采用三級緩存：nginx本地緩存+redis分布式緩存+tomcat堆緩存的多級緩存架構
時效性要求非常高的數據：庫存
一般來說，顯示的庫存，都是時效性要求會相對高一些，因為隨着商品的不斷的交易，庫存會不斷的變化
時效性要求不高的數據：商品的基本信息（名稱、顏色、版本、規格參數，等等）
商品價格/庫存等時效性要求高的數據，而且種類較少，采取相關的服務系統每次發生了變更的時候，直接采取數據庫和redis緩存雙寫的方案，這樣緩存的時效性最高
商品基本信息等時效性不高的數據，而且種類繁多，來自多種不同的系統，采取MQ異步通知的方式，寫一個數據生產服務，監聽MQ消息，然后異步拉取服務的數據，更新tomcat jvm緩存+redis緩存
nginx+lua腳本做頁面動態生成的工作，每次請求過來，優先從nginx本地緩存中提取各種數據，結合頁面模板，生成需要的頁面
如果nginx本地緩存過期了，那么就從nginx到redis中去拉取數據，更新到nginx本地
如果redis中也被LRU算法清理掉了，那么就從nginx走http接口到后端的服務中拉取數據，數據生產服務中，現在本地tomcat里的jvm堆緩存中找，ehcache，如果也被LRU清理掉了，那么就重新發送請求到源頭的服務中去拉取數據，然后再次更新tomcat堆內存緩存+redis緩存，並返回數據給nginx，nginx緩存到本地
2、多級緩存架構中每一層的意義
nginx本地緩存，抗的是熱數據的高並發訪問，一般來說，商品的購買總是有熱點的，比如每天購買iphone、nike、海爾等知名品牌的東西的人，總是比較多的
這些熱數據，利用nginx本地緩存，由於經常被訪問，所以可以被鎖定在nginx的本地緩存內
大量的熱數據的訪問，就是經常會訪問的那些數據，就會被保留在nginx本地緩存內，那么對這些熱數據的大量訪問，就直接走nginx就可以了
那么大量的訪問，直接就可以走到nginx就行了，不需要走后續的各種網絡開銷了
redis分布式大規模緩存，抗的是很高的離散訪問，支撐海量的數據，高並發的訪問，高可用的服務
redis緩存最大量的數據，最完整的數據和緩存，1T+數據; 支撐高並發的訪問，QPS最高到幾十萬; 可用性，非常好，提供非常穩定的服務
nginx本地內存有限，也就能cache住部分熱數據，除了各種iphone、nike等熱數據，其他相對不那么熱的數據，可能流量會經常走到redis那里
利用redis cluster的多master寫入，橫向擴容，1T+以上海量數據支持，幾十萬的讀寫QPS，99.99%高可用性，那么就可以抗住大量的離散訪問請求
tomcat jvm堆內存緩存，主要是抗redis大規模災難的，如果redis出現了大規模的宕機，導致nginx大量流量直接涌入數據生產服務，那么最后的tomcat堆內存緩存至少可以再抗一下，不至於讓數據庫直接裸奔
同時tomcat jvm堆內存緩存，也可以抗住redis沒有cache住的最后那少量的部分緩存
redis架構，在我們的真正類似商品詳情頁讀高並發的系統中，redis就是底層的緩存存儲的支持
最經典的緩存+數據庫讀寫的模式，cache aside pattern
1、Cache Aside Pattern
（1）讀的時候，先讀緩存，緩存沒有的話，那么就讀數據庫，然后取出數據后放入緩存，同時返回響應
（2）更新的時候，先刪除緩存，然后再更新數據庫
2、為什么是刪除緩存，而不是更新緩存呢？
很多時候，復雜點的緩存的場景，因為緩存有的時候，不簡單是數據庫中直接取出來的值
商品詳情頁的系統，修改庫存，只是修改了某個表的某些字段，但是要真正把這個影響的最終的庫存計算出來，可能還需要從其他表查詢一些數據，然后進行一些復雜的運算，才能最終計算出
現在最新的庫存是多少，然后才能將庫存更新到緩存中去
比如可能更新了某個表的一個字段，然后其對應的緩存，是需要查詢另外兩個表的數據，並進行運算，才能計算出緩存最新的值的
更新緩存的代價是很高的
是不是說，每次修改數據庫的時候，都一定要將其對應的緩存去跟新一份？也許有的場景是這樣的，但是對於比較復雜的緩存數據計算的場景，就不是這樣了
如果你頻繁修改一個緩存涉及的多個表，那么這個緩存會被頻繁的更新，頻繁的更新緩存
