1.④优雅的目源码缓存框架：SpringCache之多级缓存
2.沉浸式go-cache源码阅读！
3.iOS本地缓存方案之YYCache源码解析
4.BlueStore源码分析之Cache
5.Spring Cache 中的源码表达式求值（及 Spring Cache 小结）
6.对TP5数据库缓存cache的一些思考

④优雅的缓存框架：SpringCache之多级缓存

       多级缓存策略能够显著提升系统响应速度并减轻二级缓存压力。本文采用Redis作为二级缓存，目源码Caffeine作为一级缓存，源码通过多级缓存的目源码设计实现优化。

       首先，源码地铁app源码进行多级缓存业务流程图的目源码声明，并通过LocalCache注解对一级缓存进行管理。源码具体源码地址如下。目源码

       其次，源码自定义CaffeineRedisCache，目源码进一步优化缓存性能。源码相关源码地址提供如下。目源码

       为了确保缓存机制的源码正确执行，自定义CacheResolver并将其注册为默认的目源码cacheResolver。具体实现细节可参考以下源码链接。

       在实际应用中，通过上述自定义缓存机制，能够有效地提升系统性能和用户体验。为了验证多级缓存优化效果，我们提供实战应用案例和源码。相关实战案例和源码如下链接。

       实现多级缓存策略的完整源码如下：

       后端代码：<a href="github.com/L1yp/van-tem...

       前端代码：<a href="github.com/L1yp/van-tem...

       欲加入交流群讨论更多技术内容，点击链接加入群聊： Van交流群

沉浸式go-cache源码阅读！

       大家好，我是豆小匠，这期将带领大家探索go-cache的内部实现，深入理解本地缓存机制，并分享一些阅读源码的实用技巧。

       首先，我们从源码入手，Goland中仅需关注cache.go和sharded.go两个文件，张掖网站源码总共行代码，是不错的学习资源。通过README.md，可以了解到包的使用方法。

       创建缓存实例时，我们注意到它依赖于清理间隔，而非实时过期删除。这引出了一个问题：如何在逻辑上处理过期缓存？我们开始在cache.go中寻找答案。

       首先，我们关注Cache结构体，它定义了整个缓存的框架。接下来，重点阅读New函数，这里使用了runtime.SetFinalizer来确保即使对象被设置为nil，清理协程的GC回收也受到影响。

       通过源码解析，我们明白，如果清理协程与Cache对象关联，即使对象不再活跃，GC仍无法立即回收。再深入Get方法，你会发现，缓存失效并非通过key是否存在，而是通过item中的过期时间判断，定时清理主要为了释放存储空间。

       最后，我们对常用的方法进行挑选，梳理cache类的成员变量和功能，通过创建图示的方式，来帮助我们更好地理解和记忆。值得注意的couchbase源码分析是，onEvicted是删除key的回调函数，而sharded.go是未公开的分片缓存实验代码。

iOS本地缓存方案之YYCache源码解析

       简单列举一下，iOS的本地缓存方案有挺多，各有各的适用场景：

       本文主要聊聊YYCache的优秀设计。高性能的线程安全方案是YYCache比较核心的一个设计目标，很多代码逻辑都是围绕性能这个点来做的。与TMMemoryCache方案相比，YYCache在同步接口的设计上采用了自旋锁来保证线程安全，但仍然在当前线程去执行读操作，这样就可以节省线程切换带来的开销。而TMCache在同步接口里面通过信号量来阻塞当前线程，然后切换到其他线程去执行读取操作，主要的性能损耗在这个线程切换操作上，同步接口没必要去切换线程执行。此外，使用dispatch_sync实现同步的方案也可以做到节省线程切换的开销，与加锁串行的方案相比，性能如何还需要进一步测试验证。除了高性能的本地存储方案，YYCache在本地持久化提高性能方面采取了策略，对于大于k的数据采取直接存储文件，然后在sqlite中存元信息；对于小于k的数据则直接存储在sqlite中。数据完整性保障方面，YYCache在存储文件时，存在数据库的元信息和实际文件的存储必须保障原子性。此外，YYCache还新增了实用功能，比如LRU算法，基于存储时长、数量、net mid源码大小的缓存控制策略等。这些设计和功能使得YYCache在iOS本地缓存方案中具有较高的竞争力和实用性。

BlueStore源码分析之Cache

       BlueStore通过DIO和Libaio直接操作裸设备，放弃了PageCache，为优化读取性能，它自定义了Cache管理。核心内容包括元数据和数据的Cache，以及两种Cache策略，即LRU和2Q，2Q是默认选择。

