社区微信群开通啦，扫一扫抢先加入社区官方微信群
社区微信群
这篇文章登上了Golang 在Reddit subreddit板块的顶部，并在Hacker News 首页排名到第二名。欢迎各位来阅读讨论，并在Github上面给我们一个小星星。
每个数据库都需要一个智能的缓存系统。缓存需要保存最近最频繁访问的内容，并且支持配置一些限制上的配置。
作为一个图形数据库，Dgraph可以在每次查询中，访问数千甚至数百万的key。这个功能主要依赖于他中间结果的数量。由于通过键值对访问数据库会导致磁盘上的查询操作，出于对性能方面的考虑(磁盘访问速度不及内存)，我们希望优化这块的性能。
通常的访问模式都遵循 ZipFian分布，访问频率最高的key，比其他的key访问次数要多很多。从Dgraph中也能看到这一点(热点Key的问题)。
我们非常高兴能用Go语言来实现我们的Dgraph 组件，关于为什么Go语言适合做后端开发，这个内容太多了，在这里不赘述了。尽管Go的生态还不够健全，但不能否认Go是一个很不错的编程语言，而且我们也不会用别的语言来替代Go。
关于Go生态缺失的怨言随处可见。但是我觉得Go是成熟的，他已经实现了对机器内核的快速编译，执行和利用内核完成工作。但是作为一个致力于构建高并发的编程语言，对于性能上仍然有一些缺陷，并发库可以很好地扩展内核数量。对于并发的数组和字典，用户可以自由的使用和练习。对于串行语言来说，这样是合理的，但是对于以并行构建的编程语言，这点上似乎有一些缺陷。
特别的是，Go缺少并发的LRU/LFU 缓存，这两者可以很好地扩展到全局缓存中。在这片博客里面，我会带你一起来了解一下通常情况下的各种处理方式，包括在我的的Dgraph中进行的一些测试。Aman 同时也会展示一些目前Go生态中的设计理念，性能，命令率等的一些实践内容。
Go map 结合 sync.Mutex 是应对缓存的常见形式(独占所)。但这也确实会导致所有的Goroutines同时在一个地方锁住， 产生严重的锁竞争问题。而且也不能对内存的使用量做限制。所以对于有内存限制要求的场景，这个方案不适用。
不满足 上面的2,3,4条
这个方式的原理与上面的一样，但是锁的粒度更小(详见这里),很多程序员错误的认为，降低锁的粒度可以很好地避免竞争，特别是在分片数超过程序的线程数时(GOMAXPROCS)
在我们尝试编写一个简单的内存限制缓存的时候，我们也是这样做的。为了保证内存可以在释放之后还给操作系统。我们定期扫描我们的分片，然后释放掉创建的map，方便以后被再次使用。这种粗浅的方式却很有效，并且性能优于LRU(后面会解释),但是也有很多不足。
不满足 上面的2,4条
Go 里面，groupcache 实现了一个基本的LRU 缓存，在通过lock striping实现失败之后，我们通过引入lock的方式优化了LRU的这部分内容，使它支持了并发。虽然这样解决了上面描述的内存激增的问题，但是我们意识到他同样地会引入竞争的问题。
这个缓存的大小同样也依赖于缓存的条数，而不是他们消耗的内存量。在Go的堆上面计算复杂的数据结构所消耗的内存大小是非常麻烦的，几乎不可能实现。我们尝试了很多方式，但是都无法奏效。缓存被放入之后，大小也在不停地变化(我们计划之后避免这种情况)
我们无法预估缓存会引起多少的竞争。在使用了近一年的情况下，我们意识到缓存上面的竞争有多严重，删除掉这块之后，我们的缓存效率提高了10倍。
在这块的实现上，每次读取缓存会更新链表中的相对位置。因此每个访问都在等待一个互斥锁。此外LRU的速度比Map要慢，而且在反复的进行指针的释放，维护一个map和一个双向链表。尽管我们在惰性加载上面不断地优化，但依然遭受到竞争的而影响。
不满足3,4
我们没有实际的去尝试，但是依据我们的经验，这只会是一个暂时的解决方法，而且并不能很好地扩展。(不过在下面的测试里面，我们依然实现了这个解决方案)
不满足4
许多方法的优化点是节省GC在map碎片上花费的时间。GC的时间会随着map存数数量的增加而增大。减少的方案就是分配更少的数量，单位空间更大的区域，在每个空间上存储更多的内容。这确实是一个有效地方法，我们在Badger里面大量的使用了这个方法(Skiplist,Table builder 等)。 很多Go流行的缓存框架也是这么做的。
