-?(count?>>>?2);
}
關(guān)于這個 reset 方法，為什么是除以 2，而不是其他，及其正確性，在最下面的參考資料的 TinyLFU 論文中 3.3 章節(jié)給出了數(shù)學(xué)證明，大家有興趣可以看看。
增加一個 Window？
Caffeine 通過測試發(fā)現(xiàn) TinyLFU 在面對突發(fā)性的稀疏流量（sparse bursts）時表現(xiàn)很差，因為新的記錄（new items）還沒來得及建立足夠的頻率就被剔除出去了，這就使得命中率下降。
于是 Caffeine 設(shè)計出一種新的 policy，即?Window Tiny LFU（W-TinyLFU），并通過實驗和實踐發(fā)現(xiàn) W-TinyLFU 比 TinyLFU 表現(xiàn)的更好。
W-TinyLFU 的設(shè)計如下所示（兩圖等價）：
它主要包括兩個緩存模塊，主緩存是 SLRU（Segmented LRU，即分段 LRU），SLRU 包括一個名為 protected 和一個名為 probation 的緩存區(qū)。通過增加一個緩存區(qū)（即 Window Cache），當(dāng)有新的記錄插入時，會先在 window 區(qū)呆一下，就可以避免上述說的 sparse bursts 問題。
淘汰策略（eviction policy）
當(dāng) window 區(qū)滿了，就會根據(jù) LRU 把 candidate（即淘汰出來的元素）放到 probation 區(qū)，如果 probation 區(qū)也滿了，就把 candidate 和 probation 將要淘汰的元素 victim，兩個進行“PK”，勝者留在 probation，輸者就要被淘汰了。
而且經(jīng)過實驗發(fā)現(xiàn)當(dāng) window 區(qū)配置為總?cè)萘康?1%，剩余的 99%當(dāng)中的 80%分給 protected 區(qū)，20%分給 probation 區(qū)時，這時整體性能和命中率表現(xiàn)得最好，所以 Caffeine 默認的比例設(shè)置就是這個。
不過這個比例 Caffeine 會在運行時根據(jù)統(tǒng)計數(shù)據(jù)（statistics）去動態(tài)調(diào)整，如果你的應(yīng)用程序的緩存隨著時間變化比較快的話，那么增加 window 區(qū)的比例可以提高命中率，相反緩存都是比較固定不變的話，增加 Main Cache 區(qū)（protected 區(qū) +probation 區(qū)）的比例會有較好的效果。
下面我們看看上面說到的淘汰策略是怎么實現(xiàn)的：
一般緩存對讀寫操作后都有后續(xù)的一系列“維護”操作，Caffeine 也不例外，這些操作都在maintenance方法，我們將要說到的淘汰策略也在里面。
這方法比較重要，下面也會提到，所以這里只先說跟“淘汰策略”有關(guān)的evictEntries和climb。
/**
???*?Performs?the?pending?maintenance?work?and?sets?the?state?flags?during?processing?to?avoid
???*?excess?scheduling?attempts.?The?read?buffer,?write?buffer,?and?reference?queues?are
???*?drained,?followed?by?expiration,?and?size-based?eviction.
???*
???*?@param?task?an?additional?pending?task?to?run,?or?{@code?null}?if?not?present
???*/
??@GuardedBy("evictionLock")
??void?maintenance(@Nullable?Runnable?task)?{
????lazySetDrainStatus(PROCESSING_TO_IDLE);
????try?{
??????drainReadBuffer();
??????drainWriteBuffer();
??????if?(task?!=?null)?{
????????task.run();
??????}
??????drainKeyReferences();
??????drainValueReferences();
??????expireEntries();
??????//把符合條件的記錄淘汰掉
??????evictEntries();
??????//動態(tài)調(diào)整window區(qū)和protected區(qū)的大小
??????climb();
????}?finally?{
??????if?((drainStatus()?!=?PROCESSING_TO_IDLE)?||?!casDrainStatus(PROCESSING_TO_IDLE,?IDLE))?{
????????lazySetDrainStatus(REQUIRED);
??????}
????}
??}
//最大的個數(shù)限制
long?maximum;
//當(dāng)前的個數(shù)
long?weightedSize;
//window區(qū)的最大限制
long?windowMaximum;
//window區(qū)當(dāng)前的個數(shù)
long?windowWeightedSize;
//protected區(qū)的最大限制
long?mainProtectedMaximum;
//protected區(qū)當(dāng)前的個數(shù)
long?mainProtectedWeightedSize;
//下一次需要調(diào)整的大?。ㄟ€需要進一步計算）
double?stepSize;
//window區(qū)需要調(diào)整的大小
long?adjustment;
//命中計數(shù)
int?hitsInSample;
//不命中的計數(shù)
int?missesInSample;
//上一次的緩存命中率
double?previousSampleHitRate;
final?FrequencySketch?sketch;
//window區(qū)的LRU?queue（FIFO）
final?AccessOrderDeque>?accessOrderWindowDeque;
//probation區(qū)的LRU?queue（FIFO）
final?AccessOrderDeque>?accessOrderProbationDeque;
//protected區(qū)的LRU?queue（FIFO）
final?AccessOrderDeque>?accessOrderProtectedDeque;
以及默認比例設(shè)置（意思看注釋）
/**?The?initial?percent?of?the?maximum?weighted?capacity?dedicated?to?the?main?space.?*/
static?final?double?PERCENT_MAIN?=?0.99d;
/**?The?percent?of?the?maximum?weighted?capacity?dedicated?to?the?main's?protected?space.?*/
static?final?double?PERCENT_MAIN_PROTECTED?=?0.80d;
/**?The?difference?in?hit?rates?that?restarts?the?climber.?*/
static?final?double?HILL_CLIMBER_RESTART_THRESHOLD?=?0.05d;
/**?The?percent?of?the?total?size?to?adapt?the?window?by.?*/
static?final?double?HILL_CLIMBER_STEP_PERCENT?=?0.0625d;
/**?The?rate?to?decrease?the?step?size?to?adapt?by.?*/
static?final?double?HILL_CLIMBER_STEP_DECAY_RATE?=?0.98d;
/**?The?maximum?number?of?entries?that?can?be?transfered?between?queues.?*/
重點來了，evictEntries和climb方法：
/**?Evicts?entries?if?the?cache?exceeds?the?maximum.?*/
@GuardedBy("evictionLock")
void?evictEntries()?{
??if?(!evicts())?{
????return;
??}
??//淘汰window區(qū)的記錄
??int?candidates?=?evictFromWindow();
??//淘汰Main區(qū)的記錄
??evictFromMain(candidates);
}
/**
?*?Evicts?entries?from?the?window?space?into?the?main?space?while?the?window?size?exceeds?a
?*?maximum.
