摘要：馬蜂窩推薦系統對于請求的平均處理時延要求在級別，時延的線保持在以內。任務隊列與異步寫入這里我們使用了中的線程池來實現。三優化方向基于和，我們在現有的推薦系統中增加了一個本地容災緩存系統，當依賴服務或者應用本身突發異常時可以返回緩存的數據。

數據庫突然斷開連接、第三方接口遲遲不返回結果、高峰期網絡發生抖動...... 當程序突發異常時，我們的應用可以告訴調用方或者用戶「對不起，服務器出了點問題」；或者找到更好的方式，達到提升用戶體驗的目的。

用戶在馬蜂窩 App 上「刷刷刷」時，推薦系統需要持續給用戶推薦可能感興趣的內容，主要分為根據用戶特性和業務場景，召回根據各種機器學習算法計算過的內容，然后對這些內容進行排序后返回給前端這幾個步驟。

推薦的過程涉及到 MySQL 和 Redis 查詢、REST 服務調用、數據處理等一系列操作。對于推薦系統來說，對時延的要求比較高。馬蜂窩推薦系統對于請求的平均處理時延要求在 10ms 級別，時延的 99 線保持在 1s 以內。

當外部或者內部系統出現異常時，推薦系統就無法在限定時間內返回數據給到前端，導致用戶刷不出來新內容，影響用戶體驗。

所以我們希望通過設計一套容災緩存服務，實現在應用本身或者依賴的服務發生超時等異常情況時，可以返回緩存數據給到前端和用戶，來減少空結果數量，并且保證這些數據盡可能是用戶感興趣的。

不僅僅是推薦系統，緩存技術在很多系統中已經被廣泛應用，小到 JVM 中的常用整型數，大到網站用戶的 session 狀態。緩存的目的不盡相同，有些是為了提高效率，有些是為了備份；緩存的要求也高低不一，有些要求一致性，有些則沒有要求。我們需要根據業務場景選擇合適的緩存方案。

結合到我們上面提到的業務場景和需求，我們采用了基于 OHC 堆外緩存和 SpringBoot 的方案，實現在現有推薦系統中增加本地容災緩存系統。主要是考慮到以下幾點因素：

1. 避免影響線上服務，將業務邏輯和緩存邏輯隔離

為了不影響線上服務，我們將緩存系統封裝為一個 CacheService，配置在現有流程的末端，并提供讀、寫的 API 給外部調用，將業務邏輯和緩存邏輯隔離。

2. 異步寫入緩存，提高性能

讀、寫緩存都會帶來時間消耗，特別是寫入緩存。為了提高性能，我們考慮將寫入緩存做成異步的方式。這部分使用的是 JDK 提供的線程池 ThreadPoolExecutor 來實現，主線程只需要提交任務到線程池，由線程池里的 Worker 線程實現寫入緩存。

3. 本地緩存，提高訪問速度

在推薦系統中，給用戶推薦的內容應該是千人千面的，甚至同一位用戶每次刷新看到的內容都可能不同，這就不要求緩存具有強一致性。因此，我們只需要進行本地緩存，而不需要采用分布式的方式。這里使用到的是開源緩存工具 OHC，緩存的數據來源于成功處理過的請求。

4. 備份緩存實例，保證可用性

為了保證緩存的可用性，我們不僅在內存中進行緩存，還定時備份到文件系統中，從而保證在可以應用啟動時從文件系統加載到內存。具體可以使用 SpringBoot 提供的定時任務、ApplicationRunner 來實現。

我們保持了推薦系統的現有邏輯，并在現有流程的末端，配置了 CacheModule 和 CacheService，負責所有和緩存相關的邏輯。

其中，CacheService 是緩存的具體實現，提供讀寫接口；CacheModule 對本次請求的數據進行處理，并決定是否需要調用 CacheService 對緩存進行操作。

1. CacheModule

在完成推薦系統的原有流程處理之后，CacheModule 會對得到的響應報文進行判斷，比如是否拋出了異常，響應是否為空等，然后決定是否讀取緩存或者提交緩存任務。

CacheModule 的工作流程如圖所示，其中橘黃色部分代表對 CacheService 的調用：

提交緩存任務。如果該次請求沒有拋出異常，并且響應結果也不為空，則會提交一個緩存任務到 CacheService。任務的 key 值為對應的業務場景，value 為本次響應計算得到的內容。提交的動作是非阻塞的，對接口的耗時影響很小。

讀取緩存數據。當應用本身或者依賴應用拋出異常時，系統會根據業務場景的 key 值從 CacheService 中讀取緩存并返回給調用方。當出現用戶本身已經刷完所有可用數據的情況時，就不需要讀取緩存，而是將請求的數據及時反饋給用戶。

2. CacheService

在緩存的具體實現上，CacheService 使用到了從 Apache Cassandra 項目中獨立出來的 OHC。另外因為我們整個應用是基于 SpringBoot 的，也用到了 SpringBoot 提供的各種功能。