       2Q算法在BlueStore中主要负责缓存元数据（Onode）和数据（Buffer），为提高性能，Cache被进一步划分为多个片，HDD默认5片，SSD则默认8片。

       BlueStore的元数据管理复杂，主要分为Collection和Onode两种类型。Collection存储在内存中，Onode则对应对象，便于对PG的操作。启动时，会初始化Collection，将其信息持久化到RocksDB，并为PG分配Cache。

       由于每个BlueStore承载的Collection数量有限（Ceph建议每个OSD为个PG），Collection结构设计为常驻内存，而海量的Onode则仅尽可能地缓存在内存中。

       对象的数据通过BufferSpace进行管理，写入和读取完成后，会根据特定标记决定是否缓存。同时，mid网页源码内存池机制监控和管理元数据和数据，一旦内存使用超出限制，会执行trim操作，丢弃部分缓存。

       深入了解BlueStore的Cache机制，可以参考以下资源：

Spring Cache 中的表达式求值（及 Spring Cache 小结）

       上一章未完部分，本章重点解析Spring Cache中的表达式求值机制。Cache注解如key、unless、condition等，支持SpEL表达式。

       CacheOperationExpressionEvaluator在CacheAspectSupport中实现，其关键在于定义的ExpressionKey，实现Comparable接口，包含element和expression字段，并配备SpelExpressionParser和DefaultParameterNameDiscoverer。

       ExpressionKey类在解析过程中扮演关键角色，它从cache获取表达式，若不存在，则使用parser执行parseExpression并缓存结果。此过程需注意表达式的参数名兼容性，分别在Java 8及以下和Java 8以上版本中使用不同的ParameterNameDiscoverer。

       CachedExpressionEvaluator的核心在于解析并缓存表达式，而CacheOperationExpressionEvaluator在其中扮演关键角色，它创建CacheEvaluationContext，该上下文在SpEL求值过程中提供方法参数。

       CacheOperationExpressionEvaluator中提供了求值关键函数，通过生成CacheEvaluationContext以及调用generateKey等方法，结合SpEL表达式和上下文计算实际值。

       总结，Spring Cache的核心源码至此解析完毕。配置由ProxyCachingConfiguration实现，解析注解则由SpringCacheAnnotationParser完成。CacheAspectSupport作为拦截类，通过CacheResolver等进行解析，结合CacheOperationExpressionEvaluator进行表达式求值，最终执行缓存操作。

对TP5数据库缓存cache的一些思考

       在优化代码过程中，我偶然想起TP5中的数据库操作cache，发现其在缓存时间内能够显著提高请求速度，但修改数据后可能不能及时更新。本文旨在深入理解cache的工作原理。

       然而，官方文档和网络搜索结果大多仅介绍了如何使用cache，对于其原理并未详细阐述，因此我决定阅读源码以获取更多信息。

       首先，我疑惑cache与常规缓存的区别。通过实验，我发现其功能与常规缓存类似，均支持设置key值、有效期及标签。cache方法在设置属性后，真正的操作在select、find、value、column等方法中。

       结论显而易见：不论是写入还是读取cache，其过程与常规缓存相同。不同之处在于，若未指定key名，系统会根据操作的数据库名、表名及主键ID自动生成密文key，避免了key重复可能导致的缓存覆盖问题。

       其次，我关注数据更新时cache的处理。文档提到两种方法：手动在update等更新操作中添加cache以实现缓存更新；或使用find方法结合主键查询自动清理缓存。新增操作不会触及缓存，而更新操作后缓存将被清除，随后在查询时重新写入。增删改查中，新增操作不涉及缓存。

       接着，我探讨了数据更新自动清除缓存的条件。文档提及两种操作均使用主键ID作为条件时，可以实现自动清除缓存，涉及缓存操作时是否使用主键查询条件的差异，共八种组合情况。

       尽管还有些未测试的情况，如更新操作的数据是否为缓存数据、查询与更新操作条件是否一致等，我更倾向于深入源码探索答案。以update操作为例，结论是只有当查询与修改操作均使用主键ID作为条件时，才能实现自动清除缓存。

       因此，数据库缓存并非随意使用，不当使用可能影响数据时效性和用户体验。若确需使用，建议手动设置缓存名称，并在更新操作时明确清除指定缓存。

       本文总结了cache的基本原理、使用方法及注意事项。希望对您有所帮助。如有问题或讨论，欢迎访问我的博客：/blog

Spark RDD中cache和persist的区别

       é€šè¿‡è§‚察RDD.scala源代码即可知道cache和persist的区别：

       def persist(newLevel: StorageLevel): this.type = {

       ã€€ã€€if (storageLevel != StorageLevel.NONE && newLevel != storageLevel) {

       ã€€ã€€ã€€ã€€throw new UnsupportedOperationException( "Cannot change storage level of an RDD after it was already assigned a level")

