缓存雪崩、缓存穿透、缓存击穿、缓存预热、缓存更新、缓存降级等问题

一、缓存雪崩

        我们可以简单的理解为：由于原有缓存失效，新缓存未到期间 ( 例如：我们设置缓存时采用了相同的 过期时间，在同一时刻出现大面积的缓存过期) ，所有原本应该访问缓存的请求都去查询数据库了， 而对数据库CPU 和内存造成巨大压力，严重的会造成数据库宕机。从而形成一系列连锁反应，造成 整个系统崩溃。

 

解决办法：

        大多数系统设计者考虑用加锁（ 最多的解决方案）或者队列的方式保 证来保证不会有大量的线程对数据库一次性进行读写，从而避免失效时大量的并发请求落到底层存 储系统上。

        还有一个简单方案就时讲缓存失效时间分散开。

二、缓存穿透

        缓存穿透是指用户查询数据，在数据库没有，自然在缓存中也不会有。这样就导致用 户查询的时候，在缓存中找不到，每次都要去数据库再查询一遍，然后返回空（相当于进行了两次 无用的查询）。

这样请求就绕过缓存直接查数据库，这也是经常提的缓存命中率问题。

 

解决办法：

        最常见的则是采用布隆过滤器 ，将所有可能存在的数据哈希到一个足够大的 bitmap 中，一个一定不 存在的数据会被这个bitmap 拦截掉，从而避免了对底层存储系统的查询压力。

        另外也有一个更为 简单粗暴的方法 ，如果一个查询返回的数据为空（不管是数据不存在，还是系统故障），我们仍然 把这个空结果进行缓存，但它的过期时间会很短，最长不超过五分钟。通过这个直接设置的默认值存放到缓存，这样第二次到缓冲中获取就有值了，而不会继续访问数据库，这种办法最简单粗暴。 5TB的硬盘上放满了数据，请写一个算法将这些数据进行排重。如果这些数据是一些 32bit 大小的数 据该如何解决？如果是64bit 的呢？ 对于空间的利用到达了一种极致，那就是 Bitmap 和布隆过滤器 (Bloom Filter) 。

Bitmap：

        典型的就 是哈希表 缺点是，Bitmap对于每个元素只能记录 1bit 信息，如果还想完成额外的功能恐怕只能靠 牺牲更多的空间、时间来完成了。

布隆过滤器（推荐）

        就是引入了k(k>1)k(k>1) 个相互独立的哈希函数，保证在给定的空间、误判率 下，完成元素判重的过程。 它的优点是空间效率和查询时间都远远超过一般的算法，缺点是有一定 的误识别率和删除困难。 Bloom-Filter算法的核心思想就是利用多个不同的 Hash 函数来解决 “ 冲

突 ” 。 Hash 存在一个冲突（碰撞）的问题，用同一个 Hash 得到的两个 URL 的值有可能相同。为了减 少冲突，我们可以多引入几个Hash ，如果通过其中的一个 Hash 值我们得出某元素不在集合中，那 么该元素肯定不在集合中。只有在所有的Hash 函数告诉我们该元素在集合中时，才能确定该元素存 在于集合中。这便是Bloom-Filter 的基本思想。 Bloom-Filter 一般用于在大数据量的集合中判定某 元素是否存在。

三、缓存击穿

        key中对应数据存在，当key中对应的数据在缓存中过期，而此时又有大量请求访问该数据，缓存中过期了，请求会直接访问数据库并回设到缓存中，高并发访问数据库会导致数据库崩溃。

解决方案：

①预先设置热门数据：在redis高峰访问时期，提前设置热门数据到缓存中，或适当延长缓存中key过期时间。

②实时调整：实时监控哪些数据热门，实时调整key过期时间。

③对于热点key设置永不过期。

 

四、缓存预热

       缓存预热这个应该是一个比较常见的概念，相信很多小伙伴都应该可以很容易的理

解，缓存预热就是系统上线后，将相关的缓存数据直接加载到缓存系统。这样就可以避免在用户请

求的时候，先查询数据库，然后再将数据缓存的问题！用户直接查询事先被预热的缓存数据！

解决 思路：

1 、直接写个缓存刷新页面，上线时手工操作下；

2 、数据量不大，可以在项目启动的时候 自动进行加载；

3 、定时刷新缓存；

五、缓存更新

除了缓存服务器自带的缓存失效策略之外（ Redis 默认的有 6 中策略可供选择），我们

还可以根据具体的业务需求进行自定义的缓存淘汰，常见的策略有两种：

（ 1 ）定时去清理过期的 缓存；

（ 2 ）当有用户请求过来时，再判断这个请求所用到的缓存是否过期，过期的话就去底层系

统得到新数据并更新缓存。

        两者各有优劣，第一种的缺点是维护大量缓存的key 是比较麻烦的，第 二种的缺点就是每次用户请求过来都要判断缓存失效，逻辑相对比较复杂！具体用哪种方案，大家 可以根据自己的应用场景来权衡。

六、缓存降级

当访问量剧增、服务出现问题（如响应时间慢或不响应）或非核心服务影响到核心流 程的性能时，仍然需要保证服务还是可用的，即使是有损服务。系统可以根据一些关键数据进行自 动降级，也可以配置开关实现人工降级。 降级的最终目的是保证核心服务可用，即使是有损的。而

且有些服务是无法降级的（如加入购物车、结算）。

以参考日志级别设置预案：

（ 1 ）一般：比如 有些服务偶尔因为网络抖动或者服务正在上线而超时，可以自动降级；

（ 2 ）警告：有些服务在一 段时间内成功率有波动（如在95~100% 之间），可以自动降级或人工降级，并发送告警；

（ 3 ）错 误：比如可用率低于90% ，或者数据库连接池被打爆了，或者访问量突然猛增到系统能承受的最大 阀值，此时可以根据情况自动降级或者人工降级；

（ 4 ）严重错误：比如因为特殊原因数据错误 了，此时需要紧急人工降级。

服务降级的目的，是为了防止 Redis 服务故障，导致数据库跟着一起发生雪崩问题。因此，对于不重 要的缓存数据，可以采取服务降级策略，例如一个比较常见的做法就是，Redis 出现问题，不去数据 库查询，而是直接返回默认值给用户。