写在前面

对于缓存穿透，雪崩相信很多小伙伴都有听过，不管是工作中还是面试都热点问题，本文重点带大家分析这些问题，给位看官请往下看！

一、缓存穿透

1. 什么是缓存穿透？

为了缓解持久层数据库的压力，在服务器和存储层之间添加了一层缓存；

一个简单的正常请求： 当客户端发起请求时，服务器响应处理，会先从 redis 缓存层查询客户端需要的请求数据，如果缓存层有缓存的数据，会将数据返回给服务器，服务器再返回给客户端；如果缓存层中没有客户端需要的数据，则会去底层存储层查找，再返回给服务器；

image

缓存穿透就是： 当客户端想要查询一个数据，发现 redis 缓存层中没有（即缓存没有命中），于是向持久层数据库查询，发现也没有，于是本次查询失败；当用户很多的时候，缓存都没有命中，于是都去请求了持久层数据库，此时会给持久层数据库造成很大的压力，这时候就相当于出现了缓存穿透。

image

2. 解决办法

在缓存层加布隆过滤器，通俗简述一下其作用：将数据库中的 id ，通过某方式映射到布隆过滤器，当处理不存在的 id 时，布隆过滤器会将该请求过直接过滤出去，不会到数据库做操作。

image

3. 布隆过滤器

1）概述： 布隆过滤器是一种数据结构，比较巧妙的概率型数据结构，实际上是一个很长的二进制向量和一系列随机映射函数，特点是高效地插入和查询，可以用来告诉你 “某样东西一定不存在或者可能存在”，相比于传统的 List、Set、Map 等数据结构，它更高效、占用空间更少，但是缺点是其返回的结果是概率性的，而不是确切的。

2）返回结果的不确切性： 布隆过滤器是一个 bit 向量或者说 bit 数组：假设有 8 位

image

映射数据 1： 使用多个不同的哈希函数生成多个哈希值，并对每个生成的哈希值指向的 bit 位置为 1，比如三次 hash 完后，data1 将 1、3、6 位，置为 1；

image

映射数据 2： data2 将 2、3、6 位，置为 1，此时由于 hash 为随机性，所以 6 位和 data1 有重复的，便会覆盖 data1 的第 6 位的 1；

image

问题来了！！

6 这个 bit 位由于两个值的哈希函数都返回了这个 bit 位，因此它被覆盖了，当我们如果想查询 data3 这个值是否存在，假设哈希函数返回了 1、5、6 三个值，结果我们发现 5 这个 bit 位上的值为 0，说明没有任何一个值映射到这个 bit 位上，因此我们可以很确定地说 data3 这个值不存在。而当我们需要查询 data1 这个值是否存在的话，那么哈希函数必然会返回 1、3、6，然后我们检查发现这三个 bit 位上的值均为 1，那么我们是否可以说 data1 存在了么？答案是不可以，只能是 data1 这个值可能存在！因为随着增加的值越来越多，被置为 1 的 bit 位也会越来越多，这样某个值 data4 即使没有被存储过，但是万一哈希函数返回的三个 bit 位都被其他位置位了 1 ，那么程序还是会判断 data4 这个值存在。

所以： 布隆过滤器的长度会直接影响误报率，布隆过滤器越长且误报率越小。

3）简单剖析布隆过滤器源码

导入 guava 的包：

<dependency>     <groupId>com.google.guava</groupId>     <artifactId>guava</artifactId>     <version>23.0</version></dependency>    复制代码

源码： BloomFilter 一共四个 create 方法，最终都是走向第四个方法；

public static <T> BloomFilter<T> create(Funnel<? super T> funnel, int expectedInsertions) {        return create(funnel, (long) expectedInsertions);    }  
    public static <T> BloomFilter<T> create(Funnel<? super T> funnel, long expectedInsertions) {        return create(funnel, expectedInsertions, 0.03); // FYI, for 3%, we always get 5 hash functions    }
    public static <T> BloomFilter<T> create(          Funnel<? super T> funnel, long expectedInsertions, double fpp) {        return create(funnel, expectedInsertions, fpp, BloomFilterStrategies.MURMUR128_MITZ_64);    }
    static <T> BloomFilter<T> create(      Funnel<? super T> funnel, long expectedInsertions, double fpp, Strategy strategy) {     ......    }复制代码

