随着互联网规模的扩大，大数据实时计算面临着海量数据量和高并发的挑战。分布式缓存在此场景下可以很好地优化系统性能。

常见的分布式缓存产品包括Memcached和Redis。Memcached支持简单的key-value存储，读写性能极高，适用于缓存小对象。Redis功能更丰富，支持数据结构如字符串、哈希、列表、集合等，但性能略差于Memcached。

在大数据实时计算系统中，分布式缓存可以用于以下几个场景：

1. 结果缓存：将计算结果或中间结果缓存在内存中，避免重复计算，大幅提升查询效率。

2. 元数据缓存：将数据集的结构信息如字段定义等缓存在内存，降低metadata访问延迟。

3. 查询缓存：将热点查询条件或预聚合结果缓存起来，提高复杂查询效率。

4. 工作状态缓存：将作业状态信息如运行任务、任务进度等缓存在内存中，降低状态管理开销。

5. 配置缓存：将系统配置信息如表分区规则等缓存在内存中，避免重复从磁盘加载配置。

在应用层面，可以使用Memcached或Redis客户端库进行操作。在集群层面，需要部署主从模式实现高可用。此外，需要合理设置缓存过期时间和淘汰策略，保证缓存数据的一致性。

通过合理利用分布式缓存，可以有效减轻计算节点和后端存储的压力，大幅提升大数据实时计算系统的性能和吞吐量。它是实时计算优化的一种很好的实践。