舉個例子，一個緩存涉及的表的字段，在1分鍾內就修改了20次，或者是100次，那么緩存跟新20次，100次; 但是這個緩存在1分鍾內就被讀取了1次，有大量的冷數據
28法則，黃金法則，20%的數據，占用了80%的訪問量
實際上，如果你只是刪除緩存的話，那么1分鍾內，這個緩存不過就重新計算一次而已，開銷大幅度降低
每次數據過來，就只是刪除緩存，然后修改數據庫，如果這個緩存，在1分鍾內只是被訪問了1次，那么只有那1次，緩存是要被重新計算的，用緩存才去算緩存
其實刪除緩存，而不是更新緩存，就是一個lazy計算的思想，不要每次都重新做復雜的計算，不管它會不會用到，而是讓它到需要被使用的時候再重新計算
mybatis，hibernate，懶加載，思想
查詢一個部門，部門帶了一個員工的list，沒有必要說每次查詢部門，都里面的1000個員工的數據也同時查出來啊
80%的情況，查這個部門，就只是要訪問這個部門的信息就可以了
先查部門，同時要訪問里面的員工，那么這個時候只有在你要訪問里面的員工的時候，才會去數據庫里面查詢1000個員工
實時性比較高的數據緩存，選擇的就是庫存的服務
庫存可能會修改，每次修改都要去更新這個緩存數據; 每次庫存的數據，在緩存中一旦過期，或者是被清理掉了，前端的nginx服務都會發送請求給庫存服務，去獲取相應的數據
庫存這一塊，寫數據庫的時候，直接更新redis緩存
其實就涉及到了一個問題，數據庫與緩存雙寫，數據不一致的問題
數據庫與緩存雙寫不一致，很常見的問題，大型的緩存架構中，第一個解決方案
1、最初級的緩存不一致問題以及解決方案
問題：先修改數據庫，再刪除緩存，如果刪除緩存失敗了，那么會導致數據庫中是新數據，緩存中是舊數據，數據出現不一致
解決思路
先刪除緩存，再修改數據庫，如果刪除緩存成功了，如果修改數據庫失敗了，那么數據庫中是舊數據，緩存中是空的，那么數據不會不一致
因為讀的時候緩存沒有，則讀數據庫中舊數據，然后更新到緩存中
2、比較復雜的數據不一致問題分析
數據發生了變更，先刪除了緩存，然后要去修改數據庫，此時還沒修改
一個請求過來，去讀緩存，發現緩存空了，去查詢數據庫，查到了修改前的舊數據，放到了緩存中
數據變更的程序完成了數據庫的修改
3、為什么上億流量高並發場景下，緩存會出現這個問題？
只有在對一個數據在並發的進行讀寫的時候，才可能會出現這種問題
其實如果說你的並發量很低的話，特別是讀並發很低，每天訪問量就1萬次，那么很少的情況下，會出現剛才描述的那種不一致的場景
但是問題是，如果每天的是上億的流量，每秒並發讀是幾萬，每秒只要有數據更新的請求，就可能會出現上述的數據庫+緩存不一致的情況
高並發了以后，問題是很多的
4、數據庫與緩存更新與讀取操作進行異步串行化
更新數據的時候，根據數據的唯一標識，將操作路由之后，發送到一個jvm內部的隊列中
讀取數據的時候，如果發現數據不在緩存中，那么將重新讀取數據+更新緩存的操作，根據唯一標識路由之后，也發送同一個jvm內部的隊列中
一個隊列對應一個工作線程
每個工作線程串行拿到對應的操作，然后一條一條的執行
這樣的話，一個數據變更的操作，先執行，刪除緩存，然后再去更新數據庫，但是還沒完成更新
此時如果一個讀請求過來，讀到了空的緩存，那么可以先將緩存更新的請求發送到隊列中，此時會在隊列中積壓，然后同步等待緩存更新完成
這里有一個優化點，一個隊列中，其實多個更新緩存請求串在一起是沒意義的，因此可以做過濾，如果發現隊列中已經有一個更新緩存的請求了，那么就不用再放個更新請求操作進去了，直接等待前面的更新操作請求完成即可
待那個隊列對應的工作線程完成了上一個操作的數據庫的修改之后，才會去執行下一個操作，也就是緩存更新的操作，此時會從數據庫中讀取最新的值，然后寫入緩存中
如果請求還在等待時間范圍內，不斷輪詢發現可以取到值了，那么就直接返回; 如果請求等待的時間超過一定時長，那么這一次直接從數據庫中讀取當前的舊值
5、高並發的場景下，該解決方案要注意的問題
（1）讀請求長時阻塞
由於讀請求進行了非常輕度的異步化，所以一定要注意讀超時的問題，每個讀請求必須在超時時間范圍內返回
該解決方案，最大的風險點在於說，可能數據更新很頻繁，導致隊列中積壓了大量更新操作在里面，然后讀請求會發生大量的超時，最后導致大量的請求直接走數據庫
