Redis缓存穿透、缓存雪崩、redis并发问题分析
2018-10-11 19:50
831 查看
版权声明:如果您觉得此文有用或对您有帮助,请不吝点个赞或留个言,哈哈! https://blog.csdn.net/fanrenxiang/article/details/80542580
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
(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。
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:
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:
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;
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;
- }
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:
- <dependencies>
- <dependency>
- <groupId>com.google.guava</groupId>
- <artifactId>guava</artifactId>
- <version>23.0</version>
- </dependency>
- </dependencies>
- public class BloomFilterTest {
- private static final int capacity = 1000000;
- private static final int key = 999998;
- private static BloomFilter<Integer> 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<T> create(Funnel<T> funnel, int expectedInsertions /* n */) {
- return create(funnel, expectedInsertions, 0.03); // FYI, for 3%, we always get 5 hash functions
- }
private static BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), capacity,0.01);[/code]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。 阅读更多相关文章推荐
- Redis缓存穿透、缓存雪崩、redis并发问题分析
- Redis关于缓存雪崩和缓存穿透等问题
- Redis缓存雪崩、缓存穿透、热点Key解决方案和分析
- Redis缓存穿透、缓存并发、缓存雪崩
- Redis总结(五)缓存雪崩和缓存穿透等问题
- Redis总结(五)缓存雪崩和缓存穿透等问题 Web API系列(三)统一异常处理 C#总结(一)AutoResetEvent的使用介绍(用AutoResetEvent实现同步) C#总结(二)事件Event 介绍总结 C#总结(三)DataGridView增加全选列 Web API系列(二)接口安全和参数校验 RabbitMQ学习系列(六): RabbitMQ 高可用集群
- 关于Redis中缓存雪崩、缓存穿透、缓存预热、缓存更新、缓存降级等概念的入门及简单解决方案
- 缓存穿透,缓存击穿,缓存雪崩解决方案分析
- 缓存穿透,缓存击穿,缓存雪崩解决方案分析
- 缓存穿透,缓存击穿,缓存雪崩解决方案分析
- 缓存穿透,缓存击穿,缓存雪崩解决方案分析
- 读写锁调优缓存对象并发同步问题引申思考分析
- 高并发场景下的缓存+数据库双写不一致问题分析与解决方案
- 最佳实践 缓存穿透,瞬间并发,缓存雪崩的解决方法
- 缓存穿透,缓存击穿,缓存雪崩解决方案分析
- Redis系列十:缓存雪崩、缓存穿透、缓存预热、缓存更新、缓存降级
- REDIS (13) 缓存的穿透,雪崩和热点key
- 关于缓存雪崩和缓存穿透等问题
- 缓存穿透、缓存击穿、缓存雪崩解决方案分析
- 缓存相关——缓存穿透、缓存并发、缓存失效、缓存预热、缓存雪崩、缓存算法