🦄 ecache

一款极简设计、高性能、并发安全、支持分布式一致性的轻量级内存缓存

特性

🤏 代码量<300行、30s完成接入
🚀 高性能、极简设计、并发安全
🌈 支持LRU 和 LRU-2两种模式
🦖 额外小组件支持分布式一致性

基准性能

🐌 代表很慢, ✈️ 代表快, 🚀 代表非常快

👁️‍🗨️点我看用例 👁️‍🗨️点我看结果（除了缓存命中率数值越低越好）

	bigcache	cachego	ecache🌟	freecache	gcache	gocache
PutInt	✈️		🚀	🚀	✈️	✈️
GetInt	✈️	✈️	🚀		✈️	✈️
Put1K	✈️	✈️	🚀	🚀	🚀	✈️
Put1M	🐌		🚀	🐌	✈️	✈️
PutTinyObject	✈️		🚀	🚀	✈️
ChangeOutAllInt	✈️		🚀	🚀	✈️	✈️
HeavyReadInt	🚀	🚀	🚀			🚀
HeavyReadIntGC	✈️	🚀	🚀		✈️	✈️
HeavyWriteInt	🚀	✈️	🚀	🚀		✈️
HeavyWriteIntGC	🚀		✈️	✈️
HeavyWrite1K	🐌	✈️	🚀	🚀		✈️
HeavyWrite1KGC	🐌	✈️	🚀	🚀		✈️
HeavyMixedInt	🚀	✈️	🚀		✈️	🚀
FishGoddess/cachego 和 patrickmn/go-cache 是简单的map+过期时间的实现，所以没有命中率测试
kpango/gache & hlts2/gocache 性能表现不是很好，所以从列表中剔除
patrickmn/go-cache 是FIFO模式，其他的库都是LRU模式

gc pause测试结果代码由bigcache提供（数值越低越好）

目前正在生产环境大流量验证中

[已验证]公众号后台(几百QPS)：用户信息、订单信息、配置信息
[已验证]推送系统(几万QPS)：可调整系统配置、信息去重、固定信息缓存
[已验证]评论系统(几万QPS)：用户信息、分布式一致性组件

如何使用

引入包（预计5秒）

import (
    "time"

    "github.com/orca-zhang/ecache"
)

定义实例（预计5秒）

可以放置在任意位置（全局也可以），建议就近定义

var c = ecache.NewLRUCache(16, 200, 10 * time.Second)

设置缓存（预计5秒）

c.Put("uid1", o) // `o`可以是任意变量，一般是对象指针，存放固定的信息，比如`*UserInfo`

查询缓存（预计5秒）

if v, ok := c.Get("uid1"); ok {
    return v.(*UserInfo) // 不用类型断言，咱们自己控制类型
}
// 如果内存缓存没有查询到，下面再回源查redis/db

删除缓存（预计5秒）

在信息发生变化的地方

c.Del("uid1")

下载包（预计5秒）

非go modules模式：
sh> go get -u github.com/orca-zhang/ecache

go modules模式：
sh> go mod tidy && go mod download

运行吧

🎉 完美搞定 🚀 性能直接提升X倍！
sh> go run <你的main.go文件>

参数说明

NewLRUCache
- 第一个参数是桶的个数，用来分散锁的粒度，每个桶都会使用独立的锁，最大值为65535，支持65536个实例
  - 不用担心，随意设置一个就好，ecache会找一个合适的数字便于后面掩码计算
- 第二个参数是每个桶所能容纳的item个数上限，最大值为65535
  - 意味着ecache全部写满的情况下，应该有第一个参数 X 第二个参数个item，最多能支持存储42亿个item
- [可选]第三个参数是每个item的过期时间
  - ecache使用内部计时器提升性能，默认100ms精度，每秒校准
  - 不传或者传0，代表永久有效

