记一次评论系统缓存优化实践

背景

该项目是当时公司最重点落地战略性的项目之一，离开项目组时DAU达到了6000W以上，主要做富媒体feed流。评论指的是对单条feed的评论，要求评论近实时展示。本文主要分析缓存模型。

公司当时的缓存中间件主要是couchbase，所以主要是使用了couchbase缓存。倒也不影响对缓存架构的理解。

优化过程

第一版评论系统

主要的需求是，第一可展示评论，第二可翻页（一页20条以内）
由于项目初期用户量不大，评论量自然有限，同时feed的热点数据也比较少，所以缓存设计上相对简单。
仅缓存最新的300条评论，一个 kv缓存，缓存300条评论的所有内容，包括id，uid，楼号，评论详情等，json序列化。
有新的写入，会更新300条缓存。
起初运行良好，热点数据缓存命中率比较高，请求也基本都分布在前几页，穿透数据库情况极少。

第一次瓶颈 - 读写压力暴增

原因

后来加入了新功能，其中有流量大咖参与的活动类feed，带来了大量的用户，具有很强的热点效应。每条活动类feed的评论可能达到几万条甚至更多，同时参与活动人数可能高达数十万。

• 现在遇到了什么问题

1. 同时缓存300条评论，1个value大者可能就有几十上百K，突发流量，频繁的缓存读取，让内网带宽称为瓶颈，经常物理机带宽报警。
2. 频繁的序列化，反序列化也增大了cpu的压力。
3. 频繁的有新评论加入，每次都会重刷缓存数据，造成大量的缓存写入。

解决思路

我们来思考下用户请求的场景，对于评论数据，往往是一次只取10-20条数据，通常都分布在前十页。甚至于通常是随着feed列表或者feed首页展示第一页。那每次从缓存取300条全量数据就显得有些重了。

好，如何优化？

首先我们把300数据只存索引，也即评论id，这些value数据量大幅下降，从缓存中多读取的无用数据也变少了。我们称作id列表缓存。

那具体的评论内容怎么办？评论内容按照每条内容一个kv缓存来处理，从索引缓存中取出id，然后再去缓存中批量取，这样每次只需要取出一页的数据即可，也大量的缩减了网络延迟、带宽和cpu的消耗。我们成为评论的实体缓存。

是否还能进一步优化？当然可以。评论内容基本没变化，我们可以利用二级缓存机制，增加本地缓存，热点内容的缓存命中率很高，可以减少90%以上的集中式缓存读取

至此一段时间内，网络带宽、cpu均保持正常，维持了一段时间的安稳。

第二次瓶颈 - 深翻页导致的性能下降（缓存命中率低）

原因

评论增加了盖楼功能，运营会做一些活动，根据盖的楼层送礼品，重点是通常在大V用户的feed下做活动！！
于是产生了大量用户向下深层翻页的情况，甚至翻阅上千页以上。
这下麻烦了，之前仅缓存了前300条评论id，如果用户深翻页那必然无法命中缓存，穿透数据库，导致了大量的评论请求超时，引起了不少客诉。
运营场景又倒逼我们做技术优化。

解决思路

1. 首先明确，我们要解决的问题是缓存命中率问题。
2. 是什么的缓存命中率？id列表缓存，还是评论实体缓存？
   上文提到，我们设计了2种缓存，300条最新评论id的列表缓存，和评论的实体缓存。
   对于实体缓存来说，只要被访问过，便会种一段时间缓存，热点数据缓存命中率比较高。
   而id列表缓存由于只缓存了300条，所以，深翻页一定会穿透，这就是我们要解决的主要矛盾。
3. 能否通过增加缓存的评论id条数解决问题？
   不能。单纯的增加缓存的id条数，增加的少了仅是多支持了几页的翻页，增加的多了，有会产生和第一次性能瓶颈一样的问题，导致带宽和cpu瓶颈。
4. 那能不能分段缓存，比如前300个缓存一条记录，然后后边每300个缓存一条记录？
   bingo，思路很好。提高了扩展性，增加了缓存命中率。但是我们需要思考下细节。这么做有什么问题？
   如果分页来查找，我们怎么做？这个简单，根据每一页计算出这一页落在哪个index上，取对应index的缓存即可。比如每页20条，第二页是最新的21-40，落在0-300的区间内。
   考虑下新增评论，我们存了同一条feed的两组index缓存，分别是最新的1-300条，301-600条，如果新增一条要怎么办？如果要保证实时展示的话，我们就要刷新列表缓存，由于第一条index缓存已经满员了，要把多余的部分转到下一个index区间，循环下去……天，那要刷新这条feed的所有列表缓存……缓存写入量必然大增。如果不刷新，很难保证列表缓存实时性。
   如果不刷新，把新数据单独做个列表缓存呢？这个度不好把握，也不好判断什么时候该取下一组index数据。总之比较复杂。
5. 有没有更好的解决办法？
   肯定有，要不然这次优化不叫成功。
   这个需求有一个很巧的地方，就是评论带楼层。
   巧在哪里？
   我们之前对评论的排序都是根据id（或者创建时间）倒序排列，因为id是所有评论的唯一标识，所以仅根据id无法确认该评论在列表中的具体位置。但是楼层不然，是第几楼，就意味着是该feed下的第几个评论。
   确认了位置有啥用？
   第4条我们提到，主要的问题是实时更新的性能问题。看到楼层这个变量，灵机一动，我们肯定是能拿到feed当前的最高楼层的，那第几页取哪几层的数据也是一目了然。比如最高楼层1001，一页20条，第2页数据就是第981-962层的评论（小学数据题）。
   那如果这样设计列表缓存呢？将列表缓存按照固定的楼层分段，比如第1-300层一段，第301-600层一段，依次类推。如果当前最高楼层是1001，则落在901-1200的分段内。
   key value
   index_300_1 第1-300层的id列表[{楼层，id},{楼层，id}]
   也就是我们通过楼层就能知道去取那个分段的列表数据，而且每个分段存储的楼层是固定的。注意是固定的，固定的有什么好处？那就是如果我新来了一条评论，知道他的楼层，那就知道要往那个分段里更新数据，已经满了的分段数据是不会变化的。嗯...好像解决了更新数据量过大的问题！

