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slab
	if((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。

?