?*
?*?@return?the?number?of?candidate?entries?evicted?from?the?window?space
?*/
//根據(jù)W-TinyLFU，新的數(shù)據(jù)都會無條件的加到admission?window
//但是window是有大小限制，所以要“定期”做一下“維護”
@GuardedBy("evictionLock")
int?evictFromWindow()?{
??int?candidates?=?0;
??//查看window?queue的頭部節(jié)點
??Node?node?=?accessOrderWindowDeque().peek();
??//如果window區(qū)超過了最大的限制，那么就要把“多出來”的記錄做處理
??while?(windowWeightedSize()?>?windowMaximum())?{
????//?The?pending?operations?will?adjust?the?size?to?reflect?the?correct?weight
????if?(node?==?null)?{
??????break;
????}
????//下一個節(jié)點
????Node?next?=?node.getNextInAccessOrder();
????if?(node.getWeight()?!=?0)?{
??????//把node定位在probation區(qū)
??????node.makeMainProbation();
??????//從window區(qū)去掉
??????accessOrderWindowDeque().remove(node);
??????//加入到probation?queue，相當(dāng)于把節(jié)點移動到probation區(qū)（晉升了）
??????accessOrderProbationDeque().add(node);
??????candidates++;
??????//因為移除了一個節(jié)點，所以需要調(diào)整window的size
??????setWindowWeightedSize(windowWeightedSize()?-?node.getPolicyWeight());
????}
????//處理下一個節(jié)點
????node?=?next;
??}
??return?candidates;
}
evictFromMain方法：
/**
?*?Evicts?entries?from?the?main?space?if?the?cache?exceeds?the?maximum?capacity.?The?main?space
?*?determines?whether?admitting?an?entry?(coming?from?the?window?space)?is?preferable?to?retaining
?*?the?eviction?policy's?victim.?This?is?decision?is?made?using?a?frequency?filter?so?that?the
?*?least?frequently?used?entry?is?removed.
?*
?*?The?window?space?candidates?were?previously?placed?in?the?MRU?position?and?the?eviction
?*?policy's?victim?is?at?the?LRU?position.?The?two?ends?of?the?queue?are?evaluated?while?an
?*?eviction?is?required.?The?number?of?remaining?candidates?is?provided?and?decremented?on
?*?eviction,?so?that?when?there?are?no?more?candidates?the?victim?is?evicted.
?*
?*?@param?candidates?the?number?of?candidate?entries?evicted?from?the?window?space
?*/
//根據(jù)W-TinyLFU，從window晉升過來的要跟probation區(qū)的進行“PK”，勝者才能留下
@GuardedBy("evictionLock")
void?evictFromMain(int?candidates)?{
??int?victimQueue?=?PROBATION;
??//victim是probation?queue的頭部
??Node?victim?=?accessOrderProbationDeque().peekFirst();
??//candidate是probation?queue的尾部，也就是剛從window晉升來的
??Node?candidate?=?accessOrderProbationDeque().peekLast();
??//當(dāng)cache不夠容量時才做處理
??while?(weightedSize()?>?maximum())?{
????//?Stop?trying?to?evict?candidates?and?always?prefer?the?victim
????if?(candidates?==?0)?{
??????candidate?=?null;
????}
????//對candidate為null且victim為bull的處理
????if?((candidate?==?null)?&&?(victim?==?null))?{
??????if?(victimQueue?==?PROBATION)?{
????????victim?=?accessOrderProtectedDeque().peekFirst();
????????victimQueue?=?PROTECTED;
????????continue;
??????}?else?if?(victimQueue?==?PROTECTED)?{
????????victim?=?accessOrderWindowDeque().peekFirst();
????????victimQueue?=?WINDOW;
????????continue;
??????}
??????//?The?pending?operations?will?adjust?the?size?to?reflect?the?correct?weight
??????break;
????}
????//對節(jié)點的weight為0的處理
????if?((victim?!=?null)?&&?(victim.getPolicyWeight()?==?0))?{
??????victim?=?victim.getNextInAccessOrder();
??????continue;
????}?else?if?((candidate?!=?null)?&&?(candidate.getPolicyWeight()?==?0))?{
??????candidate?=?candidate.getPreviousInAccessOrder();
??????candidates--;
??????continue;
????}
????//?Evict?immediately?if?only?one?of?the?entries?is?present
????if?(victim?==?null)?{
??????@SuppressWarnings("NullAway")
??????Node?previous?=?candidate.getPreviousInAccessOrder();
??????Node?evict?=?candidate;
??????candidate?=?previous;
??????candidates--;
??????evictEntry(evict,?RemovalCause.SIZE,?0L);
??????continue;
????}?else?if?(candidate?==?null)?{
??????Node?evict?=?victim;
??????victim?=?victim.getNextInAccessOrder();
??????evictEntry(evict,?RemovalCause.SIZE,?0L);
??????continue;
????}
????//?Evict?immediately?if?an?entry?was?collected