参数类型： funnel：数据类型；expectedInsertions：期望插入的值的个数；fpp：错误率(默认值为 0.03)；strategy：哈希算法。

总结： 错误率越大，所需空间和时间越小；反之错误率越小，所需空间和时间越大！

二、缓存击穿

1、什么是缓存击穿？

在平常高并发的系统中，大量的请求同时查询一个 key 时，此时这个 key 正好失效了，就会导致大量的请求都打到数据库上面去。这种现象我们称为缓存击穿

2、问题排查

1. Redis 中某个 key 过期，该 key 访问量巨大

2. 多个数据请求从服务器直接压到 Redis 后，均未命中

3. Redis 在短时间内发起了大量对数据库中同一数据的访问

3、如何解决

1. 使用互斥锁(mutex key)

这种解决方案思路比较简单，就是只让一个线程构建缓存，其他线程等待构建缓存的线程执行完，重新从缓存获取数据就可以了。如果是单机，可以用 synchronized 或者 lock 来处理，如果是分布式环境可以用分布式锁就可以了（分布式锁，可以用 memcache 的 add, redis 的 setnx, zookeeper 的添加节点操作）。

[图片上传失败...(image-6d9ac9-1611901471864)]

2. "提前"使用互斥锁(mutex key)

在 value 内部设置 1 个超时值(timeout1), timeout1 比实际的 redis timeout(timeout2)小。当从 cache 读取到 timeout1 发现它已经过期时候，马上延长 timeout1 并重新设置到 cache。然后再从数据库加载数据并设置到 cache 中

3. "永远不过期"

• 从 redis 上看，确实没有设置过期时间，这就保证了，不会出现热点 key 过期问题，也就是“物理”不过期。

• 从功能上看，如果不过期，那不就成静态的了吗？所以我们把过期时间存在 key 对应的 value 里，如果发现要过期了，通过一个后台的异步线程进行缓存的构建，也就是“逻辑”过期

image.png

4. 缓存屏障

class MyCache{
    private ConcurrentHashMap<String, String> map;
    private CountDownLatch countDownLatch;
    private AtomicInteger atomicInteger;
    public MyCache(ConcurrentHashMap<String, String> map, CountDownLatch countDownLatch,                   AtomicInteger atomicInteger) {        this.map = map;        this.countDownLatch = countDownLatch;        this.atomicInteger = atomicInteger;    }
    public String get(String key){
        String value = map.get(key);        if (value != null){            System.out.println(Thread.currentThread().getName()+"\t 线程获取value值 value="+value);            return value;        }        // 如果没获取到值        // 首先尝试获取token，然后去查询db，初始化化缓存；        // 如果没有获取到token，超时等待        if (atomicInteger.compareAndSet(0,1)){            System.out.println(Thread.currentThread().getName()+"\t 线程获取token");            return null;        }
        // 其他线程超时等待        try {            System.out.println(Thread.currentThread().getName()+"\t 线程没有获取token，等待中。。。");            countDownLatch.await();        } catch (InterruptedException e) {            e.printStackTrace();        }        // 初始化缓存成功，等待线程被唤醒        // 等待线程等待超时，自动唤醒        System.out.println(Thread.currentThread().getName()+"\t 线程被唤醒，获取value ="+map.get("key"));        return map.get(key);    }
    public void put(String key, String value){
        try {            Thread.sleep(2000);        } catch (InterruptedException e) {            e.printStackTrace();        }
        map.put(key, value);
        // 更新状态        atomicInteger.compareAndSet(1, 2);
        // 通知其他线程        countDownLatch.countDown();        System.out.println();        System.out.println(Thread.currentThread().getName()+"\t 线程初始化缓存成功！value ="+map.get("key"));    }
}
class MyThread implements Runnable{
    private MyCache myCache;
    public MyThread(MyCache myCache) {        this.myCache = myCache;    }
    @Override    public void run() {        String value = myCache.get("key");        if (value == null){            myCache.put("key","value");        }
    }}
public class CountDownLatchDemo {    public static void main(String[] args) {
        MyCache myCache = new MyCache(new ConcurrentHashMap<>(), new CountDownLatch(1), new AtomicInteger(0));
        MyThread myThread = new MyThread(myCache);
        ExecutorService executorService = Executors.newFixedThreadPool(5);        for (int i = 0; i < 5; i++) {            executorService.execute(myThread);        }    }}复制代码