最佳实践

支持任意类型的值
- 提供Put/PutInt64/PutBytes三种方法，适应不同场景，需要与Get/GetInt64/GetBytes配对使用（后两种方法GC开销较小）
- 复杂对象优先存放指针（注意⚠️一旦放进去不要再修改其字段，即使再拿出来也是，item有可能被其他人同时访问）
  - 如果需要修改，解决方案：取出字段每个单独赋值，或者用copier做一次深拷贝后在副本上修改
  - 也可以存放对象（相对于直接存对象指针性能差一些，因为拿出去有拷贝）
  - 缓存的对象尽可能越往业务上层越大越好（节省内存拼装和组织时间）
如果不想因为类似遍历的请求把热数据刷掉，可以改用LRU-2模式，可能有很少的损耗（💬 什么是LRU-2）
- LRU2和LRU的大小设置分别为1/4和3/4效果较好
一个实例可以存储多种类型的对象，试试key格式化的时候加上前缀，用冒号分割
并发访问量大的场景，试试256、1024个桶，甚至更多
可以当作缓冲队列用于合并更新以减少刷盘次数（数据可以重建或容忍断电丢失的情况下）
- 具体使用方式是挂载Inspector监听驱逐事件
- 终末或定时调用Walk将数据刷到存储

特别场景

整型键、整型值和字节数组

// 整型键
c.Put(strconv.FormatInt(d, 10), o) // d为`int64`类型

// 整型值
c.PutInt64("uid1", int64(1))
if d, ok := c.GetInt64("uid1"); ok {
    // d为`int64`类型的1
}

// 字节数组
c.PutBytes("uid1", b)// b为`[]byte`类型
if b, ok := c.GetBytes("uid1"); ok {
    // b为`[]byte`类型
}

LRU-2模式

💬 什么是LRU-2

直接在NewLRUCache()后面跟.LRU2(<num>)就好，参数<num>代表LRU-2热队列的item上限个数（每个桶）

var c = ecache.NewLRUCache(16, 200, 10 * time.Second).LRU2(1024)

空缓存哨兵（不存在的对象不用再回源）

// 设置的时候直接给`nil`就好
c.Put("uid1", nil)

// 读取的时候，也和正常差不多
if v, ok := c.Get("uid1"); ok {
  if v == nil { // 注意⚠️这里需要判断是不是空缓存哨兵
    return nil  // 是空缓存哨兵，那就返回没有信息或者也可以让`uid1`不出现在待回源列表里
  }
  return v.(*UserInfo)
}
// 如果内存缓存没有查询到，下面再回源查redis/db

需要修改部分数据，且用对象指针方式存储时

比如，我们从ecache中获取了*UserInfo类型的用户信息缓存v，需要修改其状态字段

import (
    "github.com/jinzhu/copier"
)

o := &UserInfo{}
copier.Copy(o, v) // 从`v`复制到`o`
o.Status = 1      // 修改副本的字段

注入监听器

// inspector - 可以用来做统计或者缓冲队列等
//   `action`:PUT, `status`: evicted=-1, updated=0, added=1
//   `action`:GET, `status`: miss=0, hit=1
//   `action`:DEL, `status`: miss=0, hit=1
//   `iface`/`bytes`只有在`status`不为0或者`action`为PUT时才不为nil
type inspector func(action int, key string, iface *interface{}, bytes []byte, status int)

使用方式

cache.Inspect(func(action int, key string, iface *interface{}, bytes []byte, status int) {
  // TODO: 实现你想做的事情
  //     监听器会根据注入顺序依次执行
  //     注意⚠️如果有耗时操作，尽量另开channel保证不阻塞当前协程

  // - 如何获取正确的值 -
  //   - `Put`:      `*iface`
  //   - `PutBytes`: `bytes`
  //   - `PutInt64`: `ecache.ToInt64(bytes)`
})

遍历所有元素

  // 只会遍历缓存中存在且未过期的项
  cache.Walk(func(key string, iface *interface{}, bytes []byte, expireAt int64) bool {
    // `key`是值，`iface`/`bytes`是值，`expireAt`是过期时间

    // - 如何获取正确的值 -
    //   - `Put`:      `*iface`
    //   - `PutBytes`: `bytes`
    //   - `PutInt64`: `ecache.ToInt64(bytes)`
    return true // 是否继续遍历
  })

统计缓存使用情况

实现超级简单，注入inspector后，每个操作只多了一次原子操作，具体看代码

引入stats包

import (
    "github.com/orca-zhang/ecache/stats"
)

绑定缓存实例

名称为自定义的池子名称，内部会按名称聚合
注意⚠️绑定可以放在全局

var _ = stats.Bind("user", c)
var _ = stats.Bind("user", c0, c1, c2)
var _ = stats.Bind("token", caches...)