????K?victimKey?=?victim.getKey();
????K?candidateKey?=?candidate.getKey();
????if?(victimKey?==?null)?{
??????@NonNull?Node?evict?=?victim;
??????victim?=?victim.getNextInAccessOrder();
??????evictEntry(evict,?RemovalCause.COLLECTED,?0L);
??????continue;
????}?else?if?(candidateKey?==?null)?{
??????candidates--;
??????@NonNull?Node?evict?=?candidate;
??????candidate?=?candidate.getPreviousInAccessOrder();
??????evictEntry(evict,?RemovalCause.COLLECTED,?0L);
??????continue;
????}
????//放不下的節(jié)點直接處理掉
????if?(candidate.getPolicyWeight()?>?maximum())?{
??????candidates--;
??????Node?evict?=?candidate;
??????candidate?=?candidate.getPreviousInAccessOrder();
??????evictEntry(evict,?RemovalCause.SIZE,?0L);
??????continue;
????}
????//根據(jù)節(jié)點的統(tǒng)計頻率frequency來做比較，看看要處理掉victim還是candidate
????//admit是具體的比較規(guī)則，看下面
????candidates--;
????//如果candidate勝出則淘汰victim
????if?(admit(candidateKey,?victimKey))?{
??????Node?evict?=?victim;
??????victim?=?victim.getNextInAccessOrder();
??????evictEntry(evict,?RemovalCause.SIZE,?0L);
??????candidate?=?candidate.getPreviousInAccessOrder();
????}?else?{
??????//如果是victim勝出，則淘汰candidate
??????Node?evict?=?candidate;
??????candidate?=?candidate.getPreviousInAccessOrder();
??????evictEntry(evict,?RemovalCause.SIZE,?0L);
????}
??}
}
/**
?*?Determines?if?the?candidate?should?be?accepted?into?the?main?space,?as?determined?by?its
?*?frequency?relative?to?the?victim.?A?small?amount?of?randomness?is?used?to?protect?against?hash
?*?collision?attacks,?where?the?victim's?frequency?is?artificially?raised?so?that?no?new?entries
?*?are?admitted.
?*
?*?@param?candidateKey?the?key?for?the?entry?being?proposed?for?long?term?retention
?*?@param?victimKey?the?key?for?the?entry?chosen?by?the?eviction?policy?for?replacement
?*?@return?if?the?candidate?should?be?admitted?and?the?victim?ejected
?*/
@GuardedBy("evictionLock")
boolean?admit(K?candidateKey,?K?victimKey)?{
??//分別獲取victim和candidate的統(tǒng)計頻率
??//frequency這個方法的原理和實現(xiàn)上面已經(jīng)解釋了
??int?victimFreq?=?frequencySketch().frequency(victimKey);
??int?candidateFreq?=?frequencySketch().frequency(candidateKey);
??//誰大誰贏
??if?(candidateFreq?>?victimFreq)?{
????return?true;
????//如果相等，candidate小于5都當(dāng)輸了
??}?else?if?(candidateFreq?<=?5)?{
????//?The?maximum?frequency?is?15?and?halved?to?7?after?a?reset?to?age?the?history.?An?attack
????//?exploits?that?a?hot?candidate?is?rejected?in?favor?of?a?hot?victim.?The?threshold?of?a?warm
????//?candidate?reduces?the?number?of?random?acceptances?to?minimize?the?impact?on?the?hit?rate.
????return?false;
??}
??//如果相等且candidate大于5，則隨機淘汰一個
??int?random?=?ThreadLocalRandom.current().nextInt();
??return?((random?&?127)?==?0);
}
climb方法主要是用來調(diào)整 window size 的，使得 Caffeine 可以適應(yīng)你的應(yīng)用類型（如 OLAP 或 OLTP）表現(xiàn)出最佳的命中率。
下圖是官方測試的數(shù)據(jù)：
我們看看 window size 的調(diào)整是怎么實現(xiàn)的。
調(diào)整時用到的默認比例數(shù)據(jù)：
//與上次命中率之差的閾值
static?final?double?HILL_CLIMBER_RESTART_THRESHOLD?=?0.05d;
//步長（調(diào)整）的大?。ǜ畲笾祄aximum的比例）
static?final?double?HILL_CLIMBER_STEP_PERCENT?=?0.0625d;
//步長的衰減比例
static?final?double?HILL_CLIMBER_STEP_DECAY_RATE?=?0.98d;
??/**?Adapts?the?eviction?policy?to?towards?the?optimal?recency?/?frequency?configuration.?*/
//climb方法的主要作用就是動態(tài)調(diào)整window區(qū)的大小（相應(yīng)的，main區(qū)的大小也會發(fā)生變化，兩個之和為100%）。
//因為區(qū)域的大小發(fā)生了變化，那么區(qū)域內(nèi)的數(shù)據(jù)也可能需要發(fā)生相應(yīng)的移動。
@GuardedBy("evictionLock")
void?climb()?{
??if?(!evicts())?{
????return;
??}
??//確定window需要調(diào)整的大小
??determineAdjustment();
??//如果protected區(qū)有溢出，把溢出部分移動到probation區(qū)。因為下面的操作有可能需要調(diào)整到protected區(qū)。
??demoteFromMainProtected();
??long?amount?=?adjustment();
??if?(amount?==?0)?{
????return;
??}?else?if?(amount?>?0)?{
????//增加window的大小
????increaseWindow();
??}?else?{
????//減少window的大小
????decreaseWindow();
