Java堆外缓存OHC在马蜂窝推荐引擎的应用

在推荐系统中，通常由推荐引擎提供线上推荐服务。推荐引擎的工作流程主要包括召回、排序等阶段，每个阶段都需要大量的数据支撑，快速读取这些数据对提升推荐引擎的性能起着重要的作用。

缓存在企业级Web系统中使用非常广泛，举例来说，业务程序和数据库通常运行在不同的物理服务器上，并通过网络访问数据库。网络传输的耗时，自然会增加系统的响应时间。为了降低响应时间，业务程序可以将从数据库中读取到的部分数据，缓存在本地服务器以供后续使用。

缓存框架OHC基于Java语言实现，并以类库的形式供其他Java程序调用，是一种以单机模式运行的堆外缓存。在马蜂窝推荐引擎中，使用了OHC作为主要的本地缓存工具，节省了获取召回、排序数据的时间成本，从而提升了系统性能。本文将从OHC的基本技术引入马蜂窝推荐引擎中的实践。

缓存的分类与实现机制多种多样，包括单机缓存与分布式缓存等等。具体到JVM应用，又可以分为堆内缓存和堆外缓存。OHC全称为off-heap-cache，即堆外缓存，是一款基于Java的key-value堆外缓存框架。OHC是2015年针对Apache Cassandra开发的缓存框架，后来从Cassandra项目中独立出来，成为单独的类库，其项目地址为 https://github.com/snazy/ohc。

Java程序运行时，由Java虚拟机（JVM）管理的内存区域称为堆（heap）。垃圾收集器会扫描堆内空间，识别应用程序已经不再使用的对象，并释放其空间，这个过程称为GC。堆内缓存，顾名思义，是指将数据缓存在堆内的机制，比如HashMap就可以用作简单的堆内缓存。由于垃圾收集器需要扫描堆，并且在扫描时需要暂停应用线程（stop-the-world，STW），因此，缓存数据过多会导致GC开销增大，从而影响应用程序性能。

与堆内空间不同，堆外空间不影响GC，由应用程序自身负责分配与释放内存。因此，当缓存数据量较大（达到G以上级别）时，可以使用堆外缓存来提升性能。

相对于持久化数据库，可用的内存空间更少、速度也更快，因此通常将访问频繁的数据放入堆外内存进行缓存，并保证缓存的时效性。OHC主要具有以下特性来满足需求：

1、数据存储在堆外，不影响GC

2、支持为每个缓存项设置过期时间

3、支持配置LRU、W-TinyLFU逐出策略

4、能够维护大量的缓存条目（百万量级以上）

5、支持异步加载缓存

6、读写速度在微秒级别

如上文所说，推荐引擎需要大量数据支撑，并且要求在短时间内完成处理。OHC具有低延迟、容量大、不影响GC的特性，并且支持使用方根据自身业务需求进行灵活配置，因此我们选用OHC作为推荐引擎的主要缓存框架。

在Java项目中使用OHC，主要包括以下步骤：

1、在项目中引入OHC。如果使用Maven来管理依赖，可以将OHC的坐标添加到到项目的POM文件中。

2、OHC是将Java对象序列化后存储在堆外，因此用户需要实现org.caffinitas.ohc.CacheSerializer类，OHC会运用其实现类来序列化和反序列化对象。

3、将CacheSerializer的实现类作为参数，传递给OHCache的构造函数来创建OHCache。

4、使用OHCache的相关方法（get、put）来读写缓存。

为了便于读者快速了解OHC，我们在GitHub上提供了一个Demo程序（https://github.com/chebacca/ohc-example），感兴趣的读者可以下载运行。

OHC以API的方式供其他Java程序调用，其org.caffinitas.ohc.OHCache接口定义了可调用的方法。对于缓存来说，最常用的是get和put方法。针对不同的使用场景，OHC提供了两种OHCache的实现：

org.caffinitas.ohc.chunked.OHCacheChunkedImpl

org.caffinitas.ohc.linked.OHCacheLinkedImpl

以上两种实现均把所有条目缓存在堆外，堆内通过指向堆外的地址指针对缓存条目进行管理。其中，linked实现为每个键值对分别分配堆外内存，适合中大型键值对。chunked实现为每个段分配堆外内存，适用于存储小型键值对。由于chunked实现仍然处于实验阶段，所以我们选择linked实现在线上使用，后续介绍也以linked实现为例，其整体架构及内存分布如下图所示，下文将分别介绍其功能。

OHCacheLinkedImpl是堆外缓存的具体实现类，其主要成员包括：

段数组：OffHeapLinkedMap[]

序列化器与反序列化器：CacheSerializer

OHCacheLinkedImpl中包含多个段，每个段用OffHeapLinkedMap来表示。同时，OHCacheLinkedImpl将Java对象序列化成字节数组存储在堆外，在该过程中需要使用用户自定义的CacheSerializer。OHCacheLinkedImpl的主要工作流程如下：