如何用

其实刚刚的思路已经把具体的方案描述差不多了

1. 根据楼层来对列表缓存分段
   key value
   index_300_1 第1-300层的id列表[{楼层，id},{楼层，id}]
   index_600_301 第301-600层的id列表[{楼层，id},{楼层，id}]
2. 取最高楼层是930的首页数据，也即第930-911层
   均落在index_1200_901的区间范围内，则取该段的缓存即可
3. 取最高楼层是930的第二页数据，也即第910-891层
   落在index_1200_901和index_900_601，两个分段内，则从两个分段缓存中取出对应id
4. 当前最高楼层是930，新增一条记录，则为931层
   落在index_1200_901的区间范围内，只需更新该段缓存即可。

第三次瓶颈 - 资源消耗过大

随着业务发展，内容越来越广，用户也越来越多，诚然缓存会过期，但耐不住数据量的庞大，couchbase占用的内存一路猛升。从一开始几十G的物理机一直增长到了上T。
物理机资源太贵了，所以要思考怎么减少内存占用。这里简化过程，直接说结果。之前用的序列化方式是JSON格式，这种格式可读性强，但是占用的内存大、序列化性能也不理想。调研了protobuf协议，将序列化方式改为protobuf后，内存使用率降到了之前的10%-20%，内存利用率提高了5-10倍！极大减小了成本。同时因为更高的序列化反序列化性能，cpu使用率也得到了相应改善。

其他优化

经过上面的几次优化，不论是性能还是资源成本的角度看，在当时都达到了不错的效果。但是依然有很多的优化空间。

1. 缓存预取
   上面提到对列表缓存使用楼层的进行的分段优化，对于热点数据深分页的问题效果不错。后来针对这一过程又做了进一步的优化，缓存预取。通常情况下用户只访问第一段的数据就够了，缓存命中率也很高。某些热点feed，用户会进行深分页，我们从用户开始访问到第三段起（通常超过了300条数据），就认为该feed可能是此类热点feed，如果缓存中不存在，那我们会同时异步预加载后边2段数据，这样用户一直向下翻的时候，基本都命中缓存，进一步提高了性能。
2. 分页模式改造
   通常，我们的分页都是传递两个参数，pageSize，page，表示每页多少条，取第几页，这种形式存在一定问题
   从持久化存储系统的角度来看，是有性能瓶颈的。拿mysql举例，如果要做深分页，会扫描该页之前的所有数据，可能是比较消耗资源的磁盘扫描（自行查阅资料喽）。
   从用户体验角度来看，如果用户翻页过程中，有新增feed，那有可能会有翻页重复数据。比如第20条变成了第21条。
   所以，对分页方式做了个优化。每次传递上一页的最后一个元素（这里是楼层，lastFloor），和一页取多少个数据，我们以游标的形式取数据避免了重复数据的出现，当然如果出现在查询mysql的场景中，也避免了过多的磁盘扫描

总结与思考

1. 我们为什么用缓存以及如何用。
   用缓存的原因就不必多说了，就是性能。因为内存和磁盘的性能差异，有如天壤之别，比cpu高速缓存和内存差异还要大。
   如何使用，其实我们要理解一下缓存的局部性原理就会有一种拨云见日的感觉
   缓存局部性原理包括缓存的空间局部性原理和时间局部性原理。这块知识在讲硬件时可能用的比较多，尤其是cpu的寄存器、高速缓存设计。
   _在CPU访问寄存器时，无论是存取数据或存取指令，都趋于聚集在一片连续的区域中，这就被称为局部性原理。
   时间局部性（temporal locality）
   时间局部性指的是：被引用过一次的存储器位置在未来会被多次引用（通常在循环中）。
   空间局部性（spatial locality）
   如果一个存储器的位置被引用，那么将来他附近的位置也会被引用。_
   其实不只是cpu缓存，扩展到我们的软件系统设计也是一个道理。回想下，上文怎么用的局部性原理？
   访问过的数据种缓存，供后续访问使用，就是应用的时间局部性原理
   访问一个分段的数据，将后边分段的数据预先加载到缓存，提高缓存命中率，就是用的空间局部性原理
2. 其他缓存中间件可以吗？
   何止是可以，甚至可以做的更好。当然万变不离其宗，原理是一样的。比如我们如果用redis的list结构，每次从缓存中取分段数据，都没必要取出整段，只取需要的一部分即可。
3. 这里只说了缓存设计，其中还有很多值得讨论的其他技术架构点，比如如何持久化评论，持久化和更新缓存的流程是怎样的，如何保证数据一致性等，都值的我们探讨。

好累，总结一次不容易。