Guava Cache通过分段锁、volatile变量和LRU算法实现缓存管理，性能较Caffeine稍逊。其核心结构为Segment，采用头插法维护单向链表，并通过accessQueue、writeQueue和recencyQueue管理元素生命周期。Caffeine则基于ConcurrentHashMap，采用TinyLFU算法和时间轮机制，性能更优。Guava Cache适合低并发场景，Caffeine则在高并发和复杂缓存需求中表现更佳。

Caffeine缓存通过getIfPresent和put方法实现高性能读写，核心是TinyLFU算法结合频率草图优化缓存命中率。采用分段设计的MPSC缓冲区（ReadBuffer/WriteBuffer）减少竞争，维护方法动态调整窗口区、试用区和保护区的元素分布。驱逐策略基于频率和LRU混合判定，结合climb方法自适应分区大小，适合高并发场景，兼顾内存效率与访问性能。

Caffeine缓存通过时间轮机制实现高效的元素过期管理。时间轮采用分层结构，将元素按过期时间分配到不同层级，如秒、分钟、小时等。元素添加时计算过期时间并分配到相应层级，随着时间推移，元素可能被重新分配到更低层级或直接过期驱逐。这种机制确保过期检查仅针对可能过期的元素，提升缓存性能。

Caffeine缓存通过ConcurrentHashMap存储数据，采用窗口区、试用区和保护区管理元素生命周期，各区使用LRU算法的双端队列。TinyLFU算法优先驱逐低频元素，Count-Min Sketch记录访问频率，保证高准确率且内存占用少。读写操作分别通过MPSC模式的ReadBuffer和WriteBuffer添加任务，由maintenance方法异步执行，确保缓存高效运行。

Caffeine是一个基于Java8开发的提供了近乎最佳命中率的高性能的缓存库, 也是SpringBoot内置的本地缓存实现。

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