如何利用缓存理论来分析网购物流的未来

　　计算机技术的进步颠覆了整个世界，而其中的很多技术不仅能解决计算机方面的问题，对很多其他方面的问题也很有启发。今天笔者给大家介绍缓存理论，从缓存理论的角度来看待一些产品及生活上的问题，将会有许多有趣的结果，这就是今天的主题缓存理论。笔者在此保证，本文没有门槛，但需要耐心。
　　理论
　　如果这节看不太明白不用纠结，结合后面的例子会容易得多。
　　众所周知，内存和硬盘是电脑的两个重要部件，虽说两者都是用来存储数据的，特性却大相径庭：
　　内存访问速度快，容量小，断电后无法保存数据，在计算机中充当缓存的角色。
　　硬盘访问速度慢，容量大，断电后数据不丢失，用于长久地保持数据。
　　CPU是个急性子，每秒几百亿次计算不在话下，自然爱和内存打交道，不待见硬盘，不待见到什么程度呢，即使CPU要读取硬盘里的数据，也先让硬盘把数据交给内存，CPU再从内存读，缓存往往就是指这样快却容量小的中间存储。
　　问题来了，内存容量小，而计算机可能会使用的数据却很大，导致内存装不下，只能把装不下数据搁硬盘里，要使用硬盘中的数据，得先让内存清出一些暂时不用的数据，再从硬盘里把所需数据加载到内存，这种倒腾的过程叫做置换Swap，而清出数据的操作称为淘汰数据。从硬盘读数据就耗时了，所以我们希望我们每次取数据时数据都在内存里，减少硬盘的访问。
　　操作系统有一个很重要的任务调整内存中的数据，目的在于减少用户使用电脑时因读取硬盘而造成的延迟和卡顿。调整一般发生两种情况下，一个是电脑闲置的时候，提前将用户可能会用到数据搬到内存中；另一个就是置换的时候，加载用户所需数据的同时，舍弃那些比较不可能被访问的数据。
　　计算机科学里把访问数据时数据刚好在内存里的概率成为命中率。为了提升用户体验，减少等待，就得提高命中率，选择合适的内存置换（淘汰）算法就显得至关重要，内存置换算法是指在发生置换操作时，应该淘汰内存中的哪些数据，来放置新的数据，常用的算法（别怕，都很简单）有：
　　、先进先出算法（FIFO，FirstInFirstOut）
　　淘汰最先进来的数据，这个算法非常简单，这样做的道理是最先进来的数据可能已经用过了，过时了。对于一次性或短期使用的数据，非常合适，但对于长期使用的数据，就不合适了。这个算法命中率并不高，常常被提起主要是用来衬托其他算法的优越性，有点类似奥特曼的小怪兽。
　　、最久没访问算法（LRU，LeastRescentlyUsed）
　　淘汰内存中最久没有被用到的数据，这个就比FIFO合理多了，最久没被访问，可能真的是过时了。从逻辑上来说是相对合理的，而且比较简单，现在流行的操作系统大多都使用它或它的变种。当然，这个算法对于那种需要被周期性访问的数据就不合适了。
　　、最不频繁算法（LFU，LeastFrequencyUsed）
　　淘汰内存中在最近一段时间内使用频率最低的数据，这个又比LRU更合理了，就是保留最近最常用的数据，剔除最不常用的蛀虫。它并不是操作系统的宠儿，因为它计算量比较大，自身会消耗一些内存，对于操作系统这样的惜时（内存）如金的家伙是不可接受的。
　　、智能算法（AI）
　　我定义的一类算法，它泛指通过机器学习算法依据各种历史数据，计算各个数据未来一小段时间内将会被访问的概率，保留概率高的，淘汰低的。举个例子，假设你白天使用电脑工作，晚上使用电脑娱乐，那么AI算法可能会在白天尽量在内存中保留工作相关的数据。
