缓存之美——如何选择合适的本地缓存？
内容提要
本文介绍了Guava缓存、Caffeine和EhCache三种本地缓存的特点和使用方式。Guava缓存具有过期时间设置、缓存容量设置和缓存监控等功能，适用于读多写少的场景。Caffeine在Guava缓存的基础上进行了优化，支持异步策略、ConcurrentHashMap优化和新型淘汰算法W-TinyLFU，适用于追求更高性能的场景。EhCache采用堆内缓存+堆外缓存+磁盘的方式，支持分布式系统中的数据一致性要求高的场景。
延伸解读
过期策略的选择影响缓存行为
Guava缓存提供基于创建时间和基于访问时间的两种过期策略。前者无论中间是否访问，到期即失效，适合数据更新频率固定的场景；后者每次访问后刷新过期时间，适合热点数据长期驻留。选择时需结合业务对数据新鲜度和缓存命中率的权衡，避免因策略不当导致频繁回源或数据陈旧。
Caffeine的性能优化并非无代价
Caffeine通过异步清理、ConcurrentHashMap结构优化和W-TinyLFU算法提升了读多写少场景的性能，但异步清理意味着淘汰操作不会立即完成，可能短暂占用额外内存。此外，W-TinyLFU依赖频率统计，对突发批量写入的适应性需结合实际访问模式评估。升级前应确认JDK版本不低于8。
EhCache的堆外与磁盘扩展了容量但引入管理复杂度
EhCache采用堆内、堆外和磁盘三级存储，突破了JVM内存限制，但堆外缓存需自行清理数据，磁盘缓存涉及序列化与IO开销。其集群支持可缓解缓存漂移，但配置和维护成本高于纯内存方案。适合对数据一致性要求高且能接受一定复杂度的分布式系统。
缓存漂移是本地缓存的固有局限
Guava和Caffeine均为纯JVM本地缓存，在分布式部署中不同节点可能持有不一致的数据，即缓存漂移。若业务对一致性敏感，需借助Redis等分布式缓存或EhCache集群方案。本地缓存更适合读多写少、允许短暂不一致的场景，选型时应优先明确一致性容忍度。
Q&A
Guava缓存和Caffeine缓存有什么区别？
Caffeine是Guava缓存的升级版，底层设计思路和功能类似，但性能更高。主要优化包括：支持异步策略，将淘汰数据的清理任务放到独立线程池，不阻塞查询；利用Java8对ConcurrentHashMap的优化（数组+链表+红黑树、synchronized+CAS）降低锁竞争；采用新型淘汰算法W-TinyLFU，实现高命中率和低内存占用。
Guava缓存的过期时间有哪几种设置方式？
Guava缓存有两种过期时间设置策略：基于创建时间（expireAfterWrite），从缓存记录插入时开始计时，无论中间是否访问，到时即过期；基于最后一次访问时间（expireAfterAccess），每次访问后刷新过期时间，只有持续指定时间未被访问才会过期。
Caffeine的W-TinyLFU淘汰算法是怎么工作的？
W-TinyLFU算法由窗口缓存、过滤器和主缓存组成。新数据先进入窗口缓存（占总缓存1%），被挤出时与主缓存中淘汰的数据在过滤器比较访问频率，频率更高则进入主缓存，否则淘汰。主缓存分为淘汰段和保护段，均采用LRU算法，首次访问进入淘汰段，第二次访问进入保护段，保护段淘汰的元素回到淘汰段。这种设计实现了高命中率和低内存占用。
EhCache如何解决本地缓存的内存限制问题？
EhCache采用堆内缓存+堆外缓存+磁盘缓存的分层方式。堆内缓存由JVM管理；堆外缓存是在内存中开辟一块不被JVM管理的区域，既能享受内存高速读写，又避免JVM频繁GC（但需自行清理数据）；磁盘缓存进一步扩展容量。通过组合这三种存储，打破了纯内存缓存的大小制约。
在分布式系统中应该选择哪种本地缓存？
如果对数据一致性要求高，应选择EhCache，因为它支持集群方式实现分布式节点间的数据互通，解决缓存漂移问题。Guava和Caffeine都是纯内存缓存，不支持集群，在分布式部署中会出现不同机器节点数据不一致的情况，仅适用于对一致性要求不高的场景。
Guava缓存适用于哪些场景？有什么优缺点？
Guava缓存适用于读多写少、对数据一致性要求不高的场景。优点是内存处理数据，减少IO请求，读写性能快；缺点是受内存容量限制，只能处理少量数据，可能对内存造成压力，且在分布式部署中会出现缓存漂移（不同节点数据不一致）。