1、计算key的hash值，根据hash值计算段号，确定其所处的OffHeapLinkedMap

2、从OffHeapLinkedMap中获取该键值对的堆外内存指针

3、对于get操作，从指针所指向的堆外内存读取byte[]，把byte[]反序列化成对象

4、对于put操作，把对象序列化成byte[]，并写入指针所指向的堆外内存

在OHC中，每个段用OffHeapLinkedMap来表示，段中包含多个分桶，每个桶是一个链表，链表中的元素即是缓存条目的堆外地址指针。OffHeapLinkedMap的主要作用是根据hash值找到键值对的堆外地址指针。在查找指针时，OffHeapLinkedMap先根据hash值计算出桶号，然后找到该桶的第一个元素，然后沿着第一个元素按顺序线性查找。

举个例子，OffHeapLinkedMap中包含两个分桶，分桶1中有两个键值对：

元素1：name:Jack，堆外地址为1024

元素2：age:20，堆外地址为8192

分桶2中也有两个键值对：

元素1：animal:cat，堆外地址为2048

元素2：color:black，堆外地址为4096

OffHeapLinkedMap将每个分桶中第一个元素的地址存储在一个连续的内存空间，这里我们假设该空间从12000处开始，那么12000将存储1024（分桶1首元素的地址）。由于使用64位寻址，每个地址占用8个字节，所以12008处会存储分桶2首元素的地址，即2048。其堆外内存分布如下图所示：

需要注意的是，上述数据均保存在堆外，在堆内只需要保存一个地址指针（12000）即可。当我们要查找color对应的值时，

1、先计算color的hash值

2、根据hash值计算桶号，这里是2号分桶

3、1号分桶存储在12000处，每个地址占用8个字节，则2号分桶应该存储在12008处。从堆外12008处读取到2048

4、访问2048，发现key是animal， 和 color不匹配，得到下一个地址4096

5、访问4096，发现命中color，返回

OHC的linked实现为每个键值对分别分配堆外内存，因此键值对实际是零散地分布在堆外。OHC提供了JNANativeAllocator和UnsafeAllocator这两个分配器，分别使用Native.malloc(size)和Unsafe.allocateMemory(size)分配堆外内存，用户可以通过配置来使用其中一种。

OHC会把key和value序列化成byte[]存储到堆外，如2.2所述，用户需要通过实现CacheSerializer来自定义类完成序列化和反序列化。因此，占用的空间实际取决于用户自定义的序列化方法。除了key和value本身占用的空间，OHC还会对key进行8位对齐。比如用户计算出key占用3个字节，OHC会将其对齐到8个字节。另外，对于每个键值对，OHC需要额外的64个字节来维护偏移量等元数据。因此，对于每个键值对占用的堆外空间为：

每个条目占用堆外内存 = key占用内存（8位对齐）+ value 占用内存 + 64字节

推荐引擎的工作流程一般包括三个主要步骤：召回、排序和重排，每个步骤都依赖大量的数据支撑。在马蜂窝推荐引擎中，对个每个用户请求，需要进行几十种召回得到上千个item，每个item又需要读取数百个特征来进行排序。如果每次都通过网络请求来读取相应数据，则会导致响应速度太慢，直接影响用户体验。因此，我们需要在服务器本地对数据进行缓存，降低处理时延。

马蜂窝推荐引擎主要使用Redis集群、OHC和Guava来进行线上数据存储，这三种存储方式的特性分别如下：

因为不同存储方式的特性差别较大，我们会根据具体场景来从中选择。马蜂窝推荐引擎所需的召回和排序数据主要分为“离线数据”和“实时数据”，均使用Redis作为主库。离线数据由定时算法任务生成后写入HDFS，一般按照小时级或者天级进行更新，并通过XXL Job和DataX定时从HDFS同步到Redis供推荐引擎使用。实时数据则根据用户行为进行在线更新，通常使用Flink任务实时计算后直接写入Redis。

对于离线数据，其更新周期比较长，非常适合使用OHC缓存到推荐引擎本地。比如，在进行排序时，item的历史点击率是非常重要的特征数据，特别是其最近几天的点击率。这种以天为单位更新的离线特征，如果使用OHC缓存到本地，则可以避免读取Redis的网络开销，节省排序阶段耗时。

对于实时数据，其更新受用户实时行为影响，下次更新时间是不确定的。比如用户对某个目的地的偏好程度，这种数据随着用户在App端不断进行点击而更新。在马蜂窝推荐引擎中，这种实时数据不会使用OHC缓存到本地，否则可能会导致本地缓存和主库的数据不一致。即使进行缓存，也应该设置较小的过期时间（比如秒级或者分钟级），尽量保证数据的实时性和准确性。

其他数据，比如站内的高热数据和兜底数据，其数据量较小且可能频繁使用，这种数据我们使用Guava缓存到堆内，以便于快速读取。

如上文所说，OHC是一款key-value形式的缓存框架，并且对key和value都提供了泛型支持。因此，使用方在创建OHC对象时就需要确定key和value的类型。

