阅读量:1
redis缓存问题及解决方法
缓存雪崩
当大量缓存数据在同一时间过期（失效）或者Redis故障宕机时，如果此时有大量的用户请求，都无法在Redis中处理，于是全部请求都直接访问数据库，从而导致数据库的压力骤增，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，这就是缓存雪崩的问题。
导致原因
- 大量数据同时过期；
- Redis 故障宕机；
常见解决方法
针对大量数据同时过期而引发的缓存雪崩问题，常见的应对方法有下面这几种
设置过期时间
大量的数据设置不同的过期时间，避免同时过期。也可以选择给过期时间加上一个随机数，这样就可以不会在同一时间过期。互斥锁
发现访问的数据不在Redis中，加上互斥锁，保证同一时间内只有一个请求来构建缓存（ 从数据库读取数据，再将数据更新到 Redis 里），当缓存构建完成后，再释放锁。未能获取互斥锁的请求，要么等待锁释放后重新读取缓存，要么就返回空值或者默认值。
实现互斥锁的时候，最好设置超时时间，不然第一个请求拿到了锁，然后这个请求发生了某种意外而一直阻塞，一直不释放锁，这时 其他请求也一直拿不到锁，整个系统就会出现无响应的现象。
针对 Redis 故障宕机而引发的缓存雪崩问题，常见的应对方法有下面这几种
服务熔断或请求限流机制
启动 服务熔断 机制，暂停业务应用对缓存服务的访问，直接返回错误，暂停使用数据库，等Redis恢复正常后，在允许业务应用缓存服务。
启动 请求限流 机制，只将少部分请求发送到数据库进行处理，再多的请求就在入口直接拒绝服务。
构建Redis缓存高可靠集群
服务熔断或请求限流机制是缓存雪崩发生后的应对方案，我们最好通过主从节点的方式构建 Redis 缓存高可靠集群。
如果 Redis 缓存的主节点故障宕机，从节点可以切换成为主节点，继续提供缓存服务，避免了由于 Redis 故障宕机而导致的缓存雪崩问题。
缓存击穿
如果缓存中某个热点数据过期了，此时大量的请求访问了该热点数据，就无法从缓存中读取，直接访问数据库，数据库很容易被高并发的请求冲垮，这就是缓存击穿问题。
缓存击穿跟缓存雪崩很相似，也可以认为缓存击穿是缓存雪崩的一个子集
常见解决方法
- 互斥锁方案，保证同一时间只有一个业务线程更新缓存，未能获取互斥锁的请求，要么等待锁释放后重新读取缓存，要么就返回空值或者默认值。
- 不给热点数据设置过期时间，由后台异步更新缓存，或者在热点数据准备要过期前，提前通知后台线程更新缓存以及重新设置过期时间；
缓存击穿和缓存雪崩的区别
缓存雪崩：在某一个时间段，缓存数据同时失效。导致大量请求直接到达数据库，导致数据库瞬间压力骤增，设置宕机。
缓存击穿：针对某一个key（热点数据）的请求，大量并发请求都查询这一个数据，但是该数据不在缓存中，导致多请求直接访问数据库，而其他请求被阻塞等待该请求的返回结果，导致系统性能下降。
也就是说，缓存击穿指并发查同一条数据，缓存雪崩是不同数据都过期了，很多数据都查不到从而查数据库
缓存穿透
当用户访问的数据，既不在缓存中，也不在数据库中，导致请求在访问缓存时，发现缓存缺失，再去访问数据库时，发现数据库中也没有要访问的数据。那么此时大量的请求都落在数据库中，导致数据库压力骤增，这就是缓存穿透问题。
导致原因
1. 业务误操作，缓存中的数据和数据库中的数据都被误删除了，所以导致缓存和数据库中都没有数据； 2. 黑客恶意攻击，故意大量访问某些读取不存在数据的业务； 常见解决方法
限制非法请求
进行参数校验，对于不合法的参数请求直接抛出异常返回给客户端。
缓存空值或者默认值
当发现缓存穿透的现象时，可以针对查询的数据，在缓存中设置一个空值或者默认值，这样后续请求就可以从缓存中读取到空值或者默认值，返回给应用，使其不会继续查询数据库
使用布隆过滤器
我们在写入数据库数据时，使用布隆过滤器做个标记，然后用户发起请求后，判断请求值是否存 在于布隆过滤器，如果不存在 那这个请求直接无效，如果存在 那就在缓存中查找对应的数据。
这样当出现大量请求的时候，会先查询布隆过滤器和Redis，不会对数据库造成压力。
布隆过滤器说数据不存在，那么数据库中一定不会有这个数据。如果说数据存在，并不一定证明数据库中存在这个数据，有误判的几率，只不过几率非常小。
那么为什么会出现误判的几率呢？那就要考虑布隆过滤器的原理了
布隆过滤器由「初始值都为 0 的位图数组」和「 N 个哈希函数」两部分组成。当我们在写入数据库数据时，在布隆过滤器里做个标记，这样下次查询数据是否在数据库时，只需要查询布隆过滤器，如果查询到数据没有被标记，说明不在数据库中。
布隆过滤器会通过 3 个操作完成标记：
- 第一步，使用 N 个哈希函数分别对数据做哈希计算，得到 N 个哈希值；
- 第二步，将第一步得到的 N 个哈希值对位图数组的长度取模，得到每个哈希值在位图数组的对应位置。
- 第三步，将每个哈希值在位图数组的对应位置的值设置为 1；
举个例子，假设有一个位图数组长度为 8，哈希函数 3 个的布隆过滤器。
在数据库写入数据 x 后，把数据 x 标记在布隆过滤器时，数据 x 会被 3 个哈希函数分别计算出 3 个哈希值，然后在对这 3 个哈希值对 8 取模，假设取模的结果为 1、4、6，然后把位图数组的第 1、4、6 位置的值设置为 1。当应用要查询数据 x 是否数据库时，通过布隆过滤器只要查到位图数组的第 1、4、6 位置的值是否全为 1，只要有一个为 0，就认为数据 x 不在数据库中。
布隆过滤器由于是基于哈希函数实现查找的，高效查找的同时存在哈希冲突的可能性，比如数据 x 和数据 y 可能都落在第 1、4、6 位置，而事实上，可能数据库中并不存在数据 y，存在误判的情况。