获取统计信息

stats.Stats().Range(func(k, v interface{}) bool {
    fmt.Printf("stats: %s %+v\n", k, v) // k是池子名称，v是(*stats.StatsNode)类型
    // 其中统计了各种事件的次数，使用`HitRate`方法可以获得缓存命中率
    return true
})

分布式一致性组件

💬 原理说明

引入dist包

import (
    "github.com/orca-zhang/ecache/dist"
)

绑定缓存实例

名称为自定义的池子名称，内部会按名称聚合
注意⚠️绑定可以放在全局，不依赖初始化

var _ = dist.Bind("user", c)
var _ = dist.Bind("user", c0, c1, c2)
var _ = dist.Bind("token", caches...)

绑定redis client

目前支持redigo和goredis，其他库可以自行实现dist.RedisCli接口，或者提issue给我

go-redis v7及以下版本

import (
    "github.com/orca-zhang/ecache/dist/goredis/v7"
)

dist.Init(goredis.Take(redisCli)) // redisCli是*redis.RedisClient类型
dist.Init(goredis.Take(redisCli, 100000)) // 第二个参数是channel缓冲区大小，不传默认100

go-redis v8及以上版本

import (
    "github.com/orca-zhang/ecache/dist/goredis"
)

dist.Init(goredis.Take(redisCli)) // redisCli是*redis.RedisClient类型
dist.Init(goredis.Take(redisCli, 100000)) // 第二个参数是channel缓冲区大小，不传默认100

redigo

注意⚠️github.com/gomodule/redigo 要求最低版本 go 1.14

import (
    "github.com/orca-zhang/ecache/dist/redigo"
)

dist.Init(redigo.Take(pool)) // pool是*redis.Pool类型

主动通知所有节点、所有实例删除（包括本机）

当db的数据发生变化或者删除时调用
发生错误时会降级成只处理本机所有实例（比如未初始化或者网络错误）

dist.OnDel("user", "uid1") // user是池子名称，uid1是要删除的key

使用`lrucache`的老用户升级指导

只需四步：

引入包 github.com/orca-zhang/lrucache 改为 github.com/orca-zhang/ecache
lrucache.NewSyncCache 改为 ecache.NewLRUCache
第3个参数从默认的单位秒改为*time.Second
Delete方法改为Del

不希望你白来

客官，既然来了，学点东西再走吧！
我想尽力让你明白ecache做了啥，以及为什么要这么做

什么是本地内存缓存

L1 缓存引用 .................... 0.5 ns
分支错误预测 ...................... 5 ns
L2 缓存引用 ...................... 7 ns
互斥锁/解锁 ...................... 25 ns
主存储器引用 .................... 100 ns
使用 Zippy 压缩 1K 字节 ........3,000 ns =   3 µs
通过 1 Gbps 网络发送 2K 字节... 20,000 ns =  20 µs
从内存中顺序读取 1 MB ........ 250,000 ns = 250 µs
同一数据中心内的往返........... 500,000 ns = 0.5 ms
发送数据包 加州<->荷兰 .... 150,000,000 ns = 150 ms

从上表可以看出，内存访问和网络访问(同数据中心)差不多是一千到一万倍的差距！
曾经遇到不止一个工程师：“缓存？上redis”，但我想说，redis不是万金油，某些程度上讲，用它还是噩梦（当然我说的是缓存一致性问题...😄）
因为内存操作非常快，相对于redis/db你基本可以忽略不计，比如现在有一个QPS是1000查询API，我们把结果缓存1秒，也就是1秒内不会请求redis/db，那回源次数降低到了1/1000（理想情况），意味着访问redis/db部分的性能提升了1000倍，听上去是不是很棒？
继续看，你会爱上她的！（当然也可能是他，亦或者是牠，ahaha）