上文說到對緩存沒有強一致性的要求，所以我們采用的是本地緩存而非分布式緩存，并且抽象出一個 CacheService 類負責對本地緩存進行維護。

(1) 數據格式

推薦系統返回數據時，根據業務場景和用戶特征設定以「屏」為單位返回數據，每屏可以包含多個內容項，所以采取 key-set 的數據格式：key 值為業務場景，比如首頁的「視頻」頻道；緩存內容則為「屏」的集合。

(2) 存儲位置

對于 Java 應用，緩存可以存放在內存中或者硬盤文件中。而內存空間又分為 heap（堆內存）和 off-heap（堆外內存）。我們對這幾種方式進行了對比：

為了保證較快的讀寫速度，避免緩存 GC 影響線上服務，所以選擇 off-heap 作為緩存空間。OHC 最早包含在 Apache Cassandra 項目中，之后獨立出來，成為了基于 off-heap 的開源緩存工具。它既可以維護大量的 off-heap 內存空間，同時也使用于低開銷的小型緩存實體。所以我們使用 OHC 作為 off-heap 的緩存實現。

(3) 文件備份

在應用重啟時，off-heap 中的緩存為空。為了盡快載入緩存，我們使用 SpringBoot 的 Scheduling Tasks 功能，定期將緩存從 off-heap 備份到文件系統；通過繼承 SpringBoot 的 ApplicationRunner 監聽應用啟動的過程，啟動完成后將硬盤中的備份文件加載到 off-heap，保證緩存數據的可用性。

CacheService 維護一個任務隊列，隊列中保存著 CacheModule 通過非阻塞的方式提交的緩存任務，由 CacheService 決定是否要執行這些緩存任務。

(4) 對 CacheModule 提供的 API

讀取緩存時，傳入 key 值，緩存模塊隨機從 set 中讀取數據返回。

寫入緩存時，將 key 和 value 封裝為一個任務，提交到任務隊列，由任務隊列負責異步寫入緩存。

(5) 任務隊列與異步寫入

這里我們使用了 JDK 中的線程池來實現。在構造線程池時，使用 LinkedBlockingQueue 作為任務隊列，可以實現快速增刪元素；因為應用的 QPS 在 100 以內，所以工作線程數目固定為 1；隊列寫滿之后，則執行 DiscardPolicy，放棄插入隊列。

(6) 緩存數量控制

如果緩存占用內存空間過大，會影響線上應用，我們可以采用為不同的業務場景配置最大緩存數量來控制緩存數量。沒有達到配置值時，將成功處理過的數據寫入緩存；達到配置值時可以隨機抽樣覆蓋原有緩存項，來保證緩存的實時性。

綜合考慮以上各個方面，CacheService 的設計如下：

為了驗證容災緩存的效果，我們在命中緩存時進行了埋點，并通過 Kibana 查看每小時緩存的命中數量。如圖所示，在 18:00 到 19:00 系統存在一定的超時，而這段時間由于緩存服務發揮了作用，使系統的可用性得到提升。

我們還對 OHC 的讀取和寫入速度進行了監控。寫入緩存的時延在毫秒級別，并且是異步寫入；讀取緩存的時延在微秒級別。基本沒有給系統增加額外的時間消耗。

在將緩存寫入 OHC 之前，需要進行序列化，我們使用了開源的 kryo 作為序列化工具。之前在使用 kyro 時，發現對于沒有實現 Serializable 的類，反序列化時可能失敗，比如使用 List#subList 方法返回的內部類 java.util.ArrayList$SubList。這里可以手動注冊 Serializer 來解決這個問題，在 Github 上開源的 kryo-serializers 倉庫提供了各種類型的 serializers。

另外一點，需要注意根據具體使用場景，來配置 OHC 中的 capacity 和 maxEntrySize。如果配置的值太小的話，會導致寫入緩存失敗。可以在上線之前測算緩存的空間占用，合理設置整個緩存空間的大小和每個緩存 entry 的大小。

基于 SpringBoot 和 OHC，我們在現有的推薦系統中增加了一個本地容災緩存系統，當依賴服務或者應用本身突發異常時可以返回緩存的數據。

該緩存系統還存在一些不足，我們近期會針對以下幾點進行重點優化：

緩存數目寫滿之后，目前應用會隨機覆寫已經存在的緩存。未來可以進行優化，將最老的緩存項替換。

在某些場景下緩存的粒度不夠精細，比如目的地頁推薦共用一個緩存的 key 值。未來可以根據目的地的 ID，為每個目的地配置一份緩存。

現在推薦系統還有部分配置依賴于 MySQL，未來會考慮將在本地進行文件緩存。

[參考資料]

1. Java Caching Benchmarks 2016 - Part 1

2. On Heap vs Off Heap Memory Usage

3. OHC - An off-heap-cache

4. kryo-serializers

5. scheduling-tasks

本文作者：孫興斌，馬蜂窩推薦和搜索后端研發工程師。

（馬蜂窩技術原創內容，轉載務必注明出處保存文末二維碼圖片，謝謝配合。）

關注馬蜂窩技術公眾號，找到更多你需要的內容