緩存原理與微服務緩存自動管理

拋開業務談技術都是在耍流氓。—— Kevin Wan

為什么需要緩存？

先從一個老生常談的問題開始談起：我們的程序是如何運行起來的？

1. 程序存儲在 disk 中
2. 程序是運行在 RAM 之中，也就是我們所說的 main memory
3. 程序的計算邏輯在 CPU 中執行

來看一個最簡單的例子：a = a + 1

1. load x:
2. x0 = x0 + 1
3. load x0 -> RAM

上面提到了3種存儲介質。我們都知道，三類的讀寫速度和成本成反比，所以我們在克服速度問題上需要引入一個 中間層。這個中間層，需要高速存取的速度，但是成本可接受。於是乎，Cache 被引入

而在計算機系統中，有兩種默認緩存：

• CPU 里面的末級緩存，即 LLC。緩存內存中的數據
• 內存中的高速頁緩存，即 page cache。緩存磁盤中的數據

緩存讀寫策略

引入 Cache 之后，我們繼續來看看操作緩存會發生什么。因為存在存取速度的差異「而且差異很大」，從而在操作數據時，延遲或程序失敗等都會導致緩存和實際存儲層數據不一致。

我們就以標准的 Cache+DB 來看看經典讀寫策略和應用場景。

Cache Aside

先來考慮一種最簡單的業務場景，比如用戶表：userId:用戶id, phone:用戶電話token，avtoar:用戶頭像url，緩存中我們用 phone 作為key存儲用戶頭像。當用戶修改頭像url該如何做？

1. 更新DB數據，再更新Cache 數據
2. 更新 DB 數據，再刪除 Cache 數據

首先 變更數據庫 和 變更緩存 是兩個獨立的操作，而我們並沒有對操作做任何的並發控制。那么當兩個線程並發更新它們的時候，就會因為寫入順序的不同造成數據不一致。

所以更好的方案是 2：

• 更新數據時不更新緩存，而是直接刪除緩存
• 后續的請求發現緩存缺失，回去查詢 DB ，並將結果 load cache

這個策略就是我們使用緩存最常見的策略：Cache Aside。這個策略數據以數據庫中的數據為准，緩存中的數據是按需加載的，分為讀策略和寫策略。

但是可見的問題也就出現了：頻繁的讀寫操作會導致 Cache 反復地替換，緩存命中率降低。當然如果在業務中對命中率有監控報警時，可以考慮以下方案：

1. 更新數據時同時更新緩存，但是在更新緩存前加一個 分布式鎖。這樣同一時間只有一個線程操作緩存，解決了並發問題。同時在后續讀請求中時讀到最新的緩存，解決了不一致的問題。
2. 更新數據時同時更新緩存，但是給緩存一個較短的 TTL。

當然除了這個策略，在計算機體系還有其他幾種經典的緩存策略，它們也有各自適用的使用場景。

Write Through

先查詢寫入數據key是否擊中緩存，如果在 -> 更新緩存，同時緩存組件同步數據至DB；不存在，則觸發 Write Miss。

而一般 Write Miss 有兩種方式：

• Write Allocate：寫時直接分配 Cache line
• No-write allocate：寫時不寫入緩存，直接寫入DB，return

在 Write Through 中，一般采取 No-write allocate 。因為其實無論哪種，最終數據都會持久化到DB中，省去一步緩存的寫入，提升寫性能。而緩存由 Read Through 寫入緩存。

這個策略的核心原則：用戶只與緩存打交道，由緩存組件和DB通信，寫入或者讀取數據。在一些本地進程緩存組件可以考慮這種策略。

Write Back

相信你也看出上述方案的缺陷：寫數據時緩存和數據庫同步，但是我們知道這兩塊存儲介質的速度差幾個數量級，對寫入性能是有很大影響。那我們是否異步更新數據庫？

Write back 就是在寫數據時只更新該 Cache Line 對應的數據，並把該行標記為 Dirty。在讀數據時或是在緩存滿時換出「緩存替換策略」時，將 Dirty 寫入存儲。

需要注意的是：在 Write Miss 情況下，采取的是 Write Allocate，即寫入存儲同時寫入緩存，這樣我們在之后的寫請求只需要更新緩存。

async purge 此類概念其實存在計算機體系中。Mysql 中刷臟頁，本質都是盡可能防止隨機寫，統一寫磁盤時機。

Redis

Redis是一個獨立的系統軟件，和我們寫的業務程序是兩個軟件。當我們部署了Redis 實例后，它只會被動地等待客戶端發送請求，然后再進行處理。所以，如果應用程序想要使用 Redis 緩存，我們就要在程序中增加相應的緩存操作代碼。所以我們也把 Redis 稱為 旁路緩存，也就是說：讀取緩存、讀取數據庫和更新緩存的操作都需要在應用程序中來完成。