       ã€€ã€€}

       ã€€ã€€sc.persistRDD(this)

       ã€€ã€€sc.cleaner.foreach(_.registerRDDForCleanup(this))

       ã€€ã€€storageLevel = newLevel

       ã€€ã€€this

       }

       /** Persist this RDD with the default storage level (`MEMORY_ONLY`). */

       def persist(): this.type = persist(StorageLevel.MEMORY_ONLY)

       /** Persist this RDD with the default storage level (`MEMORY_ONLY`). */

       def cache(): this.type = persist()

       å¯çŸ¥ï¼š

       1）RDD的cache()方法其实调用的就是persist方法，缓存策略均为MEMORY_ONLY；

       2）可以通过persist方法手工设定StorageLevel来满足工程需要的存储级别；

       3）cache或者persist并不是action；

       é™„：cache和persist都可以用unpersist来取消

linux内核源码：内存管理——内存分配和释放关键函数分析&ZGC垃圾回收

       本文深入剖析了Linux内核源码中的内存管理机制，重点关注内存分配与释放的关键函数，通过分析4.9版本的源码，详细介绍了slab算法及其核心代码实现。在内存管理中，slab算法通过kmem_cache结构体进行管理，利用数组的形式统一处理所有的kmem_cache实例，通过size_index数组实现对象大小与kmem_cache结构体之间的映射，从而实现高效内存分配。其中，关键的计算方法是通过查找输入参数的最高有效位序号，这与常规的0起始序号不同，从1开始计数。

       在找到合适的kmem_cache实例后，下一步是通过数组缓存（array_cache）获取或填充slab对象。若缓存中有可用对象，则直接从缓存分配；若缓存已空，会调用cache_alloc_refill函数从三个slabs（free/partial/full）中查找并填充可用对象至缓存。在对象分配过程中，array_cache结构体发挥了关键作用，它不仅简化了内存管理，还优化了内存使用效率。

       对象释放流程与分配流程类似，涉及数组缓存的管理和slab对象的回收。在cache_alloc_refill函数中，关键操作是检查slab_partial和slab_free队列，寻找空闲的对象以供释放。整个过程确保了内存资源的高效利用，避免了资源浪费。

       总结内存操作函数概览，栈与堆的区别是显而易见的。栈主要存储函数调用参数、局部变量等，而堆用于存放new出来的对象实例、全局变量、静态变量等。由于堆的动态分配特性，它无法像栈一样精准预测内存使用情况，导致内存碎片问题。为了应对这一挑战，Linux内核引入了buddy和slab等内存管理算法，以提高内存分配效率和减少碎片。

       然而，即便使用了高效的内存管理算法，内存碎片问题仍难以彻底解决。在C/C++中，没有像Java那样的自动垃圾回收机制，导致程序员需要手动管理内存分配与释放。如果忘记释放内存，将导致资源泄漏，影响系统性能。为此，业界开发了如ZGC和Shenandoah等垃圾回收算法，以提高内存管理效率和减少内存碎片。

       ZGC算法通过分页策略对内存进行管理，并利用“初始标记”阶段识别GC根节点（如线程栈变量、静态变量等），并查找这些节点引用的直接对象。此阶段采用“stop the world”（STW）策略暂停所有线程，确保标记过程的准确性。接着，通过“并发标记”阶段识别间接引用的对象，并利用多个GC线程与业务线程协作提高效率。在这一过程中，ZGC采用“三色标记”法和“remember set”机制来避免误回收正常引用的对象，确保内存管理的精准性。

       接下来，ZGC通过“复制算法”实现内存回收，将正常引用的对象复制到新页面，将旧页面的数据擦除，从而实现内存的高效管理。此外，通过“初始转移”和“并发转移”阶段进一步优化内存管理过程。最后，在“对象重定位”阶段，完成引用关系的更新，确保内存管理过程的完整性和一致性。

       通过实测，ZGC算法在各个阶段展现出高效的内存管理能力，尤其是标记阶段的效率，使得系统能够在保证性能的同时，有效地管理内存资源。总之，内存管理是系统性能的关键因素，Linux内核通过先进的算法和策略，实现了高效、灵活的内存管理，为现代操作系统提供稳定、可靠的服务。