??}
}
下面分別展開每個方法來解釋：
/**?Calculates?the?amount?to?adapt?the?window?by?and?sets?{@link?#adjustment()}?accordingly.?*/
@GuardedBy("evictionLock")
void?determineAdjustment()?{
??//如果frequencySketch還沒初始化，則返回
??if?(frequencySketch().isNotInitialized())?{
????setPreviousSampleHitRate(0.0);
????setMissesInSample(0);
????setHitsInSample(0);
????return;
??}
??//總請求量?=?命中?+?miss
??int?requestCount?=?hitsInSample()?+?missesInSample();
??//沒達到sampleSize則返回
??//默認下sampleSize = 10?* maximum。用sampleSize來判斷緩存是否足夠”熱“。
??if?(requestCount?????return;
??}
??//命中率的公式?=?命中?/?總請求
??double?hitRate?=?(double)?hitsInSample()?/?requestCount;
??//命中率的差值
??double?hitRateChange?=?hitRate?-?previousSampleHitRate();
??//本次調(diào)整的大小，是由命中率的差值和上次的stepSize決定的
??double?amount?=?(hitRateChange?>=?0)???stepSize()?:?-stepSize();
??//下次的調(diào)整大?。喝绻新实闹畲笥?.05，則重置為0.065 * maximum，否則按照0.98來進行衰減
??double?nextStepSize?=?(Math.abs(hitRateChange)?>=?HILL_CLIMBER_RESTART_THRESHOLD)
????????HILL_CLIMBER_STEP_PERCENT?*?maximum()?*?(amount?>=?0???1?:?-1)
??????:?HILL_CLIMBER_STEP_DECAY_RATE?*?amount;
??setPreviousSampleHitRate(hitRate);
??setAdjustment((long)?amount);
??setStepSize(nextStepSize);
??setMissesInSample(0);
??setHitsInSample(0);
}
/**?Transfers?the?nodes?from?the?protected?to?the?probation?region?if?it?exceeds?the?maximum.?*/
//這個方法比較簡單，減少protected區(qū)溢出的部分
@GuardedBy("evictionLock")
void?demoteFromMainProtected()?{
??long?mainProtectedMaximum?=?mainProtectedMaximum();
??long?mainProtectedWeightedSize?=?mainProtectedWeightedSize();
??if?(mainProtectedWeightedSize?<=?mainProtectedMaximum)?{
????return;
??}
??for?(int?i?=?0;?i?????if?(mainProtectedWeightedSize?<=?mainProtectedMaximum)?{
??????break;
????}
????Node?demoted?=?accessOrderProtectedDeque().poll();
????if?(demoted?==?null)?{
??????break;
????}
????demoted.makeMainProbation();
????accessOrderProbationDeque().add(demoted);
????mainProtectedWeightedSize?-=?demoted.getPolicyWeight();
??}
??setMainProtectedWeightedSize(mainProtectedWeightedSize);
}
/**
?*?Increases?the?size?of?the?admission?window?by?shrinking?the?portion?allocated?to?the?main
?*?space.?As?the?main?space?is?partitioned?into?probation?and?protected?regions?(80%?/?20%),?for
?*?simplicity?only?the?protected?is?reduced.?If?the?regions?exceed?their?maximums,?this?may?cause
?*?protected?items?to?be?demoted?to?the?probation?region?and?probation?items?to?be?demoted?to?the
?*?admission?window.
?*/
//增加window區(qū)的大小，這個方法比較簡單，思路就像我上面說的
@GuardedBy("evictionLock")
void?increaseWindow()?{
??if?(mainProtectedMaximum()?==?0)?{
????return;
??}
??long?quota?=?Math.min(adjustment(),?mainProtectedMaximum());
??setMainProtectedMaximum(mainProtectedMaximum()?-?quota);
??setWindowMaximum(windowMaximum()?+?quota);
??demoteFromMainProtected();
??for?(int?i?=?0;?i?????Node?candidate?=?accessOrderProbationDeque().peek();
????boolean?probation?=?true;
????if?((candidate?==?null)?||?(quota???????candidate?=?accessOrderProtectedDeque().peek();
??????probation?=?false;
????}
????if?(candidate?==?null)?{
??????break;
????}
????int?weight?=?candidate.getPolicyWeight();
????if?(quota???????break;
????}
????quota?-=?weight;
????if?(probation)?{
??????accessOrderProbationDeque().remove(candidate);
????}?else?{
??????setMainProtectedWeightedSize(mainProtectedWeightedSize()?-?weight);
??????accessOrderProtectedDeque().remove(candidate);
????}
????setWindowWeightedSize(windowWeightedSize()?+?weight);
????accessOrderWindowDeque().add(candidate);
????candidate.makeWindow();
??}
??setMainProtectedMaximum(mainProtectedMaximum()?+?quota);
??setWindowMaximum(windowMaximum()?-?quota);
??setAdjustment(quota);
}
/**?Decreases?the?size?of?the?admission?window?and?increases?the?main's?protected?region.?*/
//同上increaseWindow差不多，反操作
@GuardedBy("evictionLock")
void?decreaseWindow()?{
