redis缓存雪崩与击穿解决方法

第一次转载

				版权声明：如果您觉得此文对您有帮助，请关注我！					https://blog.youkuaiyun.com/fanrenxiang/article/details/80542580				</div>
							<link rel="stylesheet" href="https://csdnimg.cn/release/phoenix/template/css/ck_htmledit_views-f57960eb32.css">
							            <link rel="stylesheet" href="https://csdnimg.cn/release/phoenix/template/css/ck_htmledit_views-f57960eb32.css">
					<div class="htmledit_views" id="content_views">
            <p>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：</p>

(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c超时了，好在数据库是读写分离，同时也有进行接口限流，hold住了。

解决方案的话：

方案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.youkuaiyun.com/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。

方案2、接口限流与熔断、降级

重要的接口一定要做好限流策略，防止用户恶意刷接口，同时要降级准备，当接口中的某些服务不可用时候，进行熔断，失败快速返回机制。

方案3、布隆过滤器

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
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     }
    
    
   
   
 
 

我们可调用BloomFilter的这个方法显式的指定误判率：

private static BloomFilter<Integer> 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：

方案1、也是像解决缓存穿透一样加锁排队，实现同上;

方案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;

方案3、设置缓存超时时间的时候加上一个随机的时间长度，比如这个缓存key的超时时间是固定的5分钟加上随机的2分钟，酱紫可从一定程度上避免雪崩问题；

 
 

   
   

    
    

   
   
   
   

    
    

     
     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。其实redis自身就是单线程操作，多个client并发操作，按照先到先执行的原则，先到的先执行，其余的阻塞。当然，另外的解决方案是把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。

---

 引申阅读: 使用quartz实现高级定制化定时任务（包含管理界面）

 推荐阅读:elastic search搜索引擎实战demo:https://github.com/simonsfan/springboot-quartz-demo，分支:feature_es

@[TOC](这里写自定义目录标题)

欢迎使用Markdown编辑器

你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

1. 全新的界面设计 ，将会带来全新的写作体验；
2. 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
3. 增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
4. 全新的 KaTeX数学公式 语法；
5. 增加了支持甘特图的mermaid语法¹ 功能；
6. 增加了 多屏幕编辑 Markdown文章功能；
7. 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
8. 增加了 检查列表 功能。

功能快捷键

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

删除文本

引用文本

H₂O is是液体。

2¹⁰ 运算结果是 1024.

插入链接与图片

链接: link.

图片:

带尺寸的图片:

居中的图片:

居中并且带尺寸的图片:

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

• 项目
  • 项目
    • 项目

1. 项目1
2. 项目2
3. 项目3

• 计划任务
• 完成任务

创建一个表格

一个简单的表格是这么创建的：

项目	Value
电脑	$1600
手机	$12
导管	$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列	第二列	第三列
第一列文本居中	第二列文本居右	第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPE	ASCII	HTML
Single backticks	'Isn't this fun?'	‘Isn’t this fun?’
Quotes	"Isn't this fun?"	“Isn’t this fun?”
Dashes	-- is en-dash, --- is em-dash	– is en-dash, — is em-dash

创建一个自定义列表

Markdown

Text-to- HTML conversion tool

Authors

John

Luke

如何创建一个注脚

一个具有注脚的文本。²

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 $\Gamma (n)=(n-1)!\forall n\in \mathbb{N}$ 是通过欧拉积分

$$\Gamma (z)={\int }_0^{\infty }{t}^{z-1}{e}^{-t}dt.$$

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能，丰富你的文章

• 关于 甘特图 语法，参考 这儿,

UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图：:

这将产生一个流程图。:

• 关于 Mermaid 语法，参考 这儿,

FLowchart流程图

我们依旧会支持flowchart的流程图：

• 关于 Flowchart流程图 语法，参考 这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件或者.html文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。

---

1. mermaid语法说明 ↩︎

2. 注脚的解释 ↩︎