而作為緩存的 Redis，同樣需要面臨常見的問題：

• 緩存的容量終究有限
• 上游並發請求沖擊
• 緩存與后端存儲數據一致性

替換策略

一般來說，緩存對於選定的被淘汰數據，會根據其是干凈數據還是臟數據，選擇直接刪除還是寫回數據庫。但是，在 Redis 中，被淘汰數據無論干凈與否都會被刪除，所以，這是我們在使用 Redis 緩存時要特別注意的：當數據修改成為臟數據時，需要在數據庫中也把數據修改過來。

所以不管替換策略是什么，臟數據有可能在換入換出中丟失。那我們在產生臟數據就應該刪除緩存，而不是更新緩存，一切數據應該以數據庫為准。這也很好理解，緩存寫入應該交給讀請求來完成；寫請求盡可能保證數據一致性。

至於替換策略有哪些，網上已經有很多文章歸納之間的優劣，這里就不再贅述。

ShardCalls

並發場景下，可能會有多個線程（協程）同時請求同一份資源，如果每個請求都要走一遍資源的請求過程，除了比較低效之外，還會對資源服務造成並發的壓力。

go-zero 中的 ShardCalls 可以使得同時多個請求只需要發起一次拿結果的調用，其他請求"坐享其成"，這種設計有效減少了資源服務的並發壓力，可以有效防止緩存擊穿。

對於防止暴增的接口請求對下游服務造成瞬時高負載，可以在你的函數包裹：

fn = func() (interface{}, error) {
  // 業務查詢
}
data, err = g.Do(apiKey, fn)
// 就獲得到data，之后的方法或者邏輯就可以使用這個data

其實原理也很簡單：

func (g *sharedGroup) Do(key string, fn func() (interface{}, error)) (interface{}, error) {
  // done: false，才會去執行下面的業務邏輯；為 true，直接返回之前獲取的data
  c, done := g.createCall(key)
  if done {
    return c.val, c.err
  }
  
  // 執行調用者傳入的業務邏輯
  g.makeCall(c, key, fn)
  return c.val, c.err
}

func (g *sharedGroup) createCall(key string) (c *call, done bool) {
  // 只讓一個請求進來進行操作
  g.lock.Lock()
  // 如果攜帶標示一系列請求的key在 calls 這個map中已經存在，
  // 則解鎖並同時等待之前請求獲取數據，返回
  if c, ok := g.calls[key]; ok {
    g.lock.Unlock()
    c.wg.Wait()
    return c, true
  }
  
  // 說明本次請求是首次請求
  c = new(call)
  c.wg.Add(1)
  // 標注請求，因為持有鎖，不用擔心並發問題
  g.calls[key] = c
  g.lock.Unlock()

