前言
前面花了一篇文章说数据库这个轮子,其实说得还很浅很浅的,真正的数据库比这复杂不少,今天我们继续轮子系列,今天说说缓存系统吧。
缓存是后端使用得最多的东西了,因为性能是后端开发一个重要的特征,所以缓存就应运而生了,而且现在缓存已经到了泛滥的程度了,我几乎没见过没有缓存的后端,一遇到性能问题,首先想到的不是看代码,而是加缓存,我也是醉了,好了,不扯这些,这些和今天的文章无关,今天我们来专门讲讲缓存吧。
缓存和KVDB
缓存和KVDB两个东西经常一起出现,两者在使用上没有明显的界限,当一个KVDB速度够快,性能够强劲,那么就可以当缓存来用了,我们使用Redis来做缓存,实际上就是把一个KVDB来当缓存用。但一般情况下,KVDB能提供更多的数据结构,所以象Redis这样的KVDB中有很多实用的数据结构,比如List啊,hashtable啊之类的,而且KVDB一般都提供持久化的存储,而像memcached这样的纯缓存一般不提供持久化存储功能,而且数据结构也比较简单,仅仅提供key和value都是字符串的形式。
现在KVDB的代表Redis性能已经越来越强劲了,虽然它是个单线程的服务,但目前基本上能用memcached的都可以用Redis代替,而且Redis因为支持更多的数据结构,所以扩展性更好。现在很多情况下所说的缓存,实际上都是指的是Redis缓存。
缓存的类型
我们这里抛开Redis,来单独说说缓存,所谓缓存,实际上是为了给数据提供一个更快的访问方式,这个更快一般是相对于最终数据而言的,最终数据可以是KVDB中的数据,也可以是文件数据,还可以是其他机器上的数据库数据,只要比这些个数据访问的快的,都可以叫缓存,那么一般缓存分成一下几种。
- 数据库型缓存,比如最终数据是其他机器上的MySql数据库中,那么我们做一个KVDB的数据库,查询的时候按照key查询,总比数据库要快点吧,那这个KVDB就是个缓存。
- 文件型的缓存,进一步说,远程的KVDB还是有网络延迟,慢了点,这时候我在本地做一个文件缓存,这个文件的访问速度比远程数据库要快吧,那这个文件也是个缓存。
- 内存型的缓存,再进一步,本地文件还是嫌慢了,那么我们在做一个内存缓存,把最热的数据存到内容中,那这个内存的访问速度一定比文件要快,那这个内存块也是个缓存。
为了一般性,我们这里所说的缓存轮子,将会说一个内存型的缓存,只提供简单字符串类型的key和value的操作。
如何设计一个缓存
设计一个独立的内存型的缓存系统,首先先要确定缓存最关心的东西,那就是性能,所有的需要考虑的东西都是围绕性能两个字来进行设计的,所以最重要的部分,设计一个缓存需要考虑以下三个方面,底层数据结构,内存管理,网络模型。
底层数据结构
又看到数据结构这个词了,我们所说的所有轮子,都跑不掉数据结构这个东西,对于缓存来说,一般都是KV形式的数据结构,所以底层一般会使用树或者哈希表来保存数据,而缓存对性能的要求更高,所以一般使用哈希表来保存数据,所以底层的数据结构就是哈希表了。
哈希表
哈希函数和类型
选择哈希表,是因为他的O(1)的查询复杂度,这是一个很重要的性能指标,但如果哈希函数没有选择好,产生了大量的哈希碰撞,那性能就会急剧降低,所以对于哈希函数的选择也是一个需要考虑的问题,比较流行的哈希函数有很多,特别的,如果是自用型的缓存,哈希函数可以根据业务场景再来调整,保证哈希的均匀,从而让查询复杂度更加接近O(1)。 哈希表的实现方式有很多中,最最基础的就是数组+链表的形式了,也叫开链哈希,数组长度就是哈希的桶的长度,链表用来解决冲突,插入数据的时候如果哈希碰撞了,把具体节点挂在该节点后面的链表上,查询数据时候有冲突,就继续线性查询这个节点下的链表。
