一文解析：Redis缓存穿透、缓存雪崩、Redis并发问题

欢迎关注专栏：Java架构技术进阶。里面有大量batj面试题集锦，还有各种技术分享，如有好文章也欢迎投稿哦。
把redis作为缓存使用已经是司空见惯，但是使用redis后也可能会碰到一系列的问题，尤其是数据量很大的时候，经典的几个问题如下：

(一)缓存和数据库间数据一致性问题

分布式环境下（单机就不用说了）非常容易出现缓存和数据库间的数据一致性问题，针对这一点的话，只能说，如果你的项目对缓存的要求是强一致性的，那么请不要使用缓存。我们只能采取合适的策略来降低缓存和数据库间数据不一致的概率，而无法保证两者间的强一致性。合适的策略包括合适的缓存更新策略，更新数据库后要及时更新缓存、缓存失败时增加重试机制，例如MQ模式的消息队列。

(二)缓存击穿问题

缓存击穿表示恶意用户模拟请求很多缓存中不存在的数据，由于缓存中都没有，导致这些请求短时间内直接落在了数据库上，导致数据库异常。这个我们在实际项目就遇到了，有些抢购活动、秒杀活动的接口API被大量的恶意用户刷，导致短时间内数据库宕机了，好在数据库是多主多从的，hold住了。

解决方案的话：

1、使用互斥锁排队

业界比价普遍的一种做法，即根据key获取value值为空时，锁上，从数据库中load数据后再释放锁。若其它线程获取锁失败，则等待一段时间后重试。这里要注意，分布式环境中要使用分布式锁，单机的话用普通的锁（synchronized、Lock）就够了。

public String getWithLock( String key, Jedis jedis, String lockKey, String uniqueId, long expireTime )
{
    /* 通过key获取value */
    String value = redisService.get( key );
    if ( StringUtil.isEmpty( value ) )
    {
        /*
         * 分布式锁，详细可以参考https://blog.csdn.net/fanrenxiang/article/details/79803037
         * 封装的tryDistributedLock包括setnx和expire两个功能，在低版本的redis中不支持
         */
        try {
            boolean locked = redisService.tryDistributedLock( jedis, lockKey, uniqueId, expireTime );
            if ( locked )
            {
                value = userService.getById( key );
                redisService.set( key, value );
                redisService.del( lockKey );
                return(value);
            } else {
                /* 其它线程进来了没获取到锁便等待50ms后重试 */
                Thread.sleep( 50 );
                getWithLock( key, jedis, lockKey, uniqueId, expireTime );
            }
        } catch ( Exception e ) {
            log.error( "getWithLock exception=" + e );
            return(value);
        } finally {
            redisService.releaseDistributedLock( jedis, lockKey, uniqueId );
        }
    }
    return(value);
}

这样做思路比较清晰，也从一定程度上减轻数据库压力，但是锁机制使得逻辑的复杂度增加，吞吐量也降低了，有点治标不治本。

2、布隆过滤器（推荐）

bloomfilter就类似于一个hash set，用于快速判某个元素是否存在于集合中，其典型的应用场景就是快速判断一个key是否存在于某容器，不存在就直接返回。布隆过滤器的关键就在于hash算法和容器大小，下面先来简单的实现下看看效果，我这里用guava实现的布隆过滤器：


 < dependency >
 < groupId > com.google.guava
 < artifactId > guava
 < version > 23.0 < / version >
 < / dependency >
 < / dependencies >
 public class BloomFilterTest {
     private static final int capacity  = 1000000;
     private static final int key       = 999998;

     private static BloomFilter bloomFilter = BloomFilter.create( Funnels.integerFunnel(), capacity );

     static {
         for ( int i = 0; i < capacity; i++ )
         {
             bloomFilter.put( i );
         }
     }

     public static void main( String[] args )
     {
                 /*返回计算机最精确的时间，单位微妙*/
         long start = System.nanoTime();

         if ( bloomFilter.mightContain( key ) )
         {
             System.out.println( "成功过滤到" + key );
         }
         long end = System.nanoTime();
         System.out.println( "布隆过滤器消耗时间:" + (end - start) );
         int sum = 0;
         for ( int i = capacity + 20000; i < capacity + 30000; i++ )
         {
             if ( bloomFilter.mightContain( i ) )
             {
                 sum = sum + 1;
             }
         }
         System.out.println( "错判率为:" + sum );
     }
 }
 成 功过滤到999998
 布 隆过滤器消 耗 时间 : 215518
 错 判率 为 : 318

