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。

作者:snail_lie原文地址:https://www.cnblogs.com/lmz-blogs/p/18509113

%s 个评论

要回复文章请先登录注册