　　比如一些word文档及办公软件的数据，而到了晚上，工作相关的数据则优先被淘汰，内存中常驻游戏，影音之类的数据。再比如，操作系统检测到了我刚刚下载了一部电影，那么这时应该将这部电影的数据及播放器的数据加载到内存中，其他类型的则可能被淘汰。AI算法的计算量显然很大也很复杂，入不了操作系统的法眼，但在很多情况下却非常好用。
　　再介绍一个概念：多级缓存，后面将会用到。
　　其实在电脑中，内存并不是读取速度最快的存储介质，还有更快的，叫CPU缓存。如果你看CPU的参数，经常能看到（L1L2L3缓存，他们共同组成CPU缓存），它是CPU的一部分，你们在看CPU规格时常常会看到，它离CPU计算核心更近，访问速度更快，但容量更小。CPU缓存和内存的关系与内存和硬盘的关系是一毛一样的。其实CPU缓存中还能细分，“L1缓存”是“L2缓存”的缓存，“L2缓存”是“L3缓存”的缓存，“L3缓存”是内存的缓存，如下图所示，这样不断嵌套的缓存结构就叫多级缓存。
　　缓存还有另外一个作用，缓冲。
　　计算机中的例子不太好说，举个拉面店的例子。
　　有个拉面店只卖一种拉面，顾客时多时少，有时一次性来好几个人，师傅现做的话肯定有顾客等很久，如果提前做很多的话又有可能做多卖不出去，那么师傅想了这么一个策略，提前做好一些拉面，放在一个固定的桌子上，如果桌子上的拉面达到2碗，师傅就慢着点做，如果一直没卖出去，桌上的面达到4碗，就完全不做了，如果某个时段生意旺卖很快，桌上的面可能会少于2碗，或者卖完，甚至还有人等，那么师傅就要开足马力做面了。
　　那么，这里就把桌子当作缓存，通过缓存策略，给师傅一定的缓冲时间，一定程度上抵消人流波动带来的影响。
　　缓冲可以从两个角度解释，一个是任务发送者，另一个是任务处理者。在发送者和处理者之间设置缓存，来协调任务发送速度与处理速度不一致。当任务发送速度大于处理速度时，任务在缓存中堆积，发送者减慢发送速度，处理者提高处理速度；如果缓存中任务非常少了，则提高发送速度，减慢处理速度。如果处理是一次性的，缓存能减少处理的频率。
　　举个例子：垃圾桶是一种缓存，如果家里没有垃圾桶，我们一旦有垃圾就得扔到外头的垃圾桶，垃圾桶的存着可以减少我们处理的频率。
　　产品例子
　　缓存理论不仅在计算机领域应用广泛，而且在生活和产品中也常常用到。我们先对理论进行抽象：
　　缓存内存，泛指那些使用方便又非常有限的容器。
　　硬盘，那些使用不方便但容量非常大的容器。
　　数据，放在容器中的物体。
　　算法，上面的算法大多都是说怎么淘汰，而下面往往说的是怎么保留，怎样选择，其实本质是一样的。从保留数据的角度重新解释上面的算法：FIFO，保留最后进入内存的；LRU，保留最近用过的；LFU，保留近期使用最频繁的；AI，保留未来最可能用到的。
　　下面举例：
　　我们的电脑桌面就是一个“缓存”，你可以在上面放文件及程序，它非常方便，触手可及，但是它容量非常有限，而资源管理器（我的电脑）则像是“硬盘”。桌面空间有限，东西多了也容易造成混乱，所以必须有所取舍，熵君在整理电脑桌面时一般会将最常用的放在桌面上，不常用的淘汰，这其实就是LFU算法。
　　我们的手机桌面的首屏也可以当做“缓存”，一打开就能用到，而最下面一排的快捷栏则是更高级的缓存。我一直期望手机有这样一个功能，自动把最常用（LFU）的应用放首屏，省得我去整理。
　　chrome的首页就有很多标签卡，都是你最常打开的网站（LFU），非常方便。
