特点：
- 应用进程与缓存进程分布在不同的服务器上，通过网络协议（如RPC、HTTP）进行通信。
- 缓存服务独立部署，可横向扩展，支持高并发和大容量数据存储。
- 数据存储在独立的缓存节点中，与应用服务器解耦。
优点：
- 解耦性：缓存系统与应用分离，便于独立维护、升级和扩展。
- 容量扩展：支持分布式架构，可通过集群方式扩展存储容量，适应大数据量场景。
- 高可用：通常具备主从复制、数据分片等功能，提升系统容错能力。
- 跨应用共享：不同应用可以共享同一套缓存服务，避免数据冗余。
缺点：
- 性能损耗：网络通信引入延迟，相比本地缓存，读写速度较慢。
- 复杂性：需要额外配置和维护缓存集群，涉及网络配置、负载均衡、数据一致性等问题。
- 成本：需要额外的服务器资源部署缓存节点。
-
介绍：高性能的，开源的，基于内存的数据结构存储系统，支持多种数据结构。
-
核心特性：
- 键值存储，支持丰富的数据结构。
- 支持原子性操作。
- 有两种持久化方式（RDB和AOF）。
- 支持事务且有多种集群模式。
-
优点：速度极快，数据结构丰富，简单易用，功能全面，高可用和可扩展性好。
-
缺点：成本较高，单线程模型，在处理复杂命令可能造成阻塞。
-
适用场景：高性能缓存，轻量级消息队列，会话管理，分布式锁。
-
介绍：高性能的分布式内存对象缓存系统，运用减轻数据库负载，通过缓存数据来加速Web应用。
-
core特性：
- 基于slab allocation的内存管理机制。
- 键值存储，简单的字符串数据结构。
- 多核支持，分布式。
-
优点：速度极快(极简设计),内存管理高效(slab allocation减少内存碎片)，多线程，部署简单。
-
缺点：只支持简单键值对，无内置高可用和持久化，内存利用率受限于slab大小。
-
适用场景：纯粹的，简单的分布式缓存(尤其是大规模读请求的场景，如减轻数据库压力)，或者仅需键值对存储的会话管理。
-
介绍：开源的内存数据网格平台，提供分布式的数据结构、分布式计算、缓存、流处理等功能。它提供了一种将数据和计算分布在集群节点上的方式。
-
核心特性：
- 分布式数据结构，分布式时间处理，分布式执行器。
- Sql查询，事务支持，集群管理和自动发现。
- 数据分片和备份，客户端/服务器部署模式。
-
优点：一体化解决方案，真正的分布式，易于集群部署和扩展，支持SQL查询，提供高性能的内存计算能力。
-
缺点：相对复杂，功能多，学习内容多，资源消耗过大，社区不够成熟。
-
适用场景：内存数据网格，分布式缓存，分布式任务和任务执行，流处理，应用状态管理。
-
介绍：开源的分布式内存计算平台和数据网格，旨在存储和处理PB级数据，提供高性能的内存计算，分布式SQL,事务和持久化能力。
-
核心特性：
- 分布式数据网格(键值存储)。
- ANSI-99 SQL存储(通过JDBC),具有ACID事务。
- 拥有持久化。
- 内存计算，流处理，机器学习API。
-
优点：SQL支持，降低适用门槛，有ACID事务来保持数据的一致性，内置持久化，可作为主存储，内存计算，功能强大。
-
缺点：复杂性高，学习和运维成本高，资源消耗高。
-
适用场景：内存数据库(作为主数据存储)，事务处理(需要ACID保证的分布式应用)，高性能分布式缓存，高速数据分析(近乎实时)，大数据加速，分布式服务网络。
- Redis：当你需要一个高性能、多功能、灵活的内存数据存储，主要用于缓存、计数、排行榜等场景时，首选Redis。
- Memcached：当你只需要一个极简、极快的纯粹键值对缓存，并且不需要复杂数据结构、持久化或内置高可用时，可以考虑Memcached。
- Hazelcast：当你需要一个易于部署、一体化的内存数据网格，用于分布式缓存、状态管理或轻量级分布式计算时，选择Hazelcast。
- Apache Ignite：当你需要一个强大的、带有SQL和ACID事务支持的内存数据库/计算平台，用于高性能OLTP/OLAP混合负载或作为应用的主数据存储时，选择Apache Ignite。