4.总结

缓存击穿就是单个高热数据过期的瞬间，数据访问量较大，未命中 redis 后，发起了大量对同一数据的数据库访问，导致对数据库服务器造成压力。应对策略应该在业务数据分析与预防方面进行，配合运行监控测试与即时调整策略，毕竟单个 key 的过期监控难度较高，配合雪崩处理策略即可。

三、缓存雪崩

1. 什么是缓存雪崩？

缓存雪崩是指： 某一时间段，缓存集中过期失效，即缓存层出现了错误，不能正常工作了；于是所有的请求都会达到存储层，存储层的调用量会暴增，造成 “雪崩”；

比如：双十二临近 12 点，抢购商品，此时会设置商品在缓存区，设置过期时间为 1 小时，当到了 1 点时，缓存过期，所有的请求会落到存储层，此时数据库可能扛不住压力，自然 “挂掉”。

2. 解决办法

redis 高可用

这个思想的含义是，既然 redis 有可能挂掉，那我多增设几台 redis，这样一台挂掉之后其他的还可以继续工作，其实就是搭建的集群。

限流降级

这个解决方案的思想是，在缓存失效后，通过加锁或者队列来控制读数据库写缓存的线程数量。比如对某个 key 只允许一个线程查询数据和写缓存，其他线程等待。

数据预热

数据预热的含义就是在正式部署之前，我先把可能的数据先预先访问一遍，这样部分可能大量访问的数据就会加载到缓存中，在即将发生大并发访问前手动触发加载缓存不同的 key，设置不同的过期时间，让缓存失效的时间点尽量均匀。

四、缓存预热

1.什么是缓存预热

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。如图所示：

image.png

如果不进行预热， 那么 Redis 初识状态数据为空，系统上线初期，对于高并发的流量，都会访问到数据库中， 对数据库造成流量的压力。

2.问题排查

1. 请求数量较高

2. 主从之间数据吞吐量较大，数据同步操作频度较高

3.有什么解决方案？

前置准备工作：

1. 日常例行统计数据访问记录，统计访问频度较高的热点数据

2. 利用 LRU 数据删除策略，构建数据留存队列

准备工作：

1. 将统计结果中的数据分类，根据级别，redis 优先加载级别较高的热点数据

2. 利用分布式多服务器同时进行数据读取，提速数据加载过程

3. 热点数据主从同时预热

实施：

1. 使用脚本程序固定触发数据预热过程

2. 如果条件允许，使用了 CDN（内容分发网络），效果会更好

4.总结

缓存预热就是系统启动前，提前将相关的缓存数据直接加载到缓存系统。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

五、缓存降级

降级的情况，就是缓存失效或者缓存服务挂掉的情况下，我们也不去访问数据库。我们直接访问内存部分数据缓存或者直接返回默认数据。

举例来说：

对于应用的首页，一般是访问量非常大的地方，首页里面往往包含了部分推荐商品的展示信息。这些推荐商品都会放到缓存中进行存储，同时我们为了避免缓存的异常情况，对热点商品数据也存储到了内存中。同时内存中还保留了一些默认的商品信息。如下图所示：

image.png

降级一般是有损的操作，所以尽量减少降级对于业务的影响程度。

作者：码农清风

链接：https://juejin.cn/post/6922736577026195464