使用场景，解决什么问题

高并发大流量场景
- 缓存热点数据（比如人气比较高的直播间）
- 突发QPS削峰（比如信息流中突发新闻）
- 降低延迟和拥堵（比如短时间内频繁访问的页面）
节省成本
- 单机场景（不部署redis、memcache也能快速提升QPS上限）
- redis和db实例降配（能拦截大部分请求）
不怎么会变化的数据（写少读多）
- 比如配置等（这类数据使用地方多，会有放大效应，很多时候可能会因为这些配置热key对redis/db实例的规格误判，需要单独为它们升配）
可以容忍短暂不一致的数据
- 用户头像、昵称、商品库存(实际下单会在db再次检查)等
- 修改的配置（过期时间10秒，那最多延迟10秒生效）
缓冲队列：合并更新以减少刷盘次数
- 可以通过给查询打补丁来实现强一致（分布式情况下，需要在负载均衡层保证同用户/设备调度到同一节点）
- 可以重建或容忍断电丢失的情况下

设计思路

ecache是lrucache库的升级版本

最下层是用原生map和双链表实现的最基础LRU（最久未访问）
- PS：我实现的其他版本（go / c++ / js）在leetcode都是超越100%的解法
第2层包了分桶策略、并发控制、过期控制（会自动选择2的幂次个桶，便于掩码计算）
第2.5层用很简单的方式实现了LRU-2能力，代码不超过20行，直接看源码（搜关键词LRU-2）

什么是LRU

最久未访问的优先驱逐
每次被访问，item会被刷新到队列的最前面
队列满后再次写入新item，优先驱逐队列最后面、也就是最久未访问的item

什么是LRU-2

LRU-K是少于K次访问的用单独的LRU队列存放，超过K次的另外存放
主要优化的场景是比如一些遍历类型的查询，批量刷缓存以后，很容易把一些本来较热的item给驱逐掉
为了实现简单，我们这里实现的是LRU-2，也就是第2次访问就放到热队列里，并不记录访问次数
主要优化的是热key的缓存命中率
和mysql的缓冲池lru算法非常类似

分布式一致性组件原理

其实简单的利用了redis的pubsub功能
主动告知被缓存的信息有更新，广播到所有节点
某种意义上说，它只是缩小不一致时间窗口的一个方式（有网络延迟且不保证一定完成）
需要注意⚠️：
- 尽量减少使用，适合用在写少读多WORM(Write-Once-Read-Many)的场景
  - redis性能毕竟不如内存，而且有广播类通信（写放大）
- 以下场景会降级（时间窗口变大），但至少会保证当前节点的强一致性
  - redis不可用、网络错误
  - 消费goroutine panic
  - 存在未生效节点（灰度canary发布，或者发布过程中）的情况下，比如
    - 已使用ecache但首次添加此插件
    - 新加入缓存的数据或者新加的删除操作

关于性能

释放锁不用defer
不用异步清理（没意义，分散到写时驱逐更合理，不易抖动）
没有用内存容量来控制（单个item的大小一般都有预估大小，简单控制个数即可）
分桶策略，自动选择2的幂次个桶（分散锁竞争，2的幂次掩码操作更快）
key用string类型（可扩展性强；语言内建支持引用，更省内存）
不用虚表头（虽然绕脑一些，但是有20%左右提升）
选择LRU-2实现LRU-K（实现简单，近乎没有额外损耗）
可以直接存指针（不用序列化，有些场景如果使用[]byte那优势大大降低）
使用内部计时器计时（默认100ms精度，每秒校准，剖析发现time.Now()产生临时对象导致GC耗时增加）
双链表用固定分配内存存储，用时间戳置0来标记删除，减少GC（并且同规格比bigcache节省内存50%以上）

失败的优化尝试

key由string改为reflect.StringHeader，结果：负优化
互斥锁改为读写锁，Get请求也会修改数据，访问违例，即使不改数据，结果：读写混合场景负优化
用time.Timer实现内部计时器，结果：触发不稳定，后直接用time.Sleep实现计时器
分布式一致性组件挂inspector自动同步更新和删除，结果：性能影响较大且需要特殊处理循环调用问题

