Redis 缓存设计与性能优化学习总结

缓存设计

---

缓存穿透

缓存穿透是指查询一个根本不存在的数据， 缓存层和存储层都不会命中，缓存穿透会导致不存在的数据每次请求都要到存储层去查询， 从而失去缓存保护后端存储的意义。
造成缓存穿透的基本原因有两个：
一、 自身业务代码或者数据出现问题。
二、 一些恶意攻击、 爬虫等造成大量空命中。

缓存穿透问题解决方案：

1、缓存空对象

String get(String key) {
    // 从缓存中获取数据
    String cacheValue = cache.get(key);
    // 缓存为空
    if (StringUtils.isBlank(cacheValue)) {
        // 从存储中获取
        String storageValue = storage.get(key);
        cache.set(key, storageValue);
        // 如果存储数据为空， 需要设置一个过期时间(300秒)
        if (storageValue == null) {
            cache.expire(key, 60 * 5);
        }
        return storageValue;
    } else {
        // 缓存非空
        return cacheValue;
    }
}

2、布隆过滤器

对于恶意攻击，向服务器请求大量不存在的数据造成的缓存穿透，还可以用布隆过滤器先做一次过滤，对于不存在的数据布隆过滤器一般都能够过滤掉，不让请求再往后端发送。当布隆过滤器说某个值存在时，这个值可能不存在；当它说不存在时，那就肯定不存在。布隆过滤器就是一个大型的位数组和几个不一样的无偏 hash 函数，所谓无偏就是能够把元素的 hash 值算得比较均匀。

向布隆过滤器中添加 key 时，会使用多个 hash 函数对 key 进行 hash 算得一个整数索引值然后对位数组长度进行取模运算得到一个位置，每个 hash 函数都会算得一个不同的位置。再把位数组的这几个位置都置为 1 就完成了 add 操作。

向布隆过滤器查询 key 是否存在时，跟 add 一样，也会把 hash 的几个位置都算出来，看看位数组中这几个位置是否都为 1，只要有一个位为 0，那么说明布隆过滤器中这个key 不存在。如果都是 1，这并不能说明这个 key 就一定存在，只是极有可能存在，因为这些位被置为 1 可能是因为其它的 key 存在所致。如果这个位数组长度比较大，存在概率就会很大，如果这个位数组长度比较小，存在概率就会降低。
这种方法适用于数据命中不高、 数据相对固定、 实时性低（通常是数据集较大） 的应用场景， 代码维护较为复杂， 但是缓存空间占用很少。

可以用redisson实现布隆过滤器，引入依赖：

<dependency>
   <groupId>org.redisson</groupId>
   <artifactId>redisson</artifactId>
   <version>3.6.5</version>
</dependency>

使用布隆过滤器需要把所有数据提前放入布隆过滤器，并且在增加数据时也要往布隆过滤器里放，布隆过滤器不能删除数据，如果要删除得重新初始化数据。

public class RedissonBloomFilter {

    public static void main(String[] args) {
        Config config = new Config();
        config.useSingleServer().setAddress("redis://localhost:6379");
        //构造Redisson
        RedissonClient redisson = Redisson.create(config);

        //初始化布隆过滤器
		RBloomFilter<String> bloomFilter = redisson.getