由于需要对GAP平台的缓存解决方案进行扩充，我们选择了memcached作为分布式缓存的一种可选方案，它是基于内存的一种分布式缓存系统，主要面向较小的对象，比如数据库返回值，api调用返回值以及页面渲染结果等，同时在选择客户端的时候，使用了阿里文初改造后的客户端memchaced-client-forjava，该客户端经过阿里内部大量实际项目的线上运行，表现都很稳定。下面首先会分析该客户端的源码结构，然后说说我们对其改造的部分。
源码分析
memcached本身是一个集中式的内存缓存系统，对于分布式的支持服务端并没有实现，只有通过客户端实现；再者，memcached是基于TCP/UDP进行通信，只要客户端语言支持TCP/UDP即可实现客户端，并且可以根据需要进行功能扩展。memchaced-client-forjava 既是使用java语言实现的客户端，并且实现了自己的功能扩展，下面这张类图描述了其主要类之间的关系。
几个重要类的说明：
- MemcachedCacheManager： 管理类，负责缓存服务端，客户端，以及相关资源池的初始化工作，获取客户端等等
- MemcachedCache：memcached缓存实体类，实现了所有的缓存API，实际上也会调用MemcachedClient进行操作
- MemcachedClient：memcached缓存客户端，一个逻辑概念，负责与服务端实例的实际交互，通过调用sockiopool中的socket
- SockIOPool：socket连接资源池，负责与memcached服务端进行交互
- ClusterProcessor：集群内数据异步操作工具类
客户端可配置化
MemcachedCacheManager是入口，其start方法读取配置文件memcached.xml，初始化各个组建，包括memcached客户端，socket连接池以及集群节点。
memcached客户端是个逻辑概念，并不是和memcached服务端实例一一对应的,可以认为其是一个逻辑环上的某个节点（后面会讲到hash一致性算法时涉及），该配置文件中，可配置一个或多个客户端，每个客户端可配置一个socketPool连接池，如下：
<client name="mclient0" compressEnable="true" defaultEncoding="UTF-8" socketpool="pool0”>
<errorHandler>com.alisoft.xplatform.asf.cache.memcached.MemcachedErrorHandler</errorHandler>
</client>
扩容
socketpool连接池配置的才是真正连接的memcached服务实例，当然，你可以连接多个memcached服务实例，多个实例可以分布在一台或者多台物理机器上。这样，随着实际业务数据量的增加，可以对现有缓存容量进行扩容，只需在servers中增加memcached实例即可，或者增加多个socketpool配置项，配置如下：
<socketpool name="pool0" failover="true" initConn="5" minConn="5" maxConn="250" maintSleep="5000" nagle="false" socketTO="3000" aliveCheck="true">
<servers>192.168.1.66:11211,192.168.1.68:11211</servers>
</socketpool>
初始化过程
上文提及的MemcachedCacheManager，该类功能包括有初始化各种资源池，获取所有客户端，重新加载配置文件以及集群复制等。我们重点分析方法start，该方法首先加载配置文件，然后初始化资源池，即方法initMemCacheClientPool，该方法中定义了三个资源池，即socket连接资源池socketpool，memcachedcache资源池cachepool，以及由客户端组成的集群资源池clusterpool，这些资源池的数据结构都是线程安全的ConcurrentHashMap，保证了并发效率。将配置信息分别实例化后，再分别放入对应的资源池容器中，socket连接放入socketpool中，memcached客户端放入cachepool中，定义的集群节点放入clusterpool中。
注意，在实例化socket连接池资源socketpool时，会调用每个pool的初始化方法pool.initialize()，来映射memcached实例到HASH环上，以及初始化socket连接。
单点问题
memcached的分布式，解决了容量水平扩容的问题，但是当某个节点失效时，还是会丢失一部分数据，单点故障依然存在，分布式只是解决了数据整体失效问题，而在实际项目中，特别是GAP平台适应的企业级项目中，是不允许数据不一致的，所以对每一份保存的数据都需要进行容灾处理，那么对于定义的每个memcached客户端，都至少增加一个新客户端与其组成一个cluster集群，当更新或者查找数据时，会先定位到该集群中某个节点，如果该节点失效，就去另外一个节点进行操作。在实际项目中，通过合理规划配置cluster和client(memcached客户端)，可以最大限度的避免单点故障（当所有client都失效时还会丢失数据）。在配置文件中，集群配置如下：
<cluster name="cluster1" mode="active">
<memCachedClients>mclient1,mclient2</memCachedClients>
</cluster>
下图展现了扩容和单点故障解决方案：
HASH一致性算法
在memcached支持分布式部署场景下，如何获取一个memcached实例？如何平均分配memcached实例的存储？这些需要一个算法来实现，我们选择的是HASH一致性算法，具体就体现在客户端如何获取一个连接memcached服务端的socket上，也就是如何定位memcached实例的问题？算法要求能够根据每次提供的同一个key获得同一个实例。
HASH闭环的初始化
本质上，hash一致性算法是需要实现一个逻辑环，如图所示，环上所有的节点即为一个memcached实例，如何实现？其实是根据每个memcached实例所在的ip地址，将所有的实例映射到hash数值空间中，构成一个闭合的圆环。
HASH环映射的初始化的代码位于SocketIOPool.populateConsistentBuckets方法中，主要代码如下：
private void populateConsistentBuckets()
{
……...
for (int i = 0; i < servers.length; i++)
{
int thisWeight = 1;
if (this.weights != null && this.weights[i] != null)
thisWeight = this.weights[i];
double factor = Math .floor(((double) (40 * this.servers.length * thisWeight)) / (double) this.totalWeight);
for (long j = 0; j < factor; j++)
{
byte[] d = md5.digest((servers[i] + "-" + j).getBytes());
for (int h = 0; h < 4; h++)
{
// k 的值使用MD5hash算法计算获得
Long k = ((long) (d[3 + h * 4] & 0xFF) << 24)
| ((long) (d[2 + h * 4] & 0xFF) << 16)
| ((long) (d[1 + h * 4] & 0xFF) << 8)
| ((long) (d[0 + h * 4] & 0xFF));
// 用treemap来存储memcached实例所在的ip地址，
// 也就是将每个缓存实例所在的ip地址映射到由k组成的hash环上
consistentBuckets.put(k, servers[i]);
if (log.isDebugEnabled())
log.debug("++++ added " + servers[i]
+ " to server bucket");
}
}
……...
}
}
获取socket连接
在实际获取memcahced实例所在服务器的soket时，只要使用基于同一个存储对象的key的MD5Hash算法，就可以获得相同的memcached实例所在的ip地址，也就是可以准确定位到hash环上相同的节点，代码位于SocketIOPool.getSock方法中，主要代码如下：
public SockIO getSock(String key, Integer hashCode){
………….
// from here on, we are working w/ multiple servers
// keep trying different servers until we find one
// making sure we only try each server one time
Set<String> tryServers = new HashSet<String>(Arrays.asList(servers));
// get initial bucket
// 通过key值计算hash值，使用的是基于MD5的算法
long bucket = getBucket(key, hashCode);
String server = (this.hashingAlg == CONSISTENT_HASH) ? consistentBuckets .get(bucket) : buckets.g et((int) bucket);
…………...
}
private long getBucket(String key, Integer hashCode)
{
/ / 通过key值计算hash值，使用的是基于MD5的算法
long hc = getHash(key, hashCode);
if (this.hashingAlg == CONSISTENT_HASH)
{
return findPointFor(hc);
} else
{
long bucket = hc % buckets.size();
if (bucket < 0)
bucket *= -1;
return bucket;
}
}
/**
* Gets the first available key equal or above the given one, if none found,
* returns the first k in the bucket
*
* @param k
* key
* @return
*/
private Long findPointFor(Long hv)
{
// this works in java 6, but still want to release support for java5
// Long k = this.consistentBuckets.ceilingKey( hv );
// return ( k == null ) ? this.consistentBuckets.firstKey() : k;
// 该consistentBuckets中存储的是HASH结构初始化时，存入的所有memcahced实例节点，也就是整个hash环
// tailMap方法是取出大于等于hv的所有节点，并且是递增有序的
SortedMap<Long, String> tmap = this.consistentBuckets.tailMap(hv);
// 如果tmap为空，就默认返回hash环上的第一个值，否则就返回最接近hv值的那个节点
return (tmap.isEmpty()) ? this.consistentBuckets.firstKey() : tmap .firstKey();
}
/**
* Returns a bucket to check for a given key.
*
* @param key
* String key cache is stored under
* @return int bucket
*/
private long getHash(String key, Integer hashCode)
{
if (hashCode != null)
{
if (hashingAlg == CONSISTENT_HASH)
return hashCode.longValue() & 0xffffffffL;
else
return hashCode.longValue();
} else
{
switch (hashingAlg)
{
case NATIVE_HASH:
return (long) key.hashCode();
case OLD_COMPAT_HASH:
return origCompatHashingAlg(key);
case NEW_COMPAT_HASH:
return newCompatHashingAlg(key);
case CONSISTENT_HASH:
return md5HashingAlg(key);
default:
// use the native hash as a default
hashingAlg = NATIVE_HASH;
return (long) key.hashCode();
}
}
}
/**
* Internal private hashing method.
*
* MD5 based hash algorithm for use in the consistent hashing approach.
*
* @param key
* @return
*/
private static long md5HashingAlg(String key)
{
/ /通过key值计算hash值，使用的是基于MD5的算法
MessageDigest md5 = MD5.get();
md5.reset();
md5.update(key.getBytes());
byte[] bKey = md5.digest();
long res = ((long) (bKey[3] & 0xFF) << 24)
| ((long) (bKey[2] & 0xFF) << 16)
| ((long) (bKey[1] & 0xFF) << 8) | (long) (bKey[0] & 0xFF);
return res;
}</pre>
通过以上代码的分析，整个memcahced服务端实例HASH环的初始化，以及数据更新和查找使用的算法都是基于同一种算法，这就保证了通过同一个key获得的memcahced实例为同一个。
socket连接池
这部分单独介绍，请猛烈地戳这里。
容灾、故障转移以及性能
衡量系统的稳定性，很大程度上是对各种异常情况的处理，充分考虑异常情况，以及合理处理异常是对系统设计人员的要求，下面看看在故障处理和容灾方面系统都做了那些工作。
- 定位memcached实例时，当第一次定位失败，会对所有其他的属于同一个socketpool中的memcahced实例进行定位，找到一个可用的，代码如下：
// log that we tried
// 先删除定位失败的实例
tryServers.remove(server);
if (tryServers.isEmpty())
break;
// if we failed to get a socket from this server
// then we try again by adding an incrementer to the
// current key and then rehashing
int rehashTries = 0;
while (!tryServers.contains(server))
{
// 重新计算key值
String newKey = new StringBuilder().append(rehashTries).append(key).toString();
// String.format( "%s%s", rehashTries, key );
if (log.isDebugEnabled())
log.debug("rehashing with: " + newKey);
// 去HASH环上定位实例节点
bucket = getBucket(newKey, null);
server=(this.hashingAlg == CONSISTENT_HASH) ? consistentBuckets.get(bucket) : buckets.get((int) bucket);
rehashTries++;
}
- 查找数据时，当前节点获取不到，会尝试到所在集群中其他的节点查找，成功后，会将数据复制到原先失效的节点中，代码如下：
public Object get(String key)
{
Object result = null;
boolean isError = false;
…….......
if (result == null && helper.hasCluster())
if (isError || helper.getClusterMode().equals(MemcachedClientClusterConfig.CLUSTER_MODE_ACTIVE))
{
List<MemCachedClient> caches = helper.getClusterCache();
for(MemCachedClient cache : caches)
{
if (getCacheClient(key).equals(cache))
continue;
try{ try
{
result = cache.get(key);
}
catch(MemcachedException ex)
{
Logger.error(new StringBuilder(helper.getCacheName())
.append(" cluster get error"),ex);
continue;
}
//仅仅判断另一台备份机器，不多次判断，防止效率低下
if (helper.getClusterMode().equals(MemcachedClientClusterConfig.CLUSTER_MODE_ACTIVE) && result != null)
{
Object[] commands = new Object[]{CacheCommand.RECOVER,key,result};
// 加入队列，异步执行复制数据
addCommandToQueue(commands);
}
break;
}
catch(Exception e)
{
Logger.error(new StringBuilder(helper.getCacheName()) .append(" cluster get error"),e);
}
}
}
return result;
}
- 更新数据时，异步更新到集群内其他节点，示例代码如下：
public boolean add(String key, Object value)
{
boolean result = getCacheClient(key).add(key,value);
if (helper.hasCluster())
{
Object[] commands = new Object[]{CacheCommand.ADD,key,value};
// 加入队列，异步执行
addCommandToQueue(commands);
}
return result;
}
- 删除数据时，需要同步执行，如果异步的话，会产生脏数据，代码如下：
public Object remove(String key)
{
Object result = getCacheClient(key).delete(key);
//异步删除由于集群会导致无法被删除，因此需要一次性全部清除
if (helper.hasCluster())
{
List<MemCachedClient> caches = helper.getClusterCache();
for(MemCachedClient cache : caches)
{
if (getCacheClient(key).equals(cache))
continue;
try
{
cache.delete(key);
}
catch(Exception ex)
{
Logger.error(new StringBuilder(helper.getCacheName())
.append(" cluster remove error"),ex);
}
}
}
return result;
}</pre>
- 异步执行集群内数据同步，因为不可能每次数据都要同步执行到集群内每个节点，这样会降低系统性能；所以在构造MemcachedCache对象时，会建立一个队列，线程安全的linked阻塞队列LinkedBlockingQueue，将所有需要异步执行的命令放入队列中，异步执行，具体异步执行由ClusterProcessor类负责。
public MemcachedCache(MemCachedClientHelper helper,int statisticsInterval)
{
this.helper = helper;
dataQueue = new LinkedBlockingQueue<Object[]>();
………
processor = new ClusterProcessor(dataQueue,helper);
processor.setDaemon(true);
processor.start();
}
- 本地缓存的使用是为了降低连接服务端的IO开销，当有些数据变化频率很低时，完全可以放在应用服务器本地，同时可以设置有效时间，直接获取。DefaultCacheImpl类为本地缓存的实现类，在构造MemcachedCache对象时，即初始化。
每次查找数据时，会先查找本地缓存，如果没有再去查缓存，结束后将数据让如本地缓存中，代码如下：
public Object get(String key, int localTTL)
{
Object result = null;
// 本地缓存中查找
result = localCache.get(key);
if (result == null)
{
result = get(key);
if (result != null)
{
Calendar calendar = Calendar.getInstance();
calendar.add(Calendar.SECOND, localTTL);
// 放入本地缓存
localCache.put(key, result,calendar.getTime());
}
}
return result;
}
增加缓存数据时，会删除本地缓存中对应的数据，代码如下：
public Object put(String key, Object value, Date expiry)
{
boolean result = getCacheClient(key).set(key,value,expiry);
//移除本地缓存的内容
if (result) localCache.remove(key);
……..
return value;
}
改造部分
据以上分析，我们通过封装，做到了客户端的可配置化，memcached实例的水平扩展，通过集群解决了单点故障问题，并且保证了应用程序只要每次使用相同的数据对象的key值即可获取相同的memcached实例进行操作。但是，为了使缓存的使用对于应用程序来说完全透明，我们对cluster部分进行了再次封装，即把cluster看做一个node，根据cluster名称属性，进行HASH数值空间计算（同样基于MD5算法），映射到一个HASH环上，如下图:
这部分逻辑放在初始化资源池clusterpool时进行(即放在MemcahedCacheManager.initMemCacheClientPool方法中)，与上文中所描述的memcached实例HASH环映射的逻辑一致，部分代码如下：
//populate cluster node to hash consistent Buckets
MessageDigest md5 = MD5.get();
// 使用cluster的名称计算HASH数值空间
byte[] d = md5.digest((node.getName()).getBytes());
for (int h = 0; h < 4; h++)
{
Long k = ((long) (d[3 + h * 4] & 0xFF) << 24)
| ((long) (d[2 + h * 4] & 0xFF) << 16)
| ((long) (d[1 + h * 4] & 0xFF) << 8)
| ((long) (d[0 + h * 4] & 0xFF));
consistentClusterBuckets.put(k, node.getName());
if (log.isDebugEnabled())
log.debug("++++ added " + node.getName() + " to cluster bucket");
}
在进行缓存操作时，仍然使用数据对象的key值获取到某个cluster节点，然后再使用取余算法（这种算法也是经常用到的分布式定位算法，但是有局限性，即随着节点数的增减，定位越来越不准确），拿到cluster中的某个节点，在进行缓存的操作；定位hash环上cluster节点的逻辑也与上文一样，这里不在赘述。部分定位cluster中节点的取余算法代码如下：
public IMemcachedCache getCacheClient(String key){
………….
String clusterNode = getClusterNode(key);
MemcachedClientCluster mcc = clusterpool.get(clusterNode);
List<IMemcachedCache> memcachedCachesClients = mcc.getCaches();
//根据取余算法获取集群中的某一个缓存节点
if (!memcachedCachesClients.isEmpty())
{
long keyhash = key.hashCode();
int index = (int)keyhash % memcachedCachesClients.size();
if (index < 0 )
index *= -1;
return memcachedCachesClients.get(index);
}
return null;
}
这样，对于应用来说，配置好资源池以后，无需关心那个集群或者客户端节点，直接通过MemcachedCacheManager获取到某个memcachedcache，然后进行缓存操作即可。
最后，使用GAP平台分布式缓存组件，需要提前做好容量规划，集群和客户端事先配置好；另外，缓存组件没有提供数据持久化功能。
欢迎来到这里！
我们正在构建一个小众社区，大家在这里相互信任，以平等 • 自由 • 奔放的价值观进行分享交流。最终，希望大家能够找到与自己志同道合的伙伴，共同成长。
注册 关于