在马蜂窝推荐引擎中，使用OHC时key设置为String类型，value则设置为Object类型，从而可以存储各种类型的对象。由于OHC需要把key和value序列化成字节数组存储到堆外，因此需要选择合适的序列化工具。对于String类型的key，其序列化过程比较简单，可以直接转换成UTF-8格式的字节数组来表示。对于Object类型的value，则选用了开源的Kyro作为序列化工具。需要注意的是，由于Kyro不是线程安全的，可以搭配ThreadLocal一起使用。

在使用OHC时，通常有两个地方用到序列化。在存储每个键值对时，会调用CacheSerializer#serializedSize计算序列化后的内存空间占用，从而申请堆外内存。另外，在真正写入堆外时，会调用CacheSerializer#serialize真正进行序列化。因此，务必在这两个方法中使用相同的序列化方法，也就是说，申请的堆外内存（CacheSerializer#serializedSize计算所得）和实际占用的堆外内存（CacheSerializer#serialize）要保持一致。我们开始使用OHC时，在CacheSerializer#serializedSize方法中使用com.twitter.common.objectsize.ObjectSizeCalculator计算序列化后的空间占用，而在CacheSerializer#serialize中则使用了Kryo。结果发现ObjectSizeCalculator计算的内存远远大于Kyro计算出来的，导致为每个键值对申请了大量堆外内存却没有充分使用。

OHC支持大量配置选项，供使用方根据自身业务场景进行选择，这里介绍下在我们业务中相关参数的配置。

总容量：最开始使用OHC时，我们设置的上限为4G左右。随着业务的发展和数据量的增长，逐渐增大到10G，基本可以覆盖热点数据。

段数量：一方面，OHC使用了分段锁，多个线程访问同一个段时会导致竞争，所以段数量不宜设置过小。同时，当段内条目数量达到一定负载时OHC会自动rehash，段数量过小则会允许段内存储的条目数量增加，从而可能导致段内频繁进行rehash，影响性能。另一方面，段的元数据是存储在堆内的，过大的段数量会占用堆内空间。因此，应该在尽量减少rehash的次数的前提下，结合业务的QPS等参数，将段数量设置为较小的值。

哈希算法：通过压测，我们发现使用CRC32、CRC32C和MURMUR3时，键值对的分布都比较均匀，而CRC32C的CPU使用率相对较低，因此使用CRC32C作为哈希算法。

逐出算法：选用10G的总容量，基本已经覆盖了大部分热点数据，并且很少出现偶发性或者周期性的批量操作，因此选用了LRU。

在马蜂窝推荐引擎中，使用OHC管理的单机堆外内存在10G左右，可以缓存的条目为百万量级。我们主要关注命中率、读取和写入速度这几个指标。OHC#stats方法会返回OHCacheStats对象，其中包含了命中率等指标。当内存配置为10G时，在我们的业务场景下，缓存命中率可以稳定在95%以上。同时，我们在调用get和put方法时，进行了日志记录，get的平均耗时稳定在20微妙左右，put则需要100微妙。需要注意的是，get和put的速度和缓存的键值对大小呈正相关趋势，因此不建议缓存过大的内容。可以通过org.caffinitas.ohc.maxEntrySize配置项，来限制存储的最大键值对，OHC发现单个条目超过该值时不会将其放入堆外缓存。

在OffHeapLinkedMap的原始实现中，读取键值对时会判断其是否过期，如果过期则立即将其移除。移除键值对是相对比较“昂贵”的操作，可能会阻塞当前读取线程，因此我们对其进行了异步改造。读取键值对时，如果发现其已经过期，则会将其存入一个队列。同时，在后台加入了一个清理线程，定期从队列里面读取过期内容并进行移除。

OHC本身是线程安全的，因为每个段都有自己的锁，在读取和写入时都会加锁。其源代码中使用的是TAS锁（test-and-set），在更新失败时尝试挂起线程并重试：

每个线程都有自己的缓存，当变量标记为脏时线程会更新缓存。但是，无论是否成功设置该值，TAS锁在每次调用变量时都会将其标记为脏数据，这会导致在线程竞争激烈时性能下降。使用TTAS（test-test-and-set）锁可以尽量减少TAS的次数，从而提高性能：

本文介绍了OHC的实现原理及其在马蜂窝的实践。OHC是一款Java实现的堆外缓存框架，具有低时延、不影响GC的特点，适合存储大量缓存条目，同时支持配置过期时间、逐出算法等多个配置项。同时我们注意到，相对于另一款开源的缓存框架ehcache，OHC的中文资料相对较少。我们在框架选型时也对两者进行了压测，OHC在我们业务场景下性能表现更好，因此选择OHC作为马蜂窝推荐引擎的主要缓存实现。特别地，对于推荐引擎这种依赖大量离线数据和实时数据的应用，OHC适合将离线数据进行本地缓存，从而节省访问远程数据库的时间。

本文作者：孙兴斌，智能中台-引擎平台研发工程师

（题图来源：网络）