还有一种叫闭链哈希,闭链哈希实际是一个循环数组,数组长度就是桶的长度,插入数据的时候有冲突的话,移动到该节点的下一个,直到没有冲突为止,如果移动到了末尾的话,转到数组的头部,查找数据的时候类似。
我们这里说的哈希表都是第一种开链哈希表。
锁
由于缓存不仅仅有读,还有写操作,如果在多线程的场景下,势必会产生加锁的操作,如果设计这个锁也是需要考虑的,如果写操作不是很多的情况下,那么整个哈希表加读写锁就行了,但如果写操作也比较频繁,那么可以为一批哈希槽或者每一个哈希槽加一把锁,这样的话,可以把锁等待的时间延迟给降下来,具体还是要看场景,我实现的时候是给每个槽加了一个读写锁,这样更耗费内存,但是性能好一些。这种类型的哈希表的数据结构长成下面这个图的样子。
每一个槽配了一把读写锁,每次写的时候都对单个槽进行加锁操作,这样的坏处就是需要维护巨多无比的锁,容易造成浪费,在实际中我们可以根据实测的结果,给一批槽加一把锁,这样也可以把锁资源空下来,并且也能达到比较好的并发效果。
字符串和整数
最后,我们看看对于单个的具体的哈希槽,在发生哈希碰撞的时候一个槽下面可能挂了很多节点。
当进行读操作的时候,如果哈希到这个槽下面来了,我们需要比较每个节点的key和查询串的值,只有相等的情况才是我们需要的。比较每个key的值是进行了一次字符串的比较,效率是比较低的,这里继续出现一个用空间换时间的方法,就是我们在插入节点的时候给每个节点的key生成两个哈希值,第一个哈希值用来进行槽的选择,第二个哈希值保存在节点内,查询的时候不进行key的字符串比较而比较第二个哈希值,由于哈希值是整数的,所以比较效率比直接比较字符串要快多了。用这样的方式,在写入数据和查询数据的时候需要进行两次哈希计算,并且还需要有个单独的空间来存储第二个哈希值,但是查询的时候可以节省字符串比较的时间。
重哈希(reHash)
对于不断增长的数据而言,重哈希是一个必不可少的过程,所谓重哈希,就是当你的桶使用到一定程度以后碰撞的概率就变很大了,这时候就需要把桶加大了。
把桶加大,必然需要进行一次重新哈希的过程,这个过程的处理办法也有一些技巧。
- 直接重新哈希,这是最简单的,就是把所有的key重新哈希一遍放到新的桶中,简单粗暴,但是缺点也很明显,就是当key很多的时候非常耗时间和资源,在这段时间中,服务是不可用的。
- 逐步迁移的重哈希,因为桶的变化,重新哈希是无法避免的,这时候我们主要要考虑的是让服务尽可能的保持可用,那么除了直接哈希,还有一种策略上的优化,简单的描述就是申请两个桶A和B,B的桶数量大于A初始化申请的时候可以并不实际申请内存空间,首先用第一个桶A进行数据存储,当第一个桶A使用到一定比例,比如80%的时候,开始进行哈希迁移。新来的写操作先哈希到桶B,然后在哈希到桶A上,把A桶上命中的节点上的所有数据重新哈希到B上,然后在A上打一个标记,表示这个节点失效了。新来的读操作,先哈希到A进行命中,如果A的这个节点标记为失效,再哈希到B上读取正确数据,如果A节点没有标记失效,那么把这个节点下的所有数据重新哈希到B上,并在A上打一个标记,表示这个节点失效了。直到所有的A的数据都迁移完成,把A和B交换一下,并且把A的桶数据增加,作为下一次迁移使用。
这样,当进行重新哈希的时候,多了几次哈希运算,性能损失了一些,但是服务始终是可用的。
内存管理
还有一个方面就是内存了,因为有写操作,那么就需要申请内存,如果写操作比较多的话,再加上有删除操作的话,那就会不停的申请释放内存。内存的申请和释放也是比较损耗性能的,所以一般会用自己的内存池来进行内存的分配。关于内存池这一块,有很多内存池的实现方式,这里就不详细说了。
