缓存-变更事件捕捉、更新策略、本地缓存和热key问题
缓存-基础知识
熟悉计算机基础的同学们都知道，服务的存储大多是多层级的，呈现金字塔类型。通常来说本机存储比通过网络通信的外部存储更快（现在也不一定了，因为网络传输速度很快，至少可以比一些过时的本地存储设备速度快）。常见的本机存储和网络设备有：
- 本机：从快到慢有CPU寄存器、CPU多级缓存、内存、磁盘
- 网络设备：从快到慢有Redis这类的基于内存的缓存，MySQL这类持久化数据库，RPC调用（如果假设RPC调用的下游也需要调用缓存和数据库等组件）等
那么使用缓存有什么好处呢？通俗地讲就是“快”，准确地说是读取快，每秒承载的访问次数多，这样服务端每秒能处理的请求就更多，服务总体的吞吐量就大。具体来说，基于内存的存储比基于磁盘的快，所以大家常常使用Redis作为MySQL的缓存；而本机的内存缓存又会比通过网络调用Redis快，因此现在一些互联网公司也在搭建本地缓存（Local Cache）来缓解Redis的压力。
另外需要看到缓存的缺点：缓存增加了数据的副本份数，所以写入的份数也增加了，写入性能必然降低，一致性管理成本必然增加。所以缓存基本都是用于读多写少，且不要求强一致性的场景。
更新事件捕获与更新缓存的策略
在常见的在线服务调用中，我们会构建缓存来避免对数据库和下游的调用，来减少数据库压力和对下游服务的压力。当相关数据改变时，可以使缓存失效或者更新缓存。那么这里引入了两个问题，第一个是如何知道缓存该被更新了，第二个是怎么选择删除缓存和更新缓存的策略。
更新事件捕获
通常有两种方式来捕获更新事件：
- 服务代码主动更新：用户操作涉及修改数据时，处理用户请求的服务代码会刷新缓存和数据库里的数据
- 订阅数据库binlog延迟更新：数据库配置binlog，并通过一些binlog同步工具将数据库变更记录发送到消息队列。服务端订阅消息队列的指定话题获取变更记录，进而更新缓存数据
1#通常被用于更新自己团队的数据，而2#通常用于更新下游服务，或者作为缓存更新失败时的兜底逻辑。毕竟下游是数据的生产方，让下游更新缓存的时候通知所有上游不太现实，这种基于订阅模式的事件捕获机制有很强的扩展性。
更新策略选择
具体策略（删除或更新）的选择通常取决于数据是否在本次处理中已经计算好了。比方说收到一条变更消息，说用户的年龄已经被更新了。与年龄相关的可能还有用户对好友的可见性、用户是否可以接收其它用户的信息等内容，它们都可能随着年龄的更改而同步变化，而这些信息目前还是未知的——除非再次请求下游。因此对于这种情况，我们会将相关的数据直接删除。由于年龄的更新频率非常低，所以我们可以认为删除相关缓存的操作对其性能的总体影响很小。
但是如果需要更新的字段比较独立，不会影响别的字段，比方说用户昵称或者头像，那直接更新对应的数据即可
本地缓存（Local Cache）
说完了更新缓存的策略，我们再来看看最近业界比较流行的Local Cache的实现。这里的local，指的是服务器的单实例，也就是每个实例都会有自己的缓存副本。它的适用条件是读请求次数远远大于写，且数据总量较小。比如对于Redis来说，性能指标的表现就是内存利用率低，但是CPU占用率很高。这对于现在的微服务架构来说比较常见，每个服务需要管理的字段不多，但是请求量巨大，比如对于社交应用来说，用户年龄相关的字段就符合这种访问模式，每次请求基本都要读取年龄字段，但是数据量却很小。
读写过程
本地缓存的读取策略很简单，不过就是在Redis之前加了个读取本地缓存的过程，如果缓存不存在就从更高层级缓存拉取。
那如何更新缓存呢？由于分布式系统的特性，每个服务器实例都有自己的内存，除非使用特别的路由策略，让同一个用户的请求只打到同一台机器上，否则更新缓存是很头疼的事情：用户的缓存可能存在于不同机器上，如何让多台服务器的缓存同时失效？因此在分布式的世界中，使用Redis这样的集中缓存比较常见，只要存储是集中式的且从计算单元中分离出来，服务就可以做成无状态的，减少数据状态的管理成本。
回忆一下我们刚刚说过的捕获更新和缓存更新方式，其实本地缓存的更新也不出其右：用binlog+消息队列同步数据库变更，所有启用本地缓存的服务器实例，都需要监听消息队列里的变更消息，并刷新（或者删除）本地缓存。唯一的不同是，如果需要刷新Redis缓存，那我们可以把刷新缓存的服务和处理用户请求的服务独立开来；但是本地缓存的缓存更新逻辑得和服务器逻辑都放在同一个实例中。这也很好理解，Redis是集中式的缓存，而本地缓存和服务器实例牢牢捆绑在一起。
本地缓存的优势
之前说过，本地缓存适用于读远远大于写，且请求量大但是缓存数据总量较小的场景。为什么呢？因为假如CPU和内存利用率都很高，即使本地缓存降低了Redis的读取次数，那也只能降低Redis的CPU占用率，而内存利用率还是很高。内存利用率和缓存数据总量有关，所以多一层缓存不会减少缓存的数据总量。根据木桶原理，即使CPU利用率降低了，由于内存的需求还在，也不能缩减实例的数量，所以并不能节约太多钱（可以降低一下CPU规格，但是一台生产环境实例的基本价格在那，降低或提高规格带来的费用变化并不大）。
那有人问了，本地缓存不是也提高了服务端的内存占用，这方面的费用不算了吗？刚刚说过，生产环境里一台实例的基础费用不低，而且增加一些内存带来的费用相比于减少Redis实例数量来说很小。而且本来本地缓存就适合数据总量小的场景，因此增加一些内存容量（比如4-8G）就能有客观的命中率（比如50%+）。
我相信还有人会问，增加了更新链路不是也带来了额外费用吗？这就要再强调一下本地缓存的适用场景：读远远大于写，比如大了两个数量级。这样缓存的更新频率足够低，缓存更新链路所需的资源也足够少。
缓存常见问题
缓存如何解决热点问题
热点问题是缓存遇到的常见问题之一，比如强如Redis也有其吞吐量上限，而Redis同一个key只能存储在一个分片、一个进程里，可能还是无法应付一些热点用户的数据访问（比如某个热点问题，某个热点主播）。《数据密集型系统》给出两个比较笼统的方案：
- 给热key实例更多资源：比如将其单独存储在一个实例中，或者给它分配更好的机器。但是这种方案很容易就会达到上限，因为不具备水平扩展能力。
- 拆key：比如某个用户（id为1234）是热点，那就将它的数据存在100个副本中，每个副本的key是id后面加上两位数。这样当看到1234这个id时，服务端会自动在后面加上两位随机数，生成形如123401,123402…123499这样的id，再到Redis里访问。这相当于把一个热key的访问压力分散为原来的1/100。这种方式明显是优化了读请求。如果是写请求比较重，那也可以做类似的事情，将写分散到不同的实例上，但读的时候就需要读取所有的100个分片。
由于1#不具备水平扩展能力，所以一些业界流行的做法都采用了类似2#的方式，只不过实现起来各有特点，比方说在Redis之前加一层缓存代理，这层代理也是一个分布式服务，一旦有热key存在，就会将热key缓存到代理服务的本地缓存里，实现了类似于2#中拆key的效果（因为代理服务也是分布式的，多个实例都可以缓存热key的内容，进而分散了Redis单实例的压力）