??if?(windowMaximum()?<=?1)?{
????return;
??}
??long?quota?=?Math.min(-adjustment(),?Math.max(0,?windowMaximum()?-?1));
??setMainProtectedMaximum(mainProtectedMaximum()?+?quota);
??setWindowMaximum(windowMaximum()?-?quota);
??for?(int?i?=?0;?i?????Node?candidate?=?accessOrderWindowDeque().peek();
????if?(candidate?==?null)?{
??????break;
????}
????int?weight?=?candidate.getPolicyWeight();
????if?(quota???????break;
????}
????quota?-=?weight;
????setMainProtectedWeightedSize(mainProtectedWeightedSize()?+?weight);
????setWindowWeightedSize(windowWeightedSize()?-?weight);
????accessOrderWindowDeque().remove(candidate);
????accessOrderProbationDeque().add(candidate);
????candidate.makeMainProbation();
??}
??setMainProtectedMaximum(mainProtectedMaximum()?-?quota);
??setWindowMaximum(windowMaximum()?+?quota);
??setAdjustment(-quota);
}
以上，是 Caffeine 的 W-TinyLFU 策略的設(shè)計原理及代碼實現(xiàn)解析。
異步的高性能讀寫
一般的緩存每次對數(shù)據(jù)處理完之后（讀的話，已經(jīng)存在則直接返回，不存在則 load 數(shù)據(jù)，保存，再返回；寫的話，則直接插入或更新），但是因為要維護一些淘汰策略，則需要一些額外的操作，諸如：
計算和比較數(shù)據(jù)的是否過期 統(tǒng)計頻率（像 LFU 或其變種） 維護 read queue 和 write queue 淘汰符合條件的數(shù)據(jù) 等等。。。
這種數(shù)據(jù)的讀寫伴隨著緩存狀態(tài)的變更，Guava Cache 的做法是把這些操作和讀寫操作放在一起，在一個同步加鎖的操作中完成，雖然 Guava Cache 巧妙地利用了 JDK 的 ConcurrentHashMap（分段鎖或者無鎖 CAS）來降低鎖的密度，達到提高并發(fā)度的目的。但是，對于一些熱點數(shù)據(jù)，這種做法還是避免不了頻繁的鎖競爭。Caffeine 借鑒了數(shù)據(jù)庫系統(tǒng)的 WAL（Write-Ahead Logging）思想，即先寫日志再執(zhí)行操作，這種思想同樣適合緩存的，執(zhí)行讀寫操作時，先把操作記錄在緩沖區(qū)，然后在合適的時機異步、批量地執(zhí)行緩沖區(qū)中的內(nèi)容。但在執(zhí)行緩沖區(qū)的內(nèi)容時，也是需要在緩沖區(qū)加上同步鎖的，不然存在并發(fā)問題，只不過這樣就可以把對鎖的競爭從緩存數(shù)據(jù)轉(zhuǎn)移到對緩沖區(qū)上。
ReadBuffer
在 Caffeine 的內(nèi)部實現(xiàn)中，為了很好的支持不同的 Features（如 Eviction，Removal，Refresh，Statistics，Cleanup，Policy 等等），擴展了很多子類，它們共同的父類是BoundedLocalCache，而readBuffer就是作為它們共有的屬性，即都是用一樣的 readBuffer，看定義：
final?Buffer>?readBuffer;
readBuffer?=?evicts()?||?collectKeys()?||?collectValues()?||?expiresAfterAccess()
??????????new?BoundedBuffer<>()
????????:?Buffer.disabled();
上面提到 Caffeine 對每次緩存的讀操作都會觸發(fā)afterRead
/**
?*?Performs?the?post-processing?work?required?after?a?read.
?*
?*?@param?node?the?entry?in?the?page?replacement?policy
?*?@param?now?the?current?time,?in?nanoseconds
?*?@param?recordHit?if?the?hit?count?should?be?incremented
?*/
void?afterRead(Node?node,?long?now,?boolean?recordHit) ?{
??if?(recordHit)?{
????statsCounter().recordHits(1);
??}
??//把記錄加入到readBuffer
??//判斷是否需要立即處理readBuffer
??//注意這里無論offer是否成功都可以走下去的，即允許寫入readBuffer丟失，因為這個
??boolean?delayable?=?skipReadBuffer()?||?(readBuffer.offer(node)?!=?Buffer.FULL);
??if?(shouldDrainBuffers(delayable))?{
????scheduleDrainBuffers();
??}
??refreshIfNeeded(node,?now);
}
?/**
???*?Returns?whether?maintenance?work?is?needed.
???*
???*?@param?delayable?if?draining?the?read?buffer?can?be?delayed
???*/
??//caffeine用了一組狀態(tài)來定義和管理“維護”的過程
??boolean?shouldDrainBuffers(boolean?delayable)?{
????switch?(drainStatus())?{
??????case?IDLE:
????????return?!delayable;
??????case?REQUIRED:
????????return?true;
??????case?PROCESSING_TO_IDLE:
??????case?PROCESSING_TO_REQUIRED:
????????return?false;
??????default:
????????throw?new?IllegalStateException();
????}
??}
重點看BoundedBuffer
/**
?*?A?striped,?non-blocking,?bounded?buffer.
?*
?*?@author[email protected]?(Ben?Manes)
?*?@param??the?type?of?elements?maintained?by?this?buffer
?*/
final?class?BoundedBuffer<E>?extends?StripedBuffer<E>
它是一個 striped、非阻塞、有界限的 buffer，繼承于StripedBuffer類。下面看看StripedBuffer的實現(xiàn)：
/**
?*?A?base?class?providing?the?mechanics?for?supporting?dynamic?striping?of?bounded?buffers.?This
?*?implementation?is?an?adaption?of?the?numeric?64-bit?{@link?java.util.concurrent.atomic.Striped64}
?*?class,?which?is?used?by?atomic?counters.?The?approach?was?modified?to?lazily?grow?an?array?of
?*?buffers?in?order?to?minimize?memory?usage?for?caches?that?are?not?heavily?contended?on.
