传统web请求流程
一般来说，现在的互联网应用网站或者APP，它的整体流程可以用我们这个图里展示的来表示，用户请求开始，从这个界面是最里面的浏览器和APP，到网络转发，再到应用服务，最后到存储，这纯属可能是数据库文件系统，然后再返回到界面呈现内容。
随着互联网的普及，内容信息越来越复杂，用户数和访问量越来越大，我们的应用需要支撑更多的并发量，同时，我们的应用服务器和数据库服务器所做的计算也越来越多，但是，往往我们的应用服务器的资源是有限的，而且技术变革是缓慢的，所以每秒能接收请求次数也是有限的，或者说文件的读写也是有限的。
如何能有效利用有限的资源来提供尽可能大的吞吐量呢？一个有效的办法就是引入缓存，打破图中的标准的流程，每个环节中请求可以从缓存中直接获取目标数据并返回，从而减少他们的计算量，来有效提升响应速度，让有限的资源服务更多的用户，像我们这个图里展示的缓存的使用，它其实可以出现在1到4的各个环节中。
缓存的特征
1.命中率：命中数/(命中数+没有命中数)
首先是命中，命中的还可以简单的理解为直接通过缓存获得到需要的数据，有了命中就有不命中，无法通过缓存的获取想要的数据，需要再次查询数据库，或者执行其他操作，原因可能是缓存中根本不存在，或者缓存已经过期了。
通常 命中率=命中数/(命中数+没有命中数) 来表达，能力越高，表示我们使用缓存的收益越高，应用的性能越好，这时候响应的时间会越短，吞吐量越来越高，抗并发的能力也越强，由此可见在高并发的互联网系统中，命中率是至关重要的一个指标。
2.最大元素（空间）
它代表的是缓存中可以存放的最大元素的数量，一旦缓存数量超过这个值，或则所占的空间，超过了最大支持的空间，就会促发缓存清空策略，根据不同的场景合理的设置最大元素值，往往可以一定程度上提高缓存的命中率，从而更有效的使用缓存。
像我们刚才所描述的，缓存的存储空间是有限制的，当缓存空间满时，如何保证在稳定服务的同时有效的提高命中率呢？这就有缓存的清空策略来处理，适合自身数据特征的清空策略，能有效的提高命中率。常见的清空策略为下面所示
3.清空策略：FIFO，LFU，LRU，过期时间，随机等
FIFO（First In First out）先进先出策略：是指最先进入缓存的数据，在缓存空间不够的情况下，或者超出最大源头限制的时候，会优先被清除掉，以腾出新的空间来接受新的数据，这个策略算法主要是比较缓存元素的创建时间，在数据实时性要求严格下，可以选择该类策略，优先保障最新数据可用。
LFU（Least frequently used）：是指无论是否过期，根据元素的被使用次数来判断，清除使用次数最少的元素来释放空间，这个策略的算法主要比较的元素的命中次数，在保证高频率场景下，可以选择这里策略。
LRU（Least recently used）： 是指无论是否过期，根据元素最后一次被使用的时间戳，清除最原始用时间戳的元素释放空间，主要比较元素的最近一次被get使用时间，在热点数据场景下优先保证热点数据的有效性
除此之外呢，还有一些简单的策略，比如根据过期时间来判断，清理过期时间最长的元素，还可以根据过期时间判断清理最近要过期的元素，以及随机清理等等。
4.影响缓存命中率的因素
a.业务场景和业务需求
缓存适合读多写少的业务场景，反之使用缓存的意义并不大，命中率还会很低，业务需求也决定了对实时性的要求，直接影响到缓存的过期时间和更新策略，实时性要求越低，就越适合缓存，在相同key和相同请求数的情况下，缓存时间越长命中率就会越高，我们目前遇到的互联网应用，大多数的业务场景下都是很适合使用缓存的。
b.缓存的设计（粒度和策略）
通常情况下呢，缓存的粒度越小，命中率就会越高，当换成单个对象的时候，比如单个用户信息，只有当该对象的对应的数据发生变化时后，我们才需要更新缓存或者移除缓存，而当缓存一个集合的时候，我们要获得所有用户数据，其中任何一个对象对应的数据发生变化时，我们都需要更新或移除缓存，还有另一个情况，假设其他地方也需要获取该对象对应的数据时，比如说其他地方也需要获取单个用户信息，如果缓存的是单个对象，那么就可以直接命中缓存，否则的话就无法直接命中。
c.缓存容量和基础设施
缓存容量有限就会引起缓存失效和淘汰，目前多个缓存中间件多采用LRU算法。技术选型也很重要，建议采用分布式缓存。
5.缓存分类和应用场景
a.本地缓存
实现方式：编程实现(成员变量、局部变量、静态变量)、Guava Cache
优点：是应用进程的cache是在同一个进程中内部请求缓存非常的快速，没有过多的网络开销。
缺点：是各个应用要单独维护自己的缓存，无法共享。在单应用中使用较为好。
b.分布式缓存
实现方式：Memcache, Redis
优点：是自身是一个独立的应用，与本地应用是隔离的，多个应用可以共享。
