Caffeine简介
Caffeine是基于JAVA 1.8 Version的高性能缓存库。Caffeine提供的内存缓存使用参考Google guava的API。Caffeine是基于Google Guava Cache设计经验上改进的成果。
并发测试
官方性能比较：
可以清楚的看到Caffeine效率明显的高于其他缓存。
Caffeine可以通过建造者模式灵活的组合以下特性：
* 通过异步自动加载实体到缓存中
* 基于大小的回收策略
* 基于时间的回收策略
* 自动刷新
* key自动封装虚引用
* value自动封装弱引用或软引用
* 实体过期或被删除的通知
* 写入外部资源
* 统计累计访问缓存
一：填充策略（Population）
Caffeine提供了3种加载策略:手动加载，同步加载，异步加载
手动加载
同步加载
异步加载
AsyncLoadingCache 是 LoadingCache 的变体， 可以异步计算实体在一个线程池(Executor)上并且返回 CompletableFuture.
二：驱逐策略（Eviction）
* 基于大小
* 基于缓存容量
* 基于权重
* 基于时间
· 实体被访问之后，在实体被读或被写后的一段时间后过期
· 基于写之后，在实体被写入后的一段时间后过期
· 自定义策略Expiry，可以自定义在实体被读，被更新，被创建后的时间过期。
基于引用
java种有四种引用：强引用，软引用，弱引用和虚引用，caffeine可以将值封装成弱引用或软引用。
软引用：如果一个对象只具有软引用，则内存空间足够，垃圾回收器就不会回收它；如果内存空间不足了，就会回收这些对象的内存。
弱引用：弱引用的对象拥有更短暂的生命周期。在垃圾回收器线程扫描它所管辖的内存区域的过程中，一旦发现了只具有弱引用的对象，不管当前内存空间足够与否，都会回收它的内存
自动刷新
三：监控（Monitor）
通过使用Caffeine.recordStats(), 可以转化成一个统计的集合. 通过 Cache.stats() 返回一个CacheStats。CacheStats提供以下统计方法
hitRate(): 返回缓存命中率
evictionCount(): 缓存回收数量
averageLoadPenalty(): 加载新值的平均时间
四：移除通知（Notify）
五：淘汰算法
Window TinyLFU（W-TinyLFU）算法将sketch作为过滤器，当新来的数据比要驱逐的数据高频时，这个数据才会被缓存接纳。这个许可窗口给予每个数据项积累热度的机会，而不是立即过滤掉。这避免了持续的未命中，特别是在突然流量暴涨的的场景中，一些短暂的重复流量就不会被长期保留。为了刷新历史数据，一个时间衰减进程被周期性或增量的执行，给所有计数器减半。
对于长期保留的数据，W-TinyLFU使用了分段LRU（Segmented LRU，缩写SLRU）策略。起初，一个数据项存储被存储在试用段（probationary segment）中，在后续被访问到时，它会被提升到保护段（protected segment）中（保护段占总容量的80%）。保护段满后，有的数据会被淘汰回试用段，这也可能级联的触发试用段的淘汰。这套机制确保了访问间隔小的热数据被保存下来，而被重复访问少的冷数据则被回收。
如图中数据库和搜索场景的结果展示，通过考虑就近程度和频率能大大提升LRU的表现。一些高级的策略，像ARC，LIRS和W-TinyLFU都提供了接近最理想的命中率。想看更多的场景测试，请查看相应的论文，也可以在使用simulator来测试自己的场景。
参考：
https://juejin.im/post/5b8df63c6fb9a019e04ebaf4（深入解密来自未来的缓存-Caffeine）
https://juejin.im/post/59f06d946fb9a0451968cadc（[译] 高性能 Java 缓存库 — Caffeine）
https://wujiazhen2.github.io/2018/09/30/Caffeine/（高性能java缓存库-Caffeine）
https://www.jianshu.com/p/15d0a9ce37dd（Caffeine Cache 进程缓存之王）