?*
?*?@author[email protected]?(Doug?Lea)
?*?@author[email protected]?(Ben?Manes)
?*/
abstract?class?StripedBuffer<E>?implements?Buffer<E>
這個StripedBuffer設(shè)計的思想是跟Striped64類似的，通過擴展結(jié)構(gòu)把競爭熱點分離。
具體實現(xiàn)是這樣的，StripedBuffer維護一個Buffer[]數(shù)組，每個元素就是一個RingBuffer，每個線程用自己threadLocalRandomProbe屬性作為 hash 值，這樣就相當(dāng)于每個線程都有自己“專屬”的RingBuffer，就不會產(chǎn)生競爭啦，而不是用 key 的hashCode作為 hash 值，因為會產(chǎn)生熱點數(shù)據(jù)問題。
看看StripedBuffer的屬性
/**?Table?of?buffers.?When?non-null,?size?is?a?power?of?2.?*/
//RingBuffer數(shù)組
transient?volatile?Buffer?@Nullable[]?table;
//當(dāng)進行resize時，需要整個table鎖住。tableBusy作為CAS的標(biāo)記。
static?final?long?TABLE_BUSY?=?UnsafeAccess.objectFieldOffset(StripedBuffer.class,?"tableBusy");
static?final?long?PROBE?=?UnsafeAccess.objectFieldOffset(Thread.class,?"threadLocalRandomProbe");
/**?Number?of?CPUS.?*/
static?final?int?NCPU?=?Runtime.getRuntime().availableProcessors();
/**?The?bound?on?the?table?size.?*/
//table最大size
static?final?int?MAXIMUM_TABLE_SIZE?=?4?*?ceilingNextPowerOfTwo(NCPU);
/**?The?maximum?number?of?attempts?when?trying?to?expand?the?table.?*/
//如果發(fā)生競爭時（CAS失?。┑膰L試次數(shù)
static?final?int?ATTEMPTS?=?3;
/**?Table?of?buffers.?When?non-null,?size?is?a?power?of?2.?*/
//核心數(shù)據(jù)結(jié)構(gòu)
transient?volatile?Buffer?@Nullable[]?table;
/**?Spinlock?(locked?via?CAS)?used?when?resizing?and/or?creating?Buffers.?*/
transient?volatile?int?tableBusy;
/**?CASes?the?tableBusy?field?from?0?to?1?to?acquire?lock.?*/
final?boolean?casTableBusy()?{
??return?UnsafeAccess.UNSAFE.compareAndSwapInt(this,?TABLE_BUSY,?0,?1);
}
/**
?*?Returns?the?probe?value?for?the?current?thread.?Duplicated?from?ThreadLocalRandom?because?of
?*?packaging?restrictions.
?*/
static?final?int?getProbe()?{
??return?UnsafeAccess.UNSAFE.getInt(Thread.currentThread(),?PROBE);
}
offer方法，當(dāng)沒初始化或存在競爭時，則擴容為 2 倍。
實際是調(diào)用RingBuffer的 offer 方法，把數(shù)據(jù)追加到RingBuffer后面。
@Override
public?int?offer(E?e)?{
??int?mask;
??int?result?=?0;
??Buffer?buffer;
??//是否不存在競爭
??boolean?uncontended?=?true;
??Buffer[]?buffers?=?table
??//是否已經(jīng)初始化
??if?((buffers?==?null)
??????||?(mask?=?buffers.length?-?1)?0
??????//用thread的隨機值作為hash值，得到對應(yīng)位置的RingBuffer
??????||?(buffer?=?buffers[getProbe()?&?mask])?==?null
??????//檢查追加到RingBuffer是否成功
??????||?!(uncontended?=?((result?=?buffer.offer(e))?!=?Buffer.FAILED)))?{
????//其中一個符合條件則進行擴容
????expandOrRetry(e,?uncontended);
??}
??return?result;
}
/**
?*?Handles?cases?of?updates?involving?initialization,?resizing,?creating?new?Buffers,?and/or
?*?contention.?See?above?for?explanation.?This?method?suffers?the?usual?non-modularity?problems?of
?*?optimistic?retry?code,?relying?on?rechecked?sets?of?reads.