  return c, false
}

這種 map+lock 存儲並限制請求操作，和groupcache中的 singleflight 類似，都是防止緩存擊穿的利器

源碼地址：sharedcalls.go

緩存和存儲更新順序

這是開發中常見糾結問題：到底是先刪除緩存還是先更新存儲？

情況一：先刪除緩存，再更新存儲；

• A 刪除緩存，更新存儲時網絡延遲
• B 讀請求，發現緩存缺失，讀存儲 -> 此時讀到舊數據

這樣會產生兩個問題：

• B 讀取舊值
• B 同時讀請求會把舊值寫入緩存，導致后續讀請求讀到舊值

既然是緩存可能是舊值，那就不管刪除。有一個並不優雅的解決方案：在寫請求更新完存儲值以后，sleep() 一小段時間，再進行一次緩存刪除操作。

sleep 是為了確保讀請求結束，寫請求可以刪除讀請求造成的緩存臟數據，當然也要考慮到 redis 主從同步的耗時。不過還是要根據實際業務而定。

這個方案會在第一次刪除緩存值后，延遲一段時間再次進行刪除，被稱為：延遲雙刪。

情況二：先更新數據庫值，再刪除緩存值：

• A 刪除存儲值，但是刪除緩存網絡延遲
• B 讀請求時，緩存擊中，就直接返回舊值

這種情況對業務的影響較小，而絕大多數緩存組件都是采取此種更新順序，滿足最終一致性要求。

情況三：新用戶注冊，直接寫入數據庫，同時緩存中肯定沒有。如果程序此時讀從庫，由於主從延遲，導致讀取不到用戶數據。

這種情況就需要針對 Insert 這種操作：插入新數據入數據庫同時寫緩存。使得后續讀請求可以直接讀緩存，同時因為是剛插入的新數據，在一段時間修改的可能性不大。

以上方案在復雜的情況或多或少都有潛在問題，需要貼合業務做具體的修改。

如何設計好用的緩存操作層？

上面說了這么多，回到我們開發角度，如果我們需要考慮這么多問題，顯然太麻煩了。所以如何把這些緩存策略和替換策略封裝起來，簡化開發過程？

明確幾點：

• 將業務邏輯和緩存操作分離，留給開發這一個寫入邏輯的點
• 緩存操作需要考慮流量沖擊，緩存策略等問題。。。

我們從讀和寫兩個角度去聊聊 go-zero 是如何封裝。

QueryRow

// res: query result
// cacheKey: redis key
err := m.QueryRow(&res, cacheKey, func(conn sqlx.SqlConn, v interface{}) error {
  querySQL := `select * from your_table where campus_id = ? and student_id = ?`
  return conn.QueryRow(v, querySQL, campusId, studentId)
})

我們將開發查詢業務邏輯用 func(conn sqlx.SqlConn, v interface{}) 封裝。用戶無需考慮緩存寫入，只需要傳入需要寫入的 cacheKey。同時把查詢結果 res 返回。

那緩存操作是如何被封裝在內部呢？來看看函數內部：

func (c cacheNode) QueryRow(v interface{}, key string, query func(conn sqlx.SqlConn, v interface{}) error) error {
 cacheVal := func(v interface{}) error {
  return c.SetCache(key, v)
 }
 // 1. cache hit -> return
  // 2. cache miss -> err
 if err := c.doGetCache(key, v); err != nil {
    // 2.1 err defalut val {*}
  if err == errPlaceholder {
   return c.errNotFound
  } else if err != c.errNotFound {
   return err
  }
  // 2.2 cache miss -> query db
    // 2.2.1 query db return err {NotFound} -> return err defalut val「see 2.1」
  if err = query(c.db, v); err == c.errNotFound {
   if err = c.setCacheWithNotFound(key); err != nil {
    logx.Error(err)
   }

   return c.errNotFound
  } else if err != nil {
   c.stat.IncrementDbFails()
   return err
  }
  // 2.3 query db success -> set val to cache
  if err = cacheVal(v); err != nil {
   logx.Error(err)
   return err
  }
 }
 // 1.1 cache hit -> IncrementHit
 c.stat.IncrementHit()

 return nil
}

從流程上恰好對應緩存策略中的：Read Through。

源碼地址：cachedsql.go

Exec

而寫請求，使用的就是之前緩存策略中的 Cache Aside -> 先寫數據庫，再刪除緩存。

_, err := m.Exec(func(conn sqlx.SqlConn) (result sql.Result, err error) {
  execSQL := fmt.Sprintf("update your_table set %s where 1=1", m.table, AuthRows)
  return conn.Exec(execSQL, data.RangeId, data.AuthContentId)
}, keys...)

func (cc CachedConn) Exec(exec ExecFn, keys ...string) (sql.Result, error) {
 res, err := exec(cc.db)
 if err != nil {
  return nil, err
 }

 if err := cc.DelCache(keys...); err != nil {
  return nil, err
 }

 return res, nil
}

和 QueryRow 一樣，調用者只需要負責業務邏輯，緩存寫入和刪除對調用透明。

源碼地址：cachedsql.go

線上的緩存

開篇第一句話：脫離業務將技術都是耍流氓。以上都是在對緩存模式分析，但是實際業務中緩存是否起到應有的加速作用？最直觀就是緩存擊中率，而如何觀測到服務的緩存擊中？這就涉及到監控。

下圖是我們線上環境的某個服務的緩存記錄情況：

還記得上面 QueryRow 中：查詢緩存擊中，會調用 c.stat.IncrementHit()。其中的 stat 就是作為監控指標，不斷在計算擊中率和失敗率。

源碼地址：cachestat.go

在其他的業務場景中：比如首頁信息瀏覽業務中，大量請求不可避免。所以緩存首頁的信息在用戶體驗上尤其重要。但是又不像之前提到的一些單一的key，這里可能涉及大量消息，這個時候就需要其他緩存類型加入：

1. 拆分緩存：可以分 消息id -> 由 消息id 查詢消息，並緩存插入消息list中。
2. 消息過期：設置消息過期時間，做到不占用過長時間緩存。

這里也就是涉及緩存的最佳實踐：

• 不允許不過期的緩存「尤為重要」
• 分布式緩存，易伸縮
• 自動生成，自帶統計

總結

本文從緩存的引入，常見緩存讀寫策略，如何保證數據的最終一致性，如何封裝一個好用的緩存操作層，也展示了線上緩存的情況以及監控。所有上面談到的這些緩存細節都可以參考 go-zero 源碼實現，見 go-zero 源碼的 core/stores。

項目地址

https://github.com/tal-tech/go-zero

歡迎使用 go-zero 並 star 鼓勵我們！👏🏻

項目地址：
https://github.com/tal-tech/go-zero