go 高并发之路——本地缓存

一、使用场景

试想一个场景，有一个配置服务系统，里面存储着各种各样的配置，比如直播间的直播信息、点赞、签到、红包、带货等等。这些配置信息有两个特点：

1、并发量可能会特别特别大，试想一下，一个几十万人的直播间，可能在直播开始前几秒钟，用户就瞬间涌入进来了，那么这时候我们的系统就得加载这些配置信息。此时请求量就如同洪峰一般，一下子就冲击进入我们的系统。

2、这些配置通常都是只需要读取，在 B 端（管理后台）设置好的，一般直播开始后，修改的频率很低。

那么面对上述的业务场景，假设我们的目标是扛住 3wQPS，你们会选用什么技术架构和方案呢？

1、直接查数据库，例如 MySQL、Doris 之类的关系型数据库。很明显这肯定扛不住，一般关系型数据库能让扛个几千就基本上到头了。

2、使用单机版 Redis。理论上是可以的，腾讯云（下图）和一些 Redis 官方的数据，都说理论上高配置版本的单机 Redis 能抗住 10W+的 QPS。可是理论毕竟是理论，实际上工作中，我使用 Redis 做过许多压测，都表明单机 Redis 上了两万多之后就性能会出现瓶颈，压测就压不上去。（当然，或许是我司的 Redis 还没升到顶配？）

3、使用集群版 Redis，当然是可以解决这个问题，就是成本有点点高咯，公司不差钱完全可以使用这个方案。

4、本地缓存，就是本文的重点，完美地解决这个问题。所谓本地缓存就是将这些所需要获取的数据存储在服务器的内存中。服务器读取本地缓存的速度理论上来说没有上限，看服务器物理机的配置。但其下限就远比 MySQL 和单机 Redis 之类的高好几倍了，一台 2 核 4G 的 Linux 服务器，估计也至少 10W+QPS 起步。我曾经在本地的 Windows 系统做过压测（四核八线程，16G），就达到过 100W+的 QPS。换到同等配置的 Linux 系统上，那就更不用说了。

二、技术方案

既然选用了本地缓存这个策略，那么我们怎么设计这个本地缓存的技术方案呢？

1、如上图所示，我们客户端获取数据首先会读取本地缓存，如果本地缓存没有数据就会读取 Redis 数据，如果 Redis 没有就会读取 DB 数据。

2、需要注意的是，本地缓存和 DB 之间一般还会加入 Redis 这一层缓存。这是因为本地缓存设置好后就无法再更新了（除非重启服务器），而 Redis 缓存我们是可以在 DB 有更改后，随时更新。这个也很好理解，因为 Redis 是有单独的 Redis 服务器，而本地缓存就只能在那台机器上更新和设置，但实际项目中，设置本地缓存的 DB 数据源的机器和使用本地缓存的机器大概率都不在同一个系统中。所以我们本地缓存的时间都设置得很短，大部分都是秒级的，一般不会超过 1 分钟，比如 1 秒、2 秒... 。而 Redis 这个缓存时长明显可以设置长一些，比如半小时、1 小时...。

三、如何更新本地缓存

上面讲了，本地缓存最不好的地方就是更新问题，因为很可能设置本地缓存的 DB 数据源的系统和使用本地缓存的系统不是同一个，无法在 DB 数据更新的时候就同步更新本地缓存。但是实际使用的时候很可能就需要这种场景，就是在更新数据源的时候去更新本地缓存。举个例子：

我们设置配置 A 的 DB 数据源的系统是一个 API 系统，但现在有一个脚本系统，需要根据某个配置 A，去处理 C 端的一些行为数据，判断是否满足该配置 A，然后进行对应的业务处理。好了，现在 C 端的行为数据量是非常庞大的，可以说是海量数据，平均每秒钟有五十万的数据通过 kafka 推送过来。此时我们就必须得用本地缓存存储配置 A 的信息了，才能抗的住这个流量洪峰。但是这是一个脚本系统啊，我们更新配置 A 的 DB 信息是在对应的 API 系统中的。那怎么办呢？

有几个方法：

1、在脚本系统中维护一个脚本，每隔一段时间就去读取 MySQL 的数据，然后更新到本地缓存。但这个得综合评估下时间和 MySQL 的性能，因为要一直扫表。

2、拉取 MySQL 的 binlog 日志，每当数据有变更时，kafka 推送数据到下游。脚本监听 kafka 数据，当收到 kafka 数据是就更新配置 A 的本地缓存。但这个也得注意，因为脚本系统一般会同时起很多个服务，所以得注意有多少个服务就得设置多少个消费者组，因为要保证脚本系统的每个服务都消费到 kafka 对应的 DB 更新数据，进而更新各自机器上的本地缓存。

3、使用 Redis 的发布订阅功能，上游 api 有更新配置信息时就去发布信息，每个脚本服务都去订阅该信息，一有消息就去更新自己机器上的本地缓存。但这也有个弊端，Redis 的发布订阅功能是没有确认机制的，所以可能某个脚本服务没收到信息导致没更新本地缓存，然后就出现 bug 了。demo 如下：

（1）发布者：

package main
import (	"context"	"fmt"	"github.com/go-redis/redis/v8"	"time")
var ctx = context.Background()
// 发布订阅功能// 发布者发布，所有订阅者都能接收到发布的消息。注意区分消息队列，消息队列是发布者发布，只有一个订阅者能抢到。func main() {	rdb := redis.NewClient(&redis.Options{		Addr:     "localhost:16379",		Password: "123456",	})
	i := 0	for {		// 模拟数据更新时发布消息		rdb.Publish(ctx, "money_updates", "New money value updated "+fmt.Sprintf("%d", i))		fmt.Println("Message published " + fmt.Sprintf("%d", i))		time.Sleep(5 * time.Second)		i++	}
}