?*
?*?@param?e?the?element?to?add
?*?@param?wasUncontended?false?if?CAS?failed?before?call
?*/
//這個方法比較長，但思路還是相對清晰的。
@SuppressWarnings("PMD.ConfusingTernary")
final?void?expandOrRetry(E?e,?boolean?wasUncontended)?{
??int?h;
??if?((h?=?getProbe())?==?0)?{
????ThreadLocalRandom.current();?//?force?initialization
????h?=?getProbe();
????wasUncontended?=?true;
??}
??boolean?collide?=?false;?//?True?if?last?slot?nonempty
??for?(int?attempt?=?0;?attempt?????Buffer[]?buffers;
????Buffer?buffer;
????int?n;
????if?(((buffers?=?table)?!=?null)?&&?((n?=?buffers.length)?>?0))?{
??????if?((buffer?=?buffers[(n?-?1)?&?h])?==?null)?{
????????if?((tableBusy?==?0)?&&?casTableBusy())?{?//?Try?to?attach?new?Buffer
??????????boolean?created?=?false;
??????????try?{?//?Recheck?under?lock
????????????Buffer[]?rs;
????????????int?mask,?j;
????????????if?(((rs?=?table)?!=?null)?&&?((mask?=?rs.length)?>?0)
????????????????&&?(rs[j?=?(mask?-?1)?&?h]?==?null))?{
??????????????rs[j]?=?create(e);
??????????????created?=?true;
????????????}
??????????}?finally?{
????????????tableBusy?=?0;
??????????}
??????????if?(created)?{
????????????break;
??????????}
??????????continue;?//?Slot?is?now?non-empty
????????}
????????collide?=?false;
??????}?else?if?(!wasUncontended)?{?//?CAS?already?known?to?fail
????????wasUncontended?=?true;??????//?Continue?after?rehash
??????}?else?if?(buffer.offer(e)?!=?Buffer.FAILED)?{
????????break;
??????}?else?if?(n?>=?MAXIMUM_TABLE_SIZE?||?table?!=?buffers)?{
????????collide?=?false;?//?At?max?size?or?stale
??????}?else?if?(!collide)?{
????????collide?=?true;
??????}?else?if?(tableBusy?==?0?&&?casTableBusy())?{
????????try?{
??????????if?(table?==?buffers)?{?//?Expand?table?unless?stale
????????????table?=?Arrays.copyOf(buffers,?n?<1);
??????????}
????????}?finally?{
??????????tableBusy?=?0;
????????}
????????collide?=?false;
????????continue;?//?Retry?with?expanded?table
??????}
??????h?=?advanceProbe(h);
????}?else?if?((tableBusy?==?0)?&&?(table?==?buffers)?&&?casTableBusy())?{
??????boolean?init?=?false;
??????try?{?//?Initialize?table
????????if?(table?==?buffers)?{
??????????@SuppressWarnings({"unchecked",?"rawtypes"})
??????????Buffer[]?rs?=?new?Buffer[1];
??????????rs[0]?=?create(e);
??????????table?=?rs;
??????????init?=?true;
????????}
??????}?finally?{
????????tableBusy?=?0;
??????}
??????if?(init)?{
????????break;
??????}
????}
??}
}
最后看看RingBuffer，注意RingBuffer是BoundedBuffer的內(nèi)部類。
/**?The?maximum?number?of?elements?per?buffer.?*/
static?final?int?BUFFER_SIZE?=?16;
//?Assume?4-byte?references?and?64-byte?cache?line?(16?elements?per?line)
//256長度，但是是以16為單位，所以最多存放16個元素
static?final?int?SPACED_SIZE?=?BUFFER_SIZE?<4;
static?final?int?SPACED_MASK?=?SPACED_SIZE?-?1;
static?final?int?OFFSET?=?16;
//RingBuffer數(shù)組
final?AtomicReferenceArray?buffer;
?//插入方法
?@Override
?public?int?offer(E?e)?{
???long?head?=?readCounter;
???long?tail?=?relaxedWriteCounter();
???//用head和tail來限制個數(shù)
???long?size?=?(tail?-?head);
???if?(size?>=?SPACED_SIZE)?{
?????return?Buffer.FULL;
???}
???//tail追加16
???if?(casWriteCounter(tail,?tail?+?OFFSET))?{
?????//用tail“取余”得到下標(biāo)
?????int?index?=?(int)?(tail?&?SPACED_MASK);
?????//用unsafe.putOrderedObject設(shè)值
?????buffer.lazySet(index,?e);
?????return?Buffer.SUCCESS;
???}
???//如果CAS失敗則返回失敗
???return?Buffer.FAILED;
?}
?//用consumer來處理buffer的數(shù)據(jù)
?@Override
?public?void?drainTo(Consumer?consumer) ?{
???long?head?=?readCounter;
???long?tail?=?relaxedWriteCounter();
???//判斷數(shù)據(jù)多少
???long?size?=?(tail?-?head);
???if?(size?==?0)?{
?????return;
???}
???do?{
?????int?index?=?(int)?(head?&?SPACED_MASK);
?????E?e?=?buffer.get(index);
?????if?(e?==?null)?{
???????//?not?published?yet
???????break;
?????}
?????buffer.lazySet(index,?null);
?????consumer.accept(e);
?????//head也跟tail一樣，每次遞增16
?????head?+=?OFFSET;
???}?while?(head?!=?tail);
???lazySetReadCounter(head);
?}
注意，ring buffer 的 size（固定是 16 個）是不變的，變的是 head 和 tail 而已。
總的來說ReadBuffer有如下特點：
使用? Striped-RingBuffer來提升對 buffer 的讀寫用 thread 的 hash 來避開熱點 key 的競爭 允許寫入的丟失
WriteBuffer
writeBuffer跟readBuffer不一樣，主要體現(xiàn)在使用場景的不一樣。本來緩存的一般場景是讀多寫少的，讀的并發(fā)會更高，且 afterRead 顯得沒那么重要，允許延遲甚至丟失。寫不一樣，寫afterWrite不允許丟失，且要求盡量馬上執(zhí)行。Caffeine 使用MPSC（Multiple Producer / Single Consumer）作為 buffer 數(shù)組，實現(xiàn)在MpscGrowableArrayQueue類，它是仿照JCTools的MpscGrowableArrayQueue來寫的。
