识别热点
-
访问频率统计：通过记录每个数据的访问次数，可以判断哪些数据被频繁访问，从而确定热点数据。你可以使用HashMap或ConcurrentHashMap等数据结构来存储数据和对应的访问次数，每次访问时更新对应的计数。
-
时间窗口统计：使用滑动时间窗口的方式统计数据的访问频率。你可以使用一个固定大小的时间窗口，比如最近一小时，然后记录在该时间窗口内每个数据的访问次数。通过比较不同数据的访问次数，可以找出热点数据。
-
缓存机制：在代码层面做预热识别，比如给某个接口判断入参是否为热点数据的规则（比如redis过期时间1s，调一次+1但不更新过期时间，若增长量>5则判为热数据），这种方法能更快速的识别热数据，但缺点是业务逻辑复杂，且由于写死在代码中无法扩展。
-
日志分析：通过分析应用程序的日志，可以了解哪些数据被频繁操作或修改。你可以使用日志分析工具，如Log4j、Logback等，提取关键信息并统计数据的操作次数。
隔离热点
除了访问层面隔离(不同项目，不同接口)外，主要讲下缓存和数据层如何隔离
热点数据特点是数量少，访问频次高，处理热点数据三个方案：热点散列，多级缓存，热点库
热点库：就是将redis急群中单独划出一些实例库存热点数据，当热点数据可预知时，这个方案是最合适的，也是最稳定可控的
多级缓存：本地缓存+redis，如果对象过大，可考虑把jvm缓存改为堆外缓存
热点散列：相当于分布式版本的二级缓存，把集群每个redis实例的内存区域划分为普通区域+hot zone区域，区别在于普通实例只存放属于自己的数据，而所有实例的hotzone都可存放热数据，即对于普通数据，redis集群是分片存储的，hotzone数据不分片，访问hostzone数据时压力由集群所有实例承担，如图