　　网站的首页也是一个缓存，就拿电商网站来说，首页资源是非常珍贵的，过去，这个首页往往是死的，把一些热门的商品放在首页，而现在都是使用推荐算法为每个用户定制首页，这就是上面所说的AI算法。新闻网站也很类似，以前都是编辑根据经验人工调整的首页，现在往往会引入智能算法（AI），结合用户个性化，新闻时效性等综合因素来安排首页内容。
　　生活中也有很多例子。笔者在整理房间的时候就会使用缓存理论，我会划定一些缓存。
　　比如桌面，或者其他一些触手可及的地方；我也会制造缓存，比如指定衣柜中的某个格子为缓存，规定放在这个格子里的衣服可以随意堆放。这些“缓存”常常会溢出，比如桌上太多东西了，影响我工作了；或者衣柜里的缓存区衣服太满，衣服不好找了。
　　这时我就会清理，我会把不常用的物品清出缓存区，并规整地放在它应该放的地方。这样就避免了频繁整理常用的物品，而这些常用的物品常常在你整理后又会使用到，那么之前就白整理了。这里也用到了缓存的缓冲功能。
　　这样的例子还有很多，比如微信的首屏也是个缓存，显示最近的对话，显然是使用LRU算法。当你在某个场景抽象出了缓存，那么下一步就是选取合适的算法，一般情况下LFULRU这样的简单算法就够用了，如果缓存资源非常珍贵，那么就应该求助你们的算法工程师做一套AI算法了，这就是缓存理论。
　　缓存理论与电商物流
　　如何利用缓存理论分析网购物流的未来呢？
　　购物模式
　　如果把网购当做一次数据访问，那么我们可以把商品当做数据，把发货的仓库当做硬盘，缓存则可以有很多种，那么我们将得到以下几种购物模式：
　　模式一
　　从硬盘直接读取数据，不经过缓存。也就是网购，并送货上门。
　　（）优点：直接，不需要顾客奔波。
　　（）缺点
　　慢；
　　无法确定派送时间。很多时候顾客在派送的时候不在目的地，或者由于其他原因无法接收，这样要么限制了顾客自由，要么降低了快递员的效率。
　　模式二
　　先从硬盘读取数据到缓存内存，再从缓存读取数据。也就是网购，送货到自提柜再由用户自提，自提柜就是缓存。
　　（）优点：用户收货不再受到快递派送时间的制约。
　　（）缺点：
　　要自己取，如果自提柜远还不顺路就更费劲了；
　　慢；
　　很多地方没有自提柜；
　　自提柜的空间无法充分利用，如果自提柜很密集，那么空置率肯定很高。
　　模式三
　　数据已经提前从硬盘加载到内存，直接访问内存就可以了。这就便利店的模式，便利店也是一种缓存，老板进货就是从硬盘加载数据到缓存的操作。
　　（）优点：快。
　　（）缺点
　　要自己取；
　　商品有限，很多东西都买不到。
　　从缓存理论的角度分析
　　从缓存理论的角度，以上这几种购物方式其实是可以互相转换的。如果仅仅从缓存的角度，如何分析这几种模式？
　　模式一：没有缓存，每次从硬盘加载，慢。
　　模式二：有缓存，但是每次仍然从硬盘加载数据，缓存只起到了缓冲的作用，相当于命中率为0的缓存。无法确保缓存被充分利用，当自提柜密度提高时更甚。如果你把自提柜的空间比作便利店的货架，这相当于便利店的货架很大部分没摆放商品。
　　模式三：有缓存，缓存利用率高，但缓存算法并不是最优化，这是由店老板决定的，因此命中率还有提高的空间。缓存就像一潭死水，无法变化，缓存中没有的数据（店里没有的商品）无法获取。
　　笔者的理想模式是怎么样的呢？让我们通过改造模式二（自提柜）来获得：
　　增加自提柜的密度，要比便利店还更密，提供更好的覆盖度及体验。
