当前位置: 首页 > news >正文

高性能缓存 Caffeine 原理及实战

Caffeine 是基于Java 8 开发的、提供了近乎最佳命中率的高性能本地缓存组件,Spring5 开始不再支持 Guava Cache,改为使用 Caffeine。

1 算法原理
对于 Java 进程内缓存我们可以通过 HashMap 来实现。不过,Java 进程内存是有限的,不可能无限地往里面放缓存对象。这就需要有合适的算法辅助我们淘汰掉使用价值相对不高的对象,为新进的对象留有空间。常见的缓存淘汰算法有 FIFO、LRU、LFU。

FIFO(First In First Out):先进先出。

它是优先淘汰掉最先缓存的数据、是最简单的淘汰算法。缺点是如果先缓存的数据使用频率比较高的话,那么该数据就不停地进进出出,因此它的缓存命中率比较低。

LRU(Least Recently Used):最近最久未使用。

它是优先淘汰掉最久未访问到的数据。缺点是不能很好地应对偶然的突发流量。比如一个数据在一分钟内的前59秒访问很多次,而在最后1秒没有访问,但是有一批冷门数据在最后一秒进入缓存,那么热点数据就会被冲刷掉。

LFU(Least Frequently Used):

最近最少频率使用。它是优先淘汰掉最不经常使用的数据,需要维护一个表示使用频率的字段。

主要有两个缺点:

一、如果访问频率比较高的话,频率字段会占据一定的空间;

二、无法合理更新新上的热点数据,比如某个歌手的老歌播放历史较多,新出的歌如果和老歌一起排序的话,就永无出头之日。

2.1.2 W-TinyLFU 算法

Caffeine 使用了 W-TinyLFU 算法,解决了 LRU 和LFU上述的缺点。W-TinyLFU 算法由论文《TinyLFU: A Highly Efficient Cache Admission Policy》提出。

它主要干了两件事:

一、采用 Count–Min Sketch 算法降低频率信息带来的内存消耗;

二、维护一个PK机制保障新上的热点数据能够缓存。

http://www.lryc.cn/news/151279.html

相关文章:

  • 【算法】leetcode 105 从前序与中序遍历序列构造二叉树
  • 11 | Spark计算数据文件中每行数值的平均值
  • AI与游戏创新:深度学习的起跑枪声
  • 【GUI开发】用python爬YouTube博主信息,并开发成exe软件
  • 7.6 函数的递归调用
  • 本地开机启动jar
  • 解决uniapp手机真机调试时找不到手机问题
  • HarmonyOS应用开发者-----高级认证试题及答案
  • R语言随机波动模型SV:马尔可夫蒙特卡罗法MCMC、正则化广义矩估计和准最大似然估计上证指数收益时间序列...
  • 详细教程:Stegsolve的下载,jdk的下载、安装以及环境的配置
  • Watermark 是怎么生成和传递的?
  • 深度学习论文分享(八)Learning Event-Driven Video Deblurring and Interpolation
  • UI设计开发原则
  • Mac 如何判断下载Mac with Intel Chip 还是 Mac with Apple Chip
  • windows笔记本远程连接如何打开任务管理器?
  • GitHub打不开解决方法——授人以渔
  • gRPC之数据压缩Snappy、zstd
  • k8s之存储篇---存储类StorageClass
  • WordPress(4)关于网站的背景图片更换
  • 2 | Window 搭建单机 Hadoop 和Spark
  • 接口测试与功能测试的区别~
  • LeetCode 23 合并 K 个升序链表
  • [国产MCU]-W801开发实例-TCP客户端
  • 《爵士乐史》乔德.泰亚 笔记
  • 工程制造领域:企业IT架构
  • PY32F003F18点灯
  • Mac不想用iTerm2了怎么办
  • x86_64 ansible 源码编译安装
  • 数据结构学习系列之顺序表的两种插入方式
  • Matlab/Python教程系列 | 根据目录下的已有图片制作视频(动画)