缓存的几种模式​

在高并发场景下，缓存在数据库前面挡住了大量的查询流量，减轻了数据库的压力。对于缓存的更新，通常有以下几种模式：

Cache Aside Pattern​

这种模式应用最为广泛，其逻辑如下：

• 读过程：先读缓存，若命中则返回；否则从数据库中查询数据，写入缓存并返回
• 写过程：先更新数据库，然后让缓存失效

介绍​

谷歌Guava工具包提供了一个单机限流工具，它基于令牌桶算法实现，主要被用于限制访问资源的速度。

Guava限流器的简单使用例子：

// 每秒2个令牌
RateLimiter rateLimiter = RateLimiter.create(2);
DateTimeFormatter dateTimeFormatter = DateTimeFormatter.ofPattern("HH:mm:ss.SSS");
TimeUnit.SECONDS.sleep(1);
for (int i = 0; i < 10; i++) {
    // 阻塞式获取1个令牌
    rateLimiter.acquire(1);
    System.out.println(LocalDateTime.now().format(dateTimeFormatter));
}

其输出如下：

23:49:48.131
23:49:48.132
23:49:48.132
23:49:48.628
23:49:49.127
23:49:49.627
23:49:50.128
23:49:50.628
23:49:51.128
23:49:51.627

前言​

之前是找别人打包好的TWRP刷机镜像来root安卓手机的，不同机型不同系统的TWRP刷机镜像不一样，找起来很麻烦，还不一定能找到合适的TWRP刷机镜像。不过，后来发现其实使用Magisk修补镜像也能刷入root，现分享步骤如下。

步骤​

首先需要下载Magisk：Releases · topjohnwu/Magisk

安装Magisk然后打开：

前言​

判断某个元素是否在一个集合中在日常开发工作中十分常见，如判断用户是否重复注册、避免伪造不存在的记录导致缓存穿透、判断用户是否参加过某活动等。最直观的做法是使用HashSet，底层使用哈希表，但是哈希表在元素数量很大时需要占用非常大的空间。

布隆过滤器（Bloom Filter）是 1970 年由布隆提出的。它实际上是一个很长的二进制向量和一系列随机映射函数。布隆过滤器可以用于判断一个元素一定不在某个集合中，以及一个元素可能在某个集合中，对于存在性它有一定的误判率。它的优点是空间效率和查询时间都远远超过一般的算法。

工作原理​

前言​

一致性哈希是一种特殊的哈希算法，它的核心思想是在解决分布式环境下，Hash表在动态扩缩容时节点重新映射与大量数据迁移的问题。主要的应用场景是：对于有状态服务等场景，需要根据特定的key路由到相同的目标服务机器上进行处理的场景。

一般情况下我们会使用Hash表的方式，以key-value的方式来做数据的存储。但是，当数据量比较大的情况下，我们会把数据存储到多个节点上，然后通过哈希取模的方式来决定把当前的key存储到哪个节点。但是这种方式有个很明显的问题，就是当存储的节点增加或者减少的时候，原本的映射关系就会发生变化，也就是对于所有的数据需要按照新的节点数量再重新映射一遍，这样就涉及了大量的数据迁移和重新映射的问题，它的代价很大。而一致性哈希算法，就是用来优化这样的动态变化的场景的一种算法。

一致性哈希算法的评判指标：

• 平衡性：不同key的哈希结果分布均衡，尽可能的均衡地分布到各节点上。
• 单调性：当有新的节点上线后，系统中原有的key要么还是映射到原来的节点上，要么映射到新加入的节点上，不会出现从一个老节点重新映射到另一个老节点。
• 分散性：当上游的机器看到不同的下游列表时（在上线时及不稳定的网络中比较常见）, 同一个请求尽量映射到少量的节点中。
• 服务器负载均衡：负载主要是从服务器的角度来看，指各服务器的负载应该尽量均衡。 一致性哈希算法的关键特征在于： 不要导致全局重新映射， 而是要做增量的重新映射。