特点：
- 缓存进程与应用进程在同一JVM中，数据读写直接在内存中完成，无需网络通信。
- 适用于对性能要求极高且数据量较小的场景。
优点：
- 极致性能：无网络开销，访问速度极快，适用于低延迟场景。
- 简单轻量：无需独立部署，开发和维护成本低。
- 线程安全：可通过同步机制或线程安全数据结构保障并发安全。
缺点：
- 容量限制：受JVM堆内存限制，无法存储大量数据。
- 数据隔离：缓存数据仅存在于单个应用实例中，无法跨节点共享，可能导致数据不一致。
- 扩展性差：无法通过集群扩展容量，不适合分布式场景。
- 介绍：使用LinkedHashMap实现LRU淘汰策略。
- 特点： 利用读写锁保障并发安全。
- 优点：实现简单，无需引入第三方依赖。
- 缺点：功能受限，需自行扩展，稳定性和可靠性依赖开发者实现。
- 适用场景：数据量小、业务简单的场景。
-
介绍：Google开源的本地缓存库，功能丰富，线程安全。
-
核心特性：
- 支持容量限制、基于时间和访问的过期策略。
- 提供统计功能（如命中次数、加载耗时等）。
- 基于LRU算法实现，同时支持自定义淘汰策略。
- 支持异步加载数据（通过CacheLoader）。
-
优点：成熟稳定，功能全面，易于使用。
-
缺点：相比Caffeine，性能略低，但足够满足大多数场景。
-
适用场景：需要复杂缓存策略的中小型应用。
-
介绍：新一代高性能本地缓存库，号称“接近理论最优性能”。
-
核心特性：
- 基于W-TinyLFU算法（结合LRU和LFU优点），更精准的缓存淘汰策略。
- 性能优于Guava，尤其在读写密集型场景。
- 支持异步加载、监听器、权重计算等高级功能。
-
优点：极致性能，功能先进，API与Guava相似，迁移成本低。
-
缺点：相对较新，部分场景可能需评估兼容性。
-
适用场景：对性能要求极高的场景，或需要复杂缓存策略的大型应用。
-
介绍：纯Java的进程内缓存框架，具有快速，精干等特点，是Hibernate中默认的CacheProvider，具有大量功能，极高的扩展性。
-
核心特征：
- 支持多种缓存淘汰算法。
- 缓存支持堆内存储，村外存储，磁盘存储（支持持久化）三种。
- 支持多种集群方案，解决数据共享问题。
-
优点：性能高效，易于使用和集成，功能丰富，成熟稳定。
-
缺点：分布式能力相对较弱，可能会在内存中有较大开销，持久化能力有限。
-
适用场景：数据量在单机内存和磁盘容量范围内，且对分布式强一致性要求不高的场景。
本地式缓存总结：
- 自实现缓存：当你只是简单存储几个静态配置，使用ConcurrentHashMap。
- EnCache：当你目前的项目很老，对磁盘缓存有需求，用EnCache。
- Guava Cache：当你的项目不算大，对性能要求不高时，使用Guava，但还是建议迁移到Caffeine,提高性能。
- Caffeine：目前java生态中性能和命中率最高的本地缓存，用它准没错。
三、总结与选型建议
-
何时选择分布式缓存？
- 数据量较大，超出单机内存容量。
- 需要跨应用或跨节点共享数据。
- 系统具备高可用和扩展性需求（如分布式集群）。
- 可接受一定的网络延迟（例如毫秒级）。
-
何时选择Java本地缓存？
- 数据量小，且访问频率极高（如热点数据）。
- 对延迟极其敏感（微秒级），无法容忍网络开销。
- 应用为单体架构，无需跨节点共享数据。
- 追求简单轻量，无需复杂配置。
四、参考文献
本地缓存无冕之王Caffeine Cache-腾讯云开发者社区-腾讯云
Home zh CN · ben-manes/caffeine Wiki
Java分布式缓存配置全攻略：5种主流框架选型对比及落地建议-CSDN博客
Java本地缓存技术选型（Guava Cache、Caffeine、Encache） - 简书