Guava Cache
Memcache
Redis
更多redis知识参阅：https://www.cnblogs.com/shamo89/tag/redis/
高并发场景下缓存常见问题
1.缓存一致性
当数据时效性要求很高时，需要保证缓存中的数据与数据库中的保持一致，而且需要保证缓存节点和副本中的数据也保持一致，不能出现差异现象。这就比较依赖缓存的过期和更新策略。一般会在数据发生更改的时，主动更新缓存中的数据或者移除对应的缓存。
2.缓存并发问题
缓存过期后将尝试从后端数据库获取数据，这是一个看似合理的流程。但是，在高并发场景下，有可能多个请求并发的去从数据库获取数据，对后端数据库造成极大的冲击，甚至导致 “雪崩”现象。此外，当某个缓存key在被更新时，同时也可能被大量请求在获取，这也会导致一致性的问题。那如何避免类似问题呢？我们会想到类似“锁”的机制，在缓存更新或者过期的情况下，先尝试获取到锁，当更新或者从数据库获取完成后再释放锁，其他的请求只需要牺牲一定的等待时间，即可直接从缓存中继续获取数据。
3.缓存穿透问题
缓存穿透在有些地方也称为“击穿”。很多朋友对缓存穿透的理解是：由于缓存故障或者缓存过期导致大量请求穿透到后端数据库服务器，从而对数据库造成巨大冲击。
这其实是一种误解。真正的缓存穿透应该是这样的：
在高并发场景下，如果某一个key被高并发访问，没有被命中，出于对容错性考虑，会尝试去从后端数据库中获取，从而导致了大量请求达到数据库，而当该key对应的数据本身就是空的情况下，这就导致数据库中并发的去执行了很多不必要的查询操作，从而导致巨大冲击和压力。
可以通过下面的几种常用方式来避免缓存穿透问题：
a.缓存空对象
对查询结果为空的对象也进行缓存，如果是集合，可以缓存一个空的集合（非null），如果是缓存单个对象，可以通过字段标识来区分。这样避免请求穿透到后端数据库。同时，也需要保证缓存数据的时效性。这种方式实现起来成本较低，比较适合命中不高，但可能被频繁更新的数据。
b.单独过滤处理
对所有可能对应数据为空的key进行统一的存放，并在请求前做拦截，这样避免请求穿透到后端数据库。这种方式实现起来相对复杂，比较适合命中不高，但是更新不频繁的数据。
4.缓存的雪崩现象
缓存雪崩就是指由于缓存的原因，导致大量请求到达后端数据库，从而导致数据库崩溃，整个系统崩溃，发生灾难。导致这种现象的原因有很多种，上面提到的“缓存并发”，“缓存穿透”，“缓存颠簸”等问题，其实都可能会导致缓存雪崩现象发生。这些问题也可能会被恶意攻击者所利用。还有一种情况，例如某个时间点内，系统预加载的缓存周期性集中失效了，也可能会导致雪崩。为了避免这种周期性失效，可以通过设置不同的过期时间，来错开缓存过期，从而避免缓存集中失效。
从应用架构角度，我们可以通过限流、降级、熔断等手段来降低影响，也可以通过多级缓存来避免这种灾难。此外，从整个研发体系流程的角度，应该加强压力测试，尽量模拟真实场景，尽早的暴露问题从而防范。
5.缓存无底洞现象
该问题由 facebook 的工作人员提出的， facebook 在 2010 年左右，memcached 节点就已经达3000 个，缓存数千 G 内容。他们发现了一个问题—memcached 连接频率，效率下降了，于是加 memcached 节点，添加了后，发现因为连接频率导致的问题，仍然存在，并没有好转，称之为”无底洞现象”。
目前主流的数据库、缓存、Nosql、搜索中间件等技术栈中，都支持“分片”技术，来满足“高性能、高并发、高可用、可扩展”等要求。有些是在client端通过Hash取模（或一致性Hash）将值映射到不同的实例上，有些是在client端通过范围取值的方式映射的。当然，也有些是在服务端进行的。但是，每一次操作都可能需要和不同节点进行网络通信来完成，实例节点越多，则开销会越大，对性能影响就越大。
主要可以从如下几个方面避免和优化：
- 数据分布方式：有些业务数据可能适合Hash分布，而有些业务适合采用范围分布，这样能够从一定程度避免网络IO的开销。
- IO优化：可以充分利用连接池，NIO等技术来尽可能降低连接开销，增强并发连接能力。
- 数据访问方式：一次性获取大的数据集，会比分多次去获取小数据集的网络IO开销更小。
当然，缓存无底洞现象并不常见。在绝大多数的公司里可能根本不会遇到。
Redis在股票分时K线图计算的实践
来公司第一个比较大的业务需求，便是换了新的行情提供商，需要把所有K线的处理都重新倒腾一遍。这里说说重写分时K线图的一点心得。
先交代一下数据提供商的情况：
1）股票分时数据采用订阅的方式，可以订阅历史数据
2）每分钟每只股票可能会接收到多条分时数据，也可能一条不推。有些股票在开市过程中每分钟都会有分时数据，有些股票则一个交易日只有几条数据，甚至没有，差别很大
