本文基于Caffeine已有的基础进行定制化开发实现可视化功能。

本篇文章覆盖了本地缓存，且突出探讨高性能的本地缓存。

当有新数据需要放到缓存时，Cache将需要淘汰的数据，通过TinyLFU来决定是否用新数据替代被淘汰的数据，来提升命中率。 TinyLFU本质是布隆过滤器的变种，其使用Count–Min Sketch算法，可以用极小的内存，来实现大量数据统计。

本文从最常用的 get 方法入口，结合源代码，细数作者使用 Caffeine Cache 过程中遇到的各种坑和思考，作为闭坑指南分享给各位看官。

使用 Redis、Memcached 缓存能够显著提高性能，但仍需要一次甚至多次网络IO。本文介绍的 Caffine Cache 将一个看似简单的本地缓存功能优化推向了另一个高度，甚至形成了一套方法论，对于任何复杂的工程实现都有启发意义。

结合项目实战讲述如何正确使用Caffeine来提高业务接口性能。

1.前言读这篇文章之前希望你能好好的阅读: 你应该知道的缓存进化史 和 如何优雅的使用缓存？ 。这两篇文章主