可以看到，100w个数据中只消耗了约0.2毫秒就匹配到了key，速度足够快。然后模拟了1w个不存在于布隆过滤器中的key，匹配错误率为318/10000，也就是说，出错率大概为3%，跟踪下BloomFilter的源码发现默认的容错率就是0.03：

public static < T > BloomFilter create( Funnel funnel, int expectedInsertions /* n */ )
{
    return(create( funnel, expectedInsertions, 0.03 ) ); /* FYI, for 3%, we always get 5 hash functions */
}

我们可调用BloomFilter的这个方法显式的指定误判率：

private static BloomFilter bloomFilter = BloomFilter.create(Funnels.integerFunnel(), capacity,0.01);

我们断点跟踪下，误判率为0.02和默认的0.03时候的区别:

对比两个出错率可以发现，误判率为0.02时数组大小为8142363，0.03时为7298440，误判率降低了0.01，BloomFilter维护的数组大小也减少了843923，可见BloomFilter默认的误判率0.03是设计者权衡系统性能后得出的值。要注意的是，布隆过滤器不支持删除操作。用在这边解决缓存穿透问题就是：

public String getByKey( String key )
{
    /* 通过key获取value */
    String value = redisService.get( key );
    if ( StringUtil.isEmpty( value ) )
    {
        if ( bloomFilter.mightContain( key ) )
        {
            value = userService.getById( key );
            redisService.set( key, value );
            return(value);
        } else {
            return(null);
        }
    }
    return(value);
}

(三)缓存雪崩问题

缓存在同一时间内大量键过期（失效），接着来的一大波请求瞬间都落在了数据库中导致连接异常。

解决方案：

1、也是像解决缓存穿透一样加锁排队，实现同上;

2、建立备份缓存，缓存A和缓存B，A设置超时时间，B不设值超时时间，先从A读缓存，A没有读B，并且更新A缓存和B缓存;

public String getByKey( String keyA, String keyB )
{
    String value = redisService.get( keyA );
    if ( StringUtil.isEmpty( value ) )
    {
        value = redisService.get( keyB );
        String newValue = getFromDbById();
        redisService.set( keyA, newValue, 31, TimeUnit.DAYS );
        redisService.set( keyB, newValue );
    }
    return(value);
}

(四)缓存并发问题

这里的并发指的是多个redis的client同时set key引起的并发问题。比较有效的解决方案就是把redis.set操作放在队列中使其串行化，必须的一个一个执行，具体的代码就不上了，当然加锁也是可以的，至于为什么不用redis中的事务，留给各位看官自己思考探究。

欢迎关注专栏：Java架构技术进阶。里面有大量batj面试题集锦，还有各种技术分享，如有好文章也欢迎投稿哦。

欢迎加入程序员交流学习群：908676731，群里有分享的视频，面试指导，架构资料，还有思维导图、群里有视频，都是干货的，你可以下载来看。主要分享分布式架构、高可扩展、高性能、高并发、性能优化、Spring boot、Redis、ActiveMQ、Nginx、Mycat、Netty、Jvm大型分布式项目实战学习架构师视频。合理利用自己每一分每一秒的时间来学习提升自己，不要再用"没有时间“来掩饰自己思想上的懒惰！趁年轻，使劲拼，给未来的自己一个交代！

一文解析：Redis缓存穿透、缓存雪崩、Redis并发问题

(一)缓存和数据库间数据一致性问题

(二)缓存击穿问题

(三)缓存雪崩问题

(四)缓存并发问题

你可能感兴趣的:(一文解析：Redis缓存穿透、缓存雪崩、Redis并发问题)