【Redis】Redis 高并发处理策略

最新推荐文章于 2025-11-09 07:00:00 发布

原创最新推荐文章于 2025-11-09 07:00:00 发布 · 2.8k 阅读

16 ·

CC 4.0 BY-SA版权

文章标签：

#redis #缓存 #分布式 #高并发

Redis 专栏收录该内容

7 篇文章

订阅专栏

本文探讨了在高并发场景下如何利用Redis进行缓存处理，包括数据预热避免懒加载、散列开缓存过期时间防止雪崩、分布式锁控制缓存重建、散列数据分布负载以及防御缓存穿透策略。

在现实中很多的业务场景里，人们常常使用 Redis 作为缓存使用。其性能高，支持数据结构丰富，还具备多种优势特性。

在日常业务中，通常的请求处理过程为：业务系统有请求进来，先查缓存，查不到数据再去查 DB 层，命中后回写缓存，再返回数据。这种模式称之为“赖加载”模式。这样使用缓存策略一般也不会遇到问题，但是当业务平台越来越大，用户数量越来越大的时候。平台要开始考虑高并发场景下是否系统是否支撑的下去。尤其是考虑瞬间大量请求时，系统如何设计。

在这里插入图片描述

存在读写压力，可以采用数据库分库分表的方式，不过基于成本考虑，数据库节点不能无限增加。而且在高并发场景下，数据库的读写速度还是不够快，不足以支撑追求更高吞吐量和更快响应速度。因此，考虑到 Redis 的高性能特性，这时就要考虑下采用怎样的缓存处理策略了。

1、数据预热（避免懒加载）

假设这么一个场景：双十一当天刚刚过 0 点的瞬间，有大量的下单请求到达，如果这时我们采用传统的”懒加载“缓存模式，那么这些大量的请求，将会瞬间全部请求到 DB 层，服务系统就直接宕机了。此时缓存没有来得及产生任何作用，在当前服务挂了以后，还有可能会影响到其他关联服务，从而导致服务雪崩。

针对上述场景的一个解决方案是采用数据预热的方式。在可预见的大量请求到来之前，我们可以通过手动或者定时任务的方式，将相关的数据批量写入到 Redis 缓存中，这样就可以避免大量的基础数据请求直接打到数据库上，从而减轻数据库的读写压力，间接保护了数据库。

2、散列开缓存过期时间（避免缓存雪崩）

缓存雪崩的概念是：Redis 中缓存数据的过期时间过于集中，到达某个时间后，大量缓存集中失效。在缓存大量失效且出现高并发的场景下，大量请求就会击穿缓存，直接打到数据库上。

一种处理方案是，将过期时间散列开来，具体可以通过设置一个过期时间基数，再加上一个随机数作为偏移值。这样就可以避免由于缓存过期时间而导致的缓存集中失效，从而避免出现缓存雪崩问题。

实际上，如果不能将缓存过期时间散列开的话，另一个解决方式是通过定时任务的方式，在缓存过期之前重新批量获取最新的数据，并将其更新到缓存中，重置缓存时间。这样子就能保证缓存关键字会一直存在，不会发生缓存雪崩的现象。

3、分布式锁

通过上面的方法，可以避免大量缓存失效的情况。但是，当某个缓存关键字过期之后，缓存数据还是要失效。此时，在高并发场景下，大量请求还是会直接打到数据库上。这时可以采用分布式锁来控制缓存重建的过程，以保护数据库。

在这里插入图片描述

该方案的实现原理为，当发现某一个热点数据失效后，启用分布式锁。此时如果有大量请求访问应用系统，那么我们只允许一个线程加锁成功，允许其访问数据库重建缓存，其他线程须等待缓存重建后，重新从缓存获取数据，从而保护数据库。

4、散列开数据

如果某个数据实在是太热门了，海量请求不断来袭，此时单个 Redis 节点可能无法支撑那么高的负载。那么就可以采用将数据散列开的方案。

具体操作为：将热点数据的 key 做成多份，均匀散列到多个 Redis 集群中，这样数据请求能均匀打散到这些 Redis 节点上，分担了读压力，缓解了缓存的负载。

5、防御缓存穿透

我们在上面已经有描述过缓存穿透的场景。当我们的业务系统受到大量恶意请求，或者受到黑客攻击，去查询那些既不存在于缓存，也不存在于数据库里的数据，此时缓存就失去了保护数据库的作用。要应对这种情况，通常可以采用缓存空数据或者采用布隆过滤器（BloomFilter）。

缓存空数据

顾名思义，将数据库查询结果为空的 key 也存储在缓存中。当后续出现对该 key 的查询请求时，缓存直接返回空值 null，而避免了其访问数据库。

在这里插入图片描述

不过，缓存空对象也会存在一些弊端：

空值 null 做了缓存，那就意味着缓存中存储了更多的 key，而这些 key 本身会占用更多的内存空间。
缓存与数据库的数据可能会在一段时间内存在数据不一致的情况，这可能会影响到业务。例如，原来在缓存中存有空值的关键字，在数据库里得到更新，获得了非空的值，但这个数据并没有及时同步到缓存中，那么就会影响到相关的业务。

针对上述问题，如果确定 key 对应的数据不会出现有效数据，那么可以针对这类 key 设置一个较短的过期时间，让其自动删除，以释放内存。至于数据一致性问题，可以通过各种策略数据库更新后的数据及时同步到缓存中，最直接的方式就是，每次数据库数据更新，马上对这个 key 的缓存执行一次同步操作。

BloomFilter

布隆过滤器的基本原理是，一个比特位就可以标识一个数据，因此可以节省大量的空间，具体的算法原来在这里就不赘述了。在 Redis 4.0 后，布隆过滤器已经作为一个插件加载到 Redis Server 中了。

在这里插入图片描述

查询请求过来时，首先会去布隆过滤器中查询该 key 是否存在，如果不存在，说明数据库也不会存在该数据，因此缓存也不需要查询了，直接返回空结果。如果存在，则继续按照正常流程执行，先查询缓存，缓存中没有数据时再去查询数据库。

缓存空数据 VS BloomFilter

对于一些恶意攻击，查询的 key 往往各不相同，而且数据数量特别多。此时，第一种方案就显得劣势很大了。因为它需要存储所有空数据的 key，而这些恶意攻击的 key 往往各不相同，不容易预测，而且同一个 key 往往只请求一次。因此即使缓存了这些空数据的 key，由于不再使用第二次，因此也起不了保护数据库的作用。

因此，对于空数据的 key 各不相同、key 重复请求概率低的场景而言，应该选择第二种方案。而对于空数据的 key 数量有限、key 重复请求概率较高的场景而言，应该选择第一种方案。