其实我觉得这种对性能有强要求的服务,不太适合使用带GC的语言进行编写,最直接的还是用C这种系统语言来编写,特别是涉及到内存池这种比较靠底层的东西,有GC实际上是很麻烦的事情,在Golang中,因为是自带GC的,如果需要进一步榨干系统的性能,那么这么底层的东西要用CGO来实现了,把GC丢一边,所有的内存都自己管。
网络模型
除了在底层数据结构层的性能损耗外,网络模型的选择也是很重要的,选择性能尽可能高的网络模型也能极大的提升性能,比如memcached就用了libevent这个事件模型,总的来说就是先通过一个主线程监听端口,接收到网络文件描述符以后,然后通过master-worker这种结构将网络的套接字分发到各个worker线程的独立队列中,各个线程利用libevent模型对队列中的套接字进行读写。
而Redis的网络模型更简明一点,但也是基于epoll的IO多路复用,感兴趣的朋友可以自己去看看Redis的源码,他相当于是一个稍微简化版本的libevent模型。
对于网络模型,实际上现代的高级语言已经基本上封装到http这个层次了,比如golang这种现代语言,http的包都可以直接用,并且并发性能也挺好的,但是对于一个缓存系统,如果配合一个http的模型,就显得太重了,http底下的TCP模型就可以很好的解决问题,对于这一块,我们可以用个简单的模型:
- 根据CPU的核心数启动相应数量的协程,每个协程配合一个channel
- 启动一个协程负责接收tcp连接,accpet链接以后通过channel交给相应的协程处理
这段代码虽然使用了channel这个东西,但也算是一个比较标准的多线程编程方式了,在多线程的世界中也可以用循环链表来表示这个channel,用代码来体现大概就是这样子的。
func GetConnection() error { tcpAddr, _ := net.ResolveTCPAddr("tcp", ":26719") listener, _ := net.ListenTCP("tcp", tcpAddr) //启动处理协程 for i := 0; i < cpuCores; i++ { go Process(i) } i:=0 for { conn, _ := listener.AcceptTCP() select { case processChan[i] <- conn: //通过管道交给协程处理 i++ if i==cpuCores{ i = 0 } default: } } }复制代码
除了上面那种模型,还有一种比较奔放的模型,也是比较golang的写法了。
- 启动一个协程负责接收tcp连接,accpet链接以后go出一个协程进行处理 代码实现就是下面这个样子
func GetConnection() error { tcpAddr, _ := net.ResolveTCPAddr("tcp", ":26719") listener, _ := net.ListenTCP("tcp", tcpAddr) for { conn, _ := listener.AcceptTCP() go Process(conn) //处理实际连接 } }复制代码
关于golang的协程分析
这种奔放的协程使用方式到底行不行?这两种到底哪个比较好?这里我们不讨论这两种模型哪种好,我们看看golang的协程吧。
golang的协程网上资料很多,关于协程的详细设计可以找到不少文章,总的来说就是这是一个轻量级的线程,有多轻呢?轻到它其实就是一个代码段加上一个自己的栈,光这个还不够,线程也可以说是一个代码片段加上一个自己的栈,只是协程的栈比线程的小而已,除了这个以为,协程主要的轻表现在它不通过操作系统调度,他是通过代码内部进行显示调度的。
什么叫代码内部进行显示调度呢?