BigCache会通过Hash的方式进行分片。 每个分片都包含一个map和一个ring buffer。无论如何添加元素，都会将它放置在对应的ring buffer中，并将位置保存在map中。如果多次设置相同的元素，则ring buffer中的旧值则会被标记为无效，如果ring buffer太小，则会进行扩容。
每个map的key都是一个uint32的 hash值，每个值对应一个存储着元数据的ring buffer。如果hash值碰撞了，BigCache会忽略旧key，然后把新的值存储到map中。预先分配更少，更大的ring buffer，使用map [uint32] uint32是避免支付GC扫描成本的好方法
FreeCache 将缓存分成了256段，每段包括256个槽和一个ring buffer存储数据。当一个新的元素被添加进来的时候，使用hash值下8位作为标识id，通过使用LSB 9-16的值作为槽ID。将数据分配到多个槽里面，有助于优化查询的时间(分治策略)。
数据被存储在ring buffer中，位置被保存在一个排序的数组里面。如果ring buffer 内存不足，则会利用LRU的策略在ring buffer逐个扫描，如果缓存的最后访问时间小于平均访问的时间，就会被删掉。要找到一个缓存内容，在槽中是通过二分查找法对一个已经排好的数据进行查询。
GroupCache使用链表和Map实现了一个精准的LRU删除策略的缓存。为了进行公平的比较，我们在GroupCache的基础上，实现了一个包括256个分片的切片结构。
为了比较各种缓存的性能，我们生成了一个zipf分布式工作负载，并使用n1-highcpu-32机器运行基准测试。下表比较了三个缓存库在只读工作负载下的性能。
我们可以看到，由于读锁是无消耗的，所以BigCache的伸缩性更好。FreeCache和GroupCache读锁是有消耗的，并且在并发数达到20的时候，伸缩性下降了。(Y轴越大越好)
在只写的情况下，三者的性能表现比较接近，FreeCache比另两个的情况，稍微好一点。
两者混合的情况下，BigCache看起来是唯一一个在伸缩性上表现完美的，正如下一节所解释的那样，命中率对于Zipf工作负载是不利的。
下面的表格中展示了三个框架的命中率。FreeCache非常接近GroupCache实现的LRU策略。然而，BigCache在zipf分布式工作负载下表现不佳，原因如下：
| CACHE SIZE (# OF ELEM) | 10000 | 100000 | 1000000 | 10000000 |
|---|---|---|---|---|
| BigCache | - | 37% | 52% | 55% |
| FreeCache | - | 38% | 55% | 90% |
| GroupCache | 29% | 40% | 54% | 90% |
所以说，没有哪个框架能满足所有缓存的需求。
其实也没什么了，Go中并没有一个能满足所有场景的智能缓存框架，如果你发现了有这种，请快快联系我。
与此同时，我们遇到了Caffeine,一个Java的库，被用于使用Cassandra, Finagle 和一些其他的数据库系统。他使用的是TinyLFU,一个高效的缓存接纳策略，并使用各种技术来扩展和执行，随着线程和内核数量的增长，同时提供接近最佳命中率。您可以在这篇文章中了解它是如何工作的。
Caffeine 满足了我开始提到的所有的5个需求，所以我正在考虑构建一个Go版本的Caffeine。他不仅能满足我们的需求，同事也可能填补Go语言中并发，高性能，内存限制的缓存框架的空白。如果你也想参与或者你已经有类似的成果了，请联系我。
我们想要感谢 Benjamin Manes 帮助我们对Caffeine进行一些Go版本的性能测试(Code here),我们还要感谢Damian Gryski为我们提供了基准缓存命中率的基本框架(这里)，我们还修改了它,来满足我们的需要。他已经接受了我们对于他代码库(GitHub)的修改。
感谢阅读，如果方便的话，给我们Github 点个星星吧。
via:
原文链接：The State of Caching in Go
作者：Manish Rai Jain
译者：JYSDeveloper
如果觉得我的文章对您有用，请随意打赏。你的支持将鼓励我继续创作！