　　发展自提柜快递员这种职业，和普通快递员不同，他们的任务是由顾客直接指派，并且快速响应，派送距离很短，一般1公里以内（由自提柜的密度决定），解决懒人的最后一公里。其实这个不一定有必要，更多的是想告诉你，通过这样，模式2可以取代模式1，并解决模式1的时间问题。
　　预先加载，在顾客购买之前，就将商品缓存到自提柜，这样，自提柜就和便利店就很相似了。这样就能充分利用自提柜的空间（缓存）。Android手机中有很多优化软件，在你内存占满时会让你清理内存，而这与Android的内存策略背道而驰，因为当内存占满时内存才是被充分利用的，这样能提高命中率，如果需要加载新的数据，那么Android会自动舍弃些不常用的数据。
　　使用AI算法对缓存（自提柜中提前加载的货物）进行安排，利用机器学习算法结合用户数据，预测某个自提柜附近的顾客们将会购买的商品，并将这些商品预先缓存好。当用户在电商网站购物时，发现自己想要的商品已经在附近的自提柜中，这样，购物体验就接近便利店了。
　　一些电商公司有过近似的尝试，但还是离理想模式有差距。
　　亚马逊是个奇葩公司，总是有很多惊人的想法，其中有一个是擅自派送商品到顾客家，而顾客甚至没有订购，如果顾客觉得这个不是他想要的，可以拒收。这个想法的逻辑和前面提的预先加载是一致的，虽然两者是类似，但是亚马逊这个做法是不可行的，因为它没有缓存，目标是某个用户，这就要求算法得精确到个人，难度太大。而通过缓存（自提柜）的缓冲作用，目标可以扩大为附近的顾客，这样对算法的要求就大大降低。
　　每年的双十一阿里都搞得风风火火，快递的效率一年比一年高，爆仓的情况已经好了很多，这里的秘诀就是阿里依据AI算法将商品提前缓存到各地的仓库，这样就对物流网络起到了缓冲的作用，同时也减少了用户等待的时间。
　　仓库也是一种缓存，那么仓库是缓存，自提柜又是什么呢？这其实并不冲突，上面提过了多级缓存这个概念，明显，自提柜是最末端的缓存，而仓库则是上一级缓存，其实仓库本身也是多级缓存，比如北京市朝阳区的仓库是北京市仓库的缓存，北京市仓库又可能是河北省仓库的缓存。阿里做的这个工作已经非常接近了，但是还停留在解决具体问题的阶段，没有去抽象升华。
　　菜鸟驿站，这个看着非常相似，实则差十万八千里。它沿袭了阿里轻资产，分流风险，做平台的风格。菜鸟驿站对各个快递代售点没有控制力，体验很差，如果把各个代售点当做缓存，阿里无法对缓存做任何安排。总的来说还不如现在的自提柜。当然它成本低，发展速度快是优点。
　　顺丰嘿客，似乎是网购体验店与自提柜的合体，发展并不顺利，还没完全摸透意图。不过没有强大的电商无法完全实现理想模式。
　　有些读者可能会有疑问：这样大肆租店场地成本一定很高吧？是的，成本确实很高，但你想想，便利店都能支撑起这样的店租，而缓存算法及机制更为先进的理想模式肯定能创造更多价值，所以不用担心。
　　电商公司及快递公司，怎样能更快地到达理想模式？
　　发展（收购）便利店，慢慢将货架自提柜化。
　　将自动售货机与自提柜结合，取代货架，进一步无人化。
　　利用数据及算法优化便利店缓存（货架自提柜自动售货机）上的货品，提高命中率。
　　链接仓库与自提柜，形成多级缓存，随着自提柜数量的提升，增加仓库的数量。
　　将物流标准化自动化，进一步提升物流速度和效率。
　　在少数城市试错。
　　理想模式不可能完全取代商店，但作为一种理论上更先进模式，我相信它会消灭大部分商店，而商店存在的意义更多将是展示、体验还有服务。
　　一不小心又写多了，科学并不像大家想象的那么死板，经过理解与抽象，很容易应用到生活和产品中，今天的缓存理论，希望你喜欢。