Go 中的缓存现状

> 这篇文章登上了 Golang 在 Reddit [subreddit](https://www.reddit.com/r/golang/comments/az99sl/the_state_of_caching_in_go_dgraph_blog/) 板块的顶部，并在 [Hacker News](https://news.ycombinator.com/item?id=19344624) 首页排名到第二名。欢迎各位来阅读讨论，并在 [Github](https://github.com/dgraph-io/dgraph) 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](https://en.wikipedia.org/wiki/Zipf%27s_law)，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。 ## 缓存框架的必备需求 1. 并发 2. 内存限制 ( 限制最大的可使用空间 ) 3. 在多核和多 Goroutines 之间更好的扩展 4. 在非随机密钥的情况下，很好地扩展 (eg. Zipf) 5. 更高的缓存命中率 ## Go map 与 sync.Mutex 的结合使用 Go map 结合 sync.Mutex 是应对缓存的常见形式（独占锁）。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** ## Go maps 与 lock striping 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](https://netjs.blogspot.com/2016/05/lock-striping-in-java-concurrency.html)), 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。 1. Go 请求内存很容易，但释放给操作系统却很难。当碎片被清空的同时，goroutines 去访问 key 的时候，会开始分配内存空间，此时之前的内存空间并没有被完全释放，这导致内存的激增，甚至会出发 OOM 错误。 2. 我们没有意识到，访问的模式还受 Zipf 定律的束缚。最常访问的几个 key 仍然存在几个锁，因此产生 Goroutines 的竞争问题。这种方式不满足多核之间的扩展的需求。 **不满足 上面的 2,4 条** ## LRU 缓存 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，但依然遭受到严重竞争的影响。 **不满足 3,4** ## 分片 LRU 缓存 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** ## 流行的缓存实现方式 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 的缓存 [BigCache](https://github.com/allegro/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 [FreeCache](https://github.com/coocood/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 [GroupCache](https://github.com/golang/groupcache/tree/master/lru) 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。 ## 性能对比 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。 ### 只读情况  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 ) ### 只写情况  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。 ### 读写情况 (25% 写，75% 读 )  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。 ## 命中率比较 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： * BigCache 不能有效地利用缓冲区，并且可能会在缓冲区中为同一个键存储多个条目。 * BigCache 不更新访问 ( 读 ) 条目，因此会导致最近访问的键被删除。 | 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。 ## 那还有什么没说的么？ 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](https://github.com/ben-manes/caffeine), 一个 Java 的库，被用于 Cassandra, Finagle 和一些其他的数据库系统。他使用的是[TinyLFU](https://arxiv.org/abs/1512.00727), 一个[高效](https://docs.google.com/presentation/d/1NlDxyXsUG1qlVHMl4vsUUBQfAJ2c2NsFPNPr2qymIBs/edit?usp=sharing) 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](http://highscalability.com/blog/2016/1/25/design-of-a-modern-cache.html) 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，同时也可能填补 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。 ## 感谢 我们想要感谢 [Benjamin Manes](https://github.com/ben-manes) 帮助我们对 Caffeine 进行一些 Go 版本的性能测试 ([Code here](https://github.com/dgraph-io/benchmarks/tree/master/cachebench)), 我们还要感谢[Damian Gryski](https://github.com/dgryski) 为我们提供了基准缓存命中率的基本框架 ([这里](https://github.com/dgryski/trifles/tree/master/cachetest))，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](https://github.com/dgraph-io/dgraph) 点个星星吧。