另外一點，因為一個隊列中，可能會積壓針對多個數據項的更新操作，因此需要根據自己的業務情況進行測試，可能需要部署多個服務，每個服務分攤一些數據的更新操作
如果一個內存隊列里居然會擠壓100個商品的庫存修改操作，每隔庫存修改操作要耗費10ms區完成，那么最后一個商品的讀請求，可能等待10 * 100 = 1000ms = 1s后，才能得到數據
這個時候就導致讀請求的長時阻塞
一定要做根據實際業務系統的運行情況，去進行一些壓力測試，和模擬線上環境，去看看最繁忙的時候，內存隊列可能會擠壓多少更新操作，可能會導致最后一個更新操作對應的讀請求，會hang多少時間，如果讀請求在200ms返回，如果你計算過后，哪怕是最繁忙的時候，積壓10個更新操作，最多等待200ms，那還可以的
如果一個內存隊列可能積壓的更新操作特別多，那么你就要加機器，讓每個機器上部署的服務實例處理更少的數據，那么每個內存隊列中積壓的更新操作就會越少
其實根據之前的項目經驗，一般來說數據的寫頻率是很低的，因此實際上正常來說，在隊列中積壓的更新操作應該是很少的
針對讀高並發，讀緩存架構的項目，一般寫請求相對讀來說，是非常非常少的，每秒的QPS能到幾百就不錯了
一秒，500的寫操作，5份，每200ms，就100個寫操作
單機器，20個內存隊列，每個內存隊列，可能就積壓5個寫操作，每個寫操作性能測試后，一般在20ms左右就完成
那么針對每個內存隊列中的數據的讀請求，也就最多hang一會兒，200ms以內肯定能返回了
寫QPS擴大10倍，但是經過剛才的測算，就知道，單機支撐寫QPS幾百沒問題，那么就擴容機器，擴容10倍的機器，10台機器，每個機器20個隊列，200個隊列
大部分的情況下，應該是這樣的，大量的讀請求過來，都是直接走緩存取到數據的
少量情況下，可能遇到讀跟數據更新沖突的情況，如上所述，那么此時更新操作如果先入隊列，之后可能會瞬間來了對這個數據大量的讀請求，但是因為做了去重的優化，所以也就一個更新緩存的操作跟在它后面
等數據更新完了，讀請求觸發的緩存更新操作也完成，然后臨時等待的讀請求全部可以讀到緩存中的數據
（2）讀請求並發量過高
這里還必須做好壓力測試，確保恰巧碰上上述情況的時候，還有一個風險，就是突然間大量讀請求會在幾十毫秒的延時hang在服務上，看服務能不能抗的住，需要多少機器才能抗住最大的極限情況的峰值
但是因為並不是所有的數據都在同一時間更新，緩存也不會同一時間失效，所以每次可能也就是少數數據的緩存失效了，然后那些數據對應的讀請求過來，並發量應該也不會特別大
按1:99的比例計算讀和寫的請求，每秒5萬的讀QPS，可能只有500次更新操作
如果一秒有500的寫QPS，那么要測算好，可能寫操作影響的數據有500條，這500條數據在緩存中失效后，可能導致多少讀請求，發送讀請求到庫存服務來，要求更新緩存
一般來說，1:1，1:2，1:3，每秒鍾有1000個讀請求，會hang在庫存服務上，每個讀請求最多hang多少時間，200ms就會返回
在同一時間最多hang住的可能也就是單機200個讀請求，同時hang住
單機hang200個讀請求，還是ok的
1:20，每秒更新500條數據，這500秒數據對應的讀請求，會有20 * 500 = 1萬
1萬個讀請求全部hang在庫存服務上，就死定了
（3）多服務實例部署的請求路由
可能這個服務部署了多個實例，那么必須保證說，執行數據更新操作，以及執行緩存更新操作的請求，都通過nginx服務器路由到相同的服務實例上
（4）熱點商品的路由問題，導致請求的傾斜
萬一某個商品的讀寫請求特別高，全部打到相同的機器的相同的隊列里面去了，可能造成某台機器的壓力過大
就是說，因為只有在商品數據更新的時候才會清空緩存，然后才會導致讀寫並發，所以更新頻率不是太高的話，這個問題的影響並不是特別大
但是的確可能某些機器的負載會高一些
安裝mysql：
先用yum安裝mysql server yum install -y mysql-server service mysqld start chkconfig mysqld on yum install -y mysql-connector-java