构建高性能服务（一）ConcurrentSkipListMap和链表构建高性能Java Memcached
?
场景缓存服务器是互联网后端服务中常用的基础设施。
场景（一）图片服务器上存储了大量图片，为了提高图片服务的吞吐量，希望把热门的图片加载到内存中。
场景（二）分布式存储服务，为提高访问吞吐，把大量的meta信息存储在内存中。
问题但是使用Java语言开发缓存服务，不可避免的遇到GC问题。无论使用ehcache是基于Map实现的缓存，都会产生大量Minor GC无法回收的对象，最终导致CMS或Full GC，对系统吞吐造成影响。通过观察这类服务产生的GC日志，可以观察到频繁的CMS。这里简单介绍下CMS的过程即对系统的影响，CMS两阶段标记，减少stop the world的时间，如图红色部分为STW(stop the world)。
CMS日志如下：
9.780: [GC [1 CMS-initial-mark: 507883K(507904K)] 521962K(521984K), 0.0029230 secs] [Times: user=0.00 sys=0.00, real=0.01 secs]?
Total time for which application threads were stopped: 0.0029970 seconds
CMS第一次标记，stop the world。以下各个步骤则不影响Java Threads工作，即并发模式。
?
9.783: [CMS-concurrent-mark-start]
9.913: [CMS-concurrent-mark: 0.130/0.130 secs] [Times: user=0.26 sys=0.00, real=0.13 secs]?
9.913: [CMS-concurrent-preclean-start]
9.914: [CMS-concurrent-preclean: 0.001/0.001 secs] [Times: user=0.00 sys=0.00, real=0.00 secs]?
9.914: [CMS-concurrent-abortable-preclean-start]
9.914: [CMS-concurrent-abortable-preclean: 0.000/0.000 secs] [Times: user=0.00 sys=0.00, real=0.00 secs]?
Application time: 0.1317920 seconds
9.914: [GC[YG occupancy: 14079 K (14080 K)]9.914: [Rescan (parallel) , 0.0023580 secs]9.917: [weak refs processing, 0.0000060 secs]?
[1 CMS-remark: 507883K(507904K)] 521962K(521984K), 0.0024100 secs] [Times: user=0.01 sys=0.00, real=0.00 secs]?
Total time for which application threads were stopped: 0.0025420 seconds
Rescan为第二次标记，STW。
解决方案构造和Memcached slab/chunk类似的Java内存管理方式。为缓存的对象分配一组chunck，相同Size的Chunk合成一组Slab。初始slab设为100B，如果缓存对象小于100B，放入100B slab，如果大于100B，小于 100B * Growth Factor = 1.27 = 127B，则放入127B slab。因此需要一个快速排序的数据结构来实现slab。我用ConcurrentSkipListMap实现slab，查找插入时间复杂度和二叉树一致，但实现更简单。代码如下，
?
public boolean put(K key, byte[] value) {Map.Entry<Float, LocalMCSlab> entry = null;Float theSize = Float.valueOf(value.length);Stat.set("CacheSize=", ((getCurrentTotalCacheSize() / 1024f)) + "KB");// 以cache size为key，以chunks map为value，如果比这个cache size大得slab不存在，则创建一个// 否则，在大约cache size的slab中找一个最小的slabif((entry = slabs.tailMap(theSize).firstEntry()) == null) {Float floorKey = slabs.floorKey(theSize);float needSize = floorKey == null ? theSize : floorKey * scale;while(needSize < theSize) {needSize = needSize * scale;}LocalMCSlab<K, byte[]> slab = new LocalMCSlab<K, byte[]>((int) needSize);slab.put(key, value, false);slabs.put(needSize, slab);return true;}else {// 当当前全部cache size + 这个缓存的size > 分配给整个cache的initSize时，则需使用LRU策略boolean isLRU = getCurrentTotalCacheSize() + theSize > initSize;entry.getValue().put(key, value, isLRU);return true;}}??
每一个slab基于一个Map<K, V>实现。同时为实现LRU，实现了一个链表从头插入从尾部取出，这样链表尾部对象为last recent used，代码如下，
?
private static class LinkedListNode { public LinkedListNode previous; public LinkedListNode next; public Object object; /** * Constructs a new linked list node. * @param object the Object that the node represents. * @param next a reference to the next LinkedListNode in the list. * @param previous a reference to the previous LinkedListNode in the list. */ public LinkedListNode(Object object, LinkedListNode next, LinkedListNode previous) { this.object = object; this.next = next; this.previous = previous; }...}public static class LinkedList { /** * The root of the list keeps a reference to both the first and last * elements of the list. */ private LinkedListNode head = new LinkedListNode("head", null, null); /** * Creates a new linked list. */ public LinkedList() { head.next = head.previous = head; } /** * Returns the first linked list node in the list. * * @return the first element of the list. */ public LinkedListNode getFirst() { LinkedListNode node = head.next; if (node == head) { return null; } return node; } /** * Returns the last linked list node in the list. * * @return the last element of the list. */ public LinkedListNode getLast() { LinkedListNode node = head.previous; if (node == head) { return null; } return node; } public LinkedListNode removeLast() { LinkedListNode node = head.previous; if (node == head) { return null; } head.previous = node.previous; return node; } /** * Adds a node to the beginning of the list. * * @param node the node to add to the beginning of the list. */ public LinkedListNode addFirst(LinkedListNode node) { node.next = head.next; head.next = node; node.previous = head; node.next.previous = node; return node; }...}?
当LRU策略发生时，不再创建新的byte[]，而是重写最老的一个byte[]，并把这个cache移动到链表头部
?
if(removeLRU) { LinkedListNode lastNode = ageList.removeLast(); Object lasthashKey = hashKeyMap.remove(lastNode.object); if(lasthashKey == null) { return false; } Stat.inc("eviction[" + this.chunkSize + "]"); CacheObject<byte[]> data = map.get(lasthashKey); System.arraycopy(value, 0, data.object, 0, value.length); data.length = value.length; // update key / hashkey mapping hashKeyMap.put(key, lasthashKey); lastNode.object = key; ageList.addFirst(lastNode);}?
注意使用了一个hashKeyMap，它的key是这次put的cache对象的key，value作为byte[]的key，在第一次创建byte[]时创建。这样做也是为了不重新创建对象。
?
全部代码及测试类见附件。
测试测试参数
java -Xms2g -Xmx2g -Xmn128m -XX:+UseConcMarkSweepGC -server -XX:SurvivorRatio=5 -XX:CMSInitiatingOccupancyFraction=80 -XX:+PrintTenuringDistribution?-XX:+PrintGCDetails -XX:+PrintGCTimeStamps -XX:+PrintGCApplicationStoppedTime -XX:+PrintGCApplicationConcurrentTime ?-Xloggc:./gc.log test.TestMain
?
测试表现稳定，内存全部在Minor GC阶段回收。
?
分配cache=1G，实际CacheSize==1048625.2KB；
各个slab chunk个数：
Chunk[100.0] count==5
Chunk[209758.16] count==1231
Chunk[165163.9] count==4938
总结本来想写一个伪代码的，后来觉得Java中还是有不少比较好的数据结构，比如ConcurrentSkipListMap和LRUMap还是想介绍给大家。因此就写了这个比较粗糙的版本，基本可以反映出类似Memcached slab/chunk管理内存的方式。实际测试中表现也有一定收益。可以基于这个版本开发线上服务。但是这个实现里面还没有很好的处理并发问题，对内存的使用也有一些坑。使用中如果遇到问题，欢迎大家一起讨论。
?