（2）订阅者：

package main
import (	"context"	"fmt"	"github.com/go-redis/redis/v8")
var ctx = context.Background()
func main() {	rdb := redis.NewClient(&redis.Options{		Addr:     "localhost:16379",		Password: "123456",	})
	pubsub := rdb.Subscribe(ctx, "money_updates")	defer pubsub.Close()
	// 等待消息	for {		msg, err := pubsub.ReceiveMessage(ctx)		if err != nil {			fmt.Println("Error receiving message:", err)			return		}		fmt.Println("Received message:", msg.Payload)	}}

4、跟方法 1 类似，只是可以把修改的配置 A 信息推送到 Redis 中，然后脚本去扫描 Redis 信息，有则更新本地缓存。其实就是延迟队列。但这个就得上游的配置 A 增删改都要写入这个 Redis，有时候增删改的口子太多，其实实施起来也比较困难。

如上所述，基本上更新本地缓存没有一个很合适、很高效的方法，只能选取其中一个比较符合自己业务场景的方法。

四、本地缓存常用类库

go 如何使用本地缓存呢？

1、可以自己实现一个本地缓存，一般可以使用 LRU（最近最少使用）算法。下面是自己实现的一个本地缓存的 demo。

package main
import (	"container/list"	"fmt"	"sync"	"time")
type Cache struct {	capacity int	cache    map[int]*list.Element	lruList  *list.List	mu       sync.Mutex // 确保线程安全}
type entry struct {	key        int	value      int	expiration time.Time // 过期时间}
// NewCache 创建新的缓存func NewCache(capacity int) *Cache {	return &Cache{		capacity: capacity,		cache:    make(map[int]*list.Element),		lruList:  list.New(),	}}
// Get 从缓存中获取值func (c *Cache) Get(key int) (int, bool) {	c.mu.Lock()	defer c.mu.Unlock()
	if elem, found := c.cache[key]; found {		// 检查是否过期		if elem.Value.(entry).expiration.After(time.Now()) {			// 移动到链表头部 (最近使用)			c.lruList.MoveToFront(elem)			return elem.Value.(entry).value, true		}		// 如果过期，删除缓存项		c.removeElement(elem)	}	return 0, false}
// Put 将值放入缓存func (c *Cache) Put(key int, value int, ttl time.Duration) {	c.mu.Lock()	defer c.mu.Unlock()
	if elem, found := c.cache[key]; found {		// 更新现有值		elem.Value = entry{key, value, time.Now().Add(ttl)}		c.lruList.MoveToFront(elem)	} else {		// 添加新条目		if c.lruList.Len() == c.capacity {			// 删除最旧的条目			oldest := c.lruList.Back()			if oldest != nil {				c.removeElement(oldest)			}		}		newElem := c.lruList.PushFront(entry{key, value, time.Now().Add(ttl)})		c.cache[key] = newElem	}}
// removeElement 从缓存中删除元素func (c *Cache) removeElement(elem *list.Element) {	c.lruList.Remove(elem)	delete(c.cache, elem.Value.(entry).key)}
// 清理过期项func (c *Cache) CleanUp() {	c.mu.Lock()	defer c.mu.Unlock()
	for e := c.lruList.Back(); e != nil; {		next := e.Prev()		if e.Value.(entry).expiration.Before(time.Now()) {			c.removeElement(e)		}		e = next	}}
func main() {	cache := NewCache(2)	cache.Put(1, 1, 5*time.Second) // 设置过期时间为5秒	cache.Put(2, 2, 5*time.Second)
	fmt.Println(cache.Get(1)) // 输出: 1 true	time.Sleep(6 * time.Second)
	// 过期后的访问	fmt.Println(cache.Get(1)) // 输出: 0 false	cache.CleanUp()           // 进行清理}

该代码中使用 LRU 算法，通过将最新的缓存移动到链表头部（最近使用）来实现这个算法。但也有一些问题，CleanUp 方法需要手动调用去清理过期缓存，并没有定期自动清理的机制。这就意味着使用者可能需要频繁调用 CleanUp，否则过期项可能会在缓存中停留较长时间。代码中也加了锁，可能还会存在并发访问时的数据一致性和性能问题等等。

所以，这种自己实现的 demo 不建议放在生产环境中使用，可能会存在一些小问题。比如，之前我部门写的一个本地缓存类库，就存在一个大 bug：本地缓存的内存空间不能释放，导致内存一直蹭蹭地往上涨。隔好几天内存就飙到 90%，然后我们临时处理方法是：隔好几天就去重启一次脚本...

2、所以呢，我们还是建议去使用开源的类库，至少有许多前辈帮我们踩过坑了，这里推荐几个 star 数比较高的：

（1）go-cache：一个简单的内存缓存库，支持过期和自动清理，适合简单的缓存 key-value 需求。（本人项目中使用比较多，方便简单，推荐）

（2）bigcache：高性能的内存缓存库，适用于大量数据的缓存，其设计旨在减少垃圾回收的压力。

（3）groupcache：Google 开发的一个缓存库，支持分布式缓存和单机缓存。适用于需要高并发和高可用性的场景。

以上，就是个人使用本地缓存的一些经验了。不得不说，这玩意用着是真香，物美价廉，能扛能打。唯一美中不足的就是本地缓存不太好实时去更新，当然这个上面也给出了几个解决方案。

文章转载自：snail_lie

原文链接：https://www.cnblogs.com/lmz-blogs/p/18509113

体验地址：http://www.jnpfsoft.com/?from=infoq