我们先看看目前流行的两个事件模型【同时也是处理网络连接的网络模型】,一种是nodejs为代表的IO模型,大堆回调函数,一种是传统的多线程模型。
先看回调模型,像下图一样,左边是IO队列,右边是代码片段,每个IO事件对应一个回调函数,接收到IO事件以后进行相应的函数处理,这样的好处就是CPU利用率极高,不用切换资源,坏处就是代码被扯乱了,变成无序的了,对编程的要求比较高。
再看看线程模型,线程模型线程的切换实际上是操作系统来进行的,线程模型如下图,右边是线程的代码,左边的舞台就是CPU了,当在CPU上跳舞的线程进行系统调用(比如读取文件)或者每隔一段时间(时钟中断,不了解的请自行看计算机体系结构),操作系统就会把当前在CPU上玩耍的线程换下来,换个新的上去,这样的调度方式是操作系统来进行的,不需要线程本身参与,线程什么时候运行完全有操作系统说了算,线程切换也是操作系统说了算,好处就是编程的时候比较正常,缺点就是进行线程的切换是要耗费资源的,而且新开线程也需要资源。
有什么办法把这两种模型结合起来呢?我觉得golang的协程就是干了这个事情,golang的协程模型如下,这个图是我自己画的,主要是为了说明协程把上面两个模型结合,实际的协程模型长得不是这样子的啊。我们看到只剩下一个线程(或者进程)在CPU上跑了,上面的任务都跑到线程内部变成一个一个的代码片段了,执行哪个片段由线程内部决定,当遇到系统调用的时候,不用切换进程,而是直接切换执行其他的代码片段,这样的话,和线程模型比少了线程切换的开销,并且还能和回调模型一样,当IO操作的时候运行其他代码片段,最重要的是没有回调函数了,在开发人员看来和线程一样了。
好了,关键问题来了,怎么调度的呢?上面的回调模型和线程模型调度的时候都是操作系统来完成的,这里就显示出代码内部的显示调用了,就是说这些代码片段运行的时候,运行一段时间后,通过调用一个函数,主动放弃CPU,这些个代码片段就像下面这样
func running(){ //计算一些东西 stop() //调用stop主动不跑了,请把我正在运行的这个地址和我的栈记录下来,下次运行的时候继续在这里跑 //剩下的代码 }复制代码
这就是代码内部的显示调用了,所谓协程嘛,就是需要运行的代码来协助进行任务的调度,怎么协助呢?就是显示的调用一个函数来进行现场保存和切换代码。
很多人说我在写golang的时候没看到这玩意啊,恩,为了让你编程容易,这东西隐藏到系统调用中去了,就是说你在协程中只要进行了系统调用(比如打印系统,读取文件,操作网络),那么在调用类似fmt.Println的时候就调用了这个调度函数来切换协程了,当然,你也可以在你的代码中主动放弃CPU使用权,只要调用runtime.Gosched()就行了。
关于这部分,你可以试试下面的代码,在单核CPU的情况下,第二个函数是永远执行不了的,如果是按照多线程的思想,第二个函数是可以执行的,这就是因为第一个函数没有系统调用没有IO操作,所以一直把持着CPU不放弃,这也是协程编程需要注意的地方。
func main() { runtime.GOMAXPROCS(1) var workResultLock sync.WaitGroup go func() { fmt.Println("我开始跑了哦。。。") i := 1 for { i++ } }() workResultLock.Add(1) time.Sleep(time.Second * 2) go func() { fmt.Println("我还有机会吗????") }() workResultLock.Add(1) workResultLock.Wait() }复制代码
好了,协程的原理说了一下,我们再看看到底什么模型比较合适呢?我们看到,golang的协程这么设计出来,首先建立协程的消耗很少,并且在多IO操作的时候比线程是要占优势的,因为在IO操作的时候,只是像回调一样换了一段代码来执行,没有线程的切换。这也是为什么用golang来写服务器代码比较合适的原因,因为服务端的代码基本上都少不了IO操作,网络读写是IO,数据库读写是IO,这样用golang既可以保持原来的多线程编程的连贯思维,又可以尽可能的使用事件模型的优势,减少线程切换。
恩,现在回到我们的缓存,虽然我们在对缓存读写的时候没有IO操作,但是网络读写还是IO操作,而且对于缓存的操作本身理论上并不耗费多少时间(就是几个哈希操作),所以IO时间占比还是比较大的,所以这种情况下我觉得使用奔放的协程模式是可以的,但也别太奔放了,最好限制一下协程的数量。
但对于有些系统,比如搜索系统,广告系统这种服务,每次都有个在线排序的过程,这是个非常大计算量的任务,基本上一次请求80%的时间都耗费在排序这种计算上了,IO反而不是瓶颈,这种情况下,多线程模型和golang这种协程模型差别就不是很大了,这时候8核CPU只启动8个协程和启80个协程,效率的差别就不大了。后端的轮子(三)--- 缓存