MPSC 允許無鎖的高并發(fā)寫入，但只允許一個消費者，同時也犧牲了部分操作。
MPSC 我打算另外分析，這里不展開了。
TimerWheel
除了支持expireAfterAccess和expireAfterWrite之外（Guava Cache 也支持這兩個特性），Caffeine 還支持expireAfter。因為expireAfterAccess和expireAfterWrite都只能是固定的過期時間，這可能滿足不了某些場景，譬如記錄的過期時間是需要根據(jù)某些條件而不一樣的，這就需要用戶自定義過期時間。
先看看expireAfter的用法
private?static?LoadingCache?cache?=?Caffeine.newBuilder()
????????.maximumSize(256L)
????????.initialCapacity(1)
????????//.expireAfterAccess(2,?TimeUnit.DAYS)
????????//.expireAfterWrite(2,?TimeUnit.HOURS)
????????.refreshAfterWrite(1,?TimeUnit.HOURS)
????????//自定義過期時間
????????.expireAfter(new?Expiry()?{
????????????//返回創(chuàng)建后的過期時間
????????????@Override
????????????public?long?expireAfterCreate(@NonNull?String?key,?@NonNull?String?value,?long?currentTime)?{
????????????????return?0;
????????????}
????????????//返回更新后的過期時間
????????????@Override
????????????public?long?expireAfterUpdate(@NonNull?String?key,?@NonNull?String?value,?long?currentTime,?@NonNegative?long?currentDuration)?{
????????????????return?0;
????????????}
????????????//返回讀取后的過期時間
????????????@Override
????????????public?long?expireAfterRead(@NonNull?String?key,?@NonNull?String?value,?long?currentTime,?@NonNegative?long?currentDuration)?{
????????????????return?0;
????????????}
????????})
????????.recordStats()
????????.build(new?CacheLoader()?{
????????????@Nullable
????????????@Override
????????????public?String?load(@NonNull?String?key)?throws?Exception?{
????????????????return?"value_"?+?key;
????????????}
????????});
通過自定義過期時間，使得不同的 key 可以動態(tài)的得到不同的過期時間。
注意，我把expireAfterAccess和expireAfterWrite注釋了，因為這兩個特性不能跟expireAfter一起使用。
而當(dāng)使用了expireAfter特性后，Caffeine 會啟用一種叫“時間輪”的算法來實現(xiàn)這個功能。更多關(guān)于時間輪的介紹，可以看我的文章HashedWheelTimer 時間輪原理分析[6]。
好，重點來了，為什么要用時間輪？
對expireAfterAccess和expireAfterWrite的實現(xiàn)是用一個AccessOrderDeque雙端隊列，它是 FIFO 的，因為它們的過期時間是固定的，所以在隊列頭的數(shù)據(jù)肯定是最早過期的，要處理過期數(shù)據(jù)時，只需要首先看看頭部是否過期，然后再挨個檢查就可以了。但是，如果過期時間不一樣的話，這需要對accessOrderQueue進行排序&插入，這個代價太大了。于是，Caffeine 用了一種更加高效、優(yōu)雅的算法-時間輪。
時間輪的結(jié)構(gòu)：
因為在我的對時間輪分析的文章里已經(jīng)說了時間輪的原理和機制了，所以我就不展開 Caffeine 對時間輪的實現(xiàn)了。
Caffeine 對時間輪的實現(xiàn)在TimerWheel，它是一種多層時間輪（hierarchical timing wheels ）。
看看元素加入到時間輪的schedule方法：
/**
?*?Schedules?a?timer?event?for?the?node.
?*
?*?@param?node?the?entry?in?the?cache
?*/
public?void?schedule(@NonNull?Node?node) ?{
??Node?sentinel?=?findBucket(node.getVariableTime());
??link(sentinel,?node);
}
/**
?*?Determines?the?bucket?that?the?timer?event?should?be?added?to.
?*
?*?@param?time?the?time?when?the?event?fires
?*?@return?the?sentinel?at?the?head?of?the?bucket
?*/
Node?findBucket(long?time)? {
??long?duration?=?time?-?nanos;
??int?length?=?wheel.length?-?1;
??for?(int?i?=?0;?i?????if?(duration?1])?{
??????long?ticks?=?(time?>>>?SHIFT[i]);
??????int?index?=?(int)?(ticks?&?(wheel[i].length?-?1));
??????return?wheel[i][index];
????}
??}
??return?wheel[length][0];
}
/**?Adds?the?entry?at?the?tail?of?the?bucket's?list.?*/
void?link(Node?sentinel,?Node?node) ?{
??node.setPreviousInVariableOrder(sentinel.getPreviousInVariableOrder());
??node.setNextInVariableOrder(sentinel);
??sentinel.getPreviousInVariableOrder().setNextInVariableOrder(node);
??sentinel.setPreviousInVariableOrder(node);
}
其他
Caffeine 還有其他的優(yōu)化性能的手段，如使用軟引用和弱引用、消除偽共享、CompletableFuture異步等等。
總結(jié)
Caffeien 是一個優(yōu)秀的本地緩存，通過使用 W-TinyLFU 算法， 高性能的 readBuffer 和 WriteBuffer，時間輪算法等，使得它擁有高性能，高命中率（near optimal），低內(nèi)存占用等特點。
參考資料
TinyLFU 論文[7]
Design Of A Modern Cache[8]
Design Of A Modern Cache—Part Deux[9]
Caffeine 的 github[10]
參考資料
Caffeine:?https://github.com/ben-manes/caffeine
[2]這里:?https://albenw.github.io/posts/df42dc84/
[3]Benchmarks:?https://github.com/ben-manes/caffeine/wiki/Benchmarks
[4]官方API說明文檔:?https://github.com/ben-manes/caffeine/wiki
[5]這里:?https://github.com/ben-manes/caffeine/wiki/Guava
[6]HashedWheelTimer時間輪原理分析:?https://albenw.github.io/posts/ec8df8c/
[7]TinyLFU論文:?https://arxiv.org/abs/1512.00727
[8]Design Of A Modern Cache:?http://highscalability.com/blog/2016/1/25/design-of-a-modern-cache.html
[9]Design Of A Modern Cache—Part Deux:?http://highscalability.com/blog/2019/2/25/design-of-a-modern-cachepart-deux.html
[10]Caffeine的github:?https://github.com/ben-manes/caffeine
老家浙江東海邊，靠海吃海，目前經(jīng)營一個小品牌，讓普通人吃到最新鮮的海鮮。有興趣可以點擊了解：《浙里有漁，鮮人一步！》???
往期推薦
下方二維碼關(guān)注我
技術(shù)草根，堅持分享?編程，算法，架構(gòu)