3）推送的分时数据有延迟，从监控获得数据，开市期间大约在60s-120s左右（分时数据看的是趋势，这是可以忍受的）
4）每个订阅对实时数据有qps限制，对历史数据无qps限制（从监控上得到的）
再交代一下股票分时K线数据的情况：
1）股票数目为8500+（美股相关）
2）每只股票1个交易日的分时线包含391条数据（9:30-16:00, America/New_York），每条数据包含这一分钟的最高价、最低价、均价、昨收价、涨幅、交易量、VWAP等，数据量在150k左右
3）每天存储的分时数据在120w条左右
4）股票分时线如果某一分钟没有点，使用上一分钟的点代替，但无交易量
接下来重点说一下这里的设计：(以AAPL为例)
1）由于分时数据有延迟，无法确定每一分钟的最后一条数据什么时候会来到。因此开市期间并不去保存分时数据。实时的分时数据存储在redis中，计算K线时从redis中取
2）redis中分时数据的存储格式为hash结构，每只股票一个key，为了防止当前交易日使用上个交易日的数据，因此分时数据缓存时是包含日期的，比如：TMT_AAPL0105, key为美东时间，格式：HHmm， value为简单计算后的分时数据。上一个交易日的分时数据通过定时任务在指定时间清理。（这里没有对分时数据做过期设置，是因为刚开市时数据推送量及redis操作量很大，而使用hashes这个结构，是不支持直接传入expire time的，同时即使某天系统出什么问题，也只是多占些硬盘的问题，不会对其他造成影响，对这个操作添加监控及报警就可以了）
3）结构有了，如果第三方数据提供商每次都推送数据过来时，都去操作redis更新，那样redis很可能会吃不消，谁都无法晓得第三方是否会出什么问题疯狂推送一下（事实证明，第三方数据提供商也确实这样有过，可能因网络故障等补偿推送历史数据）。接下来是缓存的的重点：在内存中通过guava cache缓存了最近几分钟的所有symbol的最新数据，key: 股票+HHmm(美东时间)， value：一条分时数据，每次推送分时数据过来时，根据股票及分时数据时间进行cache，过期数据（很久以前或非最新数据）或脏数据（相关数据为NaN）直接抛弃，然后通过ScheduledExecutorService维护一个1分钟1执行的job去将最近几分钟的分时数据更新到redis中。这样既解决了分时数据有延迟的问题，又保证了每分钟的redis更新数据量。
4）数据存储结束后，就是处理分时K线的数据了。当请求AAPL时，会先查看是否已经有cache了，比如C_TT_AAPL, 如果有取出cache中数据处理后返回，没有开始计算。计算会先取出上面存储的数据，即TMT_AAPL0105，然后计算当前k线的时间点（开市过程中从1个点慢慢增长到391个点），遍历HHmm去TMT_AAPL0105中取分时数据，如果有直接取出即可，如果没有使用上一个点生成（第一个记得特殊处理一下，没有需要拿上个交易日最后一个点补），计算完后转成json放到redis中，key为计算前查询的key: C_TT_AAPL，然后将结果返回。开市过程中缓存到下一分钟开始，闭市了缓存到下个交易日开始。由于这里缓存的是string，因此直接带上过期时间，之后就不用care了。如此，最核心的分时K线数据绝大部分都是在操作redis，每只股票每分钟只需要计算一次即可，当然这是基于分时K线主要看的是趋势。
5）上面说了，分时数据可以拿历史数据。这里我单独写了一个job，可以在给定开始时间后，取出期望的历史数据，然后更新历史分时数据。当实时推送出问题时，这个job可以用来在秒级获取历史数据来修复redis中的分时数据。实际上，这个job在故障中的表现远远超出预期，之前因为对实时那里做优化，几次都有点问题导致开市后实时数据获取或处理有问题，这时候启动这个拿历史分时的job，几秒内就可以保证redis中的数据变成最新，保证核心的分时图数据一直ok。
6）说到这里，分时数据还没保存。这里借助上面拿历史数据的job，在闭市后（北京时间凌晨5点以后）自动执行，更新redis中数据后开始插入数据库。由于插入量特别大，通过guava的RateLimiter控制写入速度在合理的qps值，慢慢更新就好啦
当然这不是全部，还有些细节，比如动态增加股票，就不多说了。此外，我单独补了许多核心监控，比如定时任务是否正常执行、读取及更新redis时间、开市期间推送的qps、计算分时K线平均时间、平均每分钟推送不同股票数目等等，目前达到的结果是：docker上部署的2个4g的服务来处理所有K线图，分时K线图数据可以在平均10ms左右返回，大量的分时数据在低峰时间端插入，服务器在开市闭市都没什么压力。