关于GC优化

就像我在C++版性能剖析器里提到的性能优化的几个层次，单从一个层次考虑性能并不高明
《第三层次》里有一句“没有比不存在的东西性能更快的了”（类似奥卡姆剃刀），能砍掉一定不要想着优化
比如为了减少GC大块分配内存，却提供[]byte的值存储，意味着可能需要序列化、拷贝（虽不在库的性能指标里，人家用还是要算，包括：GC、内存、CPU）
如果序列化的部分可以复用用在协议层拼接，能做到ZeroCopy，那也无可厚非，但实际分层以后，无法在协议层直接实现拼接，而ecache存储指针直接省了额外的部分
我想表达的并不是GC优化不重要，而更多应该结合场景，使用者额外损耗也需要考虑，而非宣称gc-free，结果用起来并非那样
我所崇尚的“暴力美学”是极简，缺陷率和代码量成正比，复杂的东西早晚会被淘汰，KISS才是王道
ecache一共只有不到300行，千行bug率一定的情况下，它的bug不会多

常见问题

问：一个实例可以存储多种对象吗？

答：可以呀，比如加前缀格式化key就可以了（像用redis那样冒号分割），注意⚠️别搞错类型。

问：如何给不同item设置不同过期时间？

答：用多个缓存实例。（😄没想到吧）

问：如果有热热热热key问题怎么解决？

答：本身【本地内存缓存】就是用来扛住热key的，这里可以理解成是非常非常热的key（单节点几十万QPS），它们最大的问题是对单一bucket锁定次数过多，影响在同一个bucket的其他数据。那么可以这样：一是改用LRU-2不让类似遍历的请求把热数据刷掉，二是除了增加bucket，可以用多实例（同时写入相同的item）+读访问某一个（比如按访问用户uid hash）的方式，让热key有多个副本，不过删除（反写）的时候要注意多实例全部删除，适用于“写少读多WORM(Write-Once-Read-Many)”的场景，或者“写多读多”的场景可以把有变化的diff部分单独摘出来转化为“写少读多WORM(Write-Once-Read-Many)”的场景。

问：如果同一时间并发回源到DB查询同一个资源怎么优化？

答：可以使用sync/singleflight包，同时访问同一个资源时，只回源一次，防止热点数据把DB打爆的问题。

问：为什么不用虚表头方式处理双链表？太弱了吧！

答：2019-04-22泄漏的【lrucache】被人在V站上扒出来喷过，还真不是不会，现在的写法，虽然比pointer-to-pointer方式读起来绕脑，但是有20%左右的提升哈！（😄没想到吧）

致谢

感谢在开发过程中进行code review、勘误 & 提出宝贵建议的各位！（排名不分先后）

askuy
[ego]

Leon Ding
[打码匠]

黄振

Ice

水不要鱼
[cachego]

赞助

通过成为赞助商来支持这个项目。您的logo将显示在此处，并带有指向您网站的链接。 [成为赞助商]

贡献者

这个项目的存在要感谢所有做出贡献的人。

请给我们一个💖star💖来支持我们，谢谢。

并感谢我们所有的支持者！ 🙏

Files

README.md

Latest commit

History

README.md

File metadata and controls

🦄 ecache

特性

基准性能

目前正在生产环境大流量验证中

如何使用

引入包（预计5秒）

定义实例（预计5秒）

设置缓存（预计5秒）

查询缓存（预计5秒）

删除缓存（预计5秒）

下载包（预计5秒）

运行吧

参数说明

最佳实践

特别场景

整型键、整型值和字节数组

LRU-2模式

空缓存哨兵（不存在的对象不用再回源）

需要修改部分数据，且用对象指针方式存储时

注入监听器

遍历所有元素

统计缓存使用情况

引入stats包

绑定缓存实例

获取统计信息

分布式一致性组件

引入dist包

绑定缓存实例

绑定redis client

go-redis v7及以下版本

go-redis v8及以上版本

redigo

主动通知所有节点、所有实例删除（包括本机）

使用lrucache的老用户升级指导

不希望你白来

什么是本地内存缓存

使用场景，解决什么问题

设计思路

什么是LRU

什么是LRU-2

分布式一致性组件原理

关于性能

失败的优化尝试

关于GC优化

常见问题

相关文献

致谢

赞助

贡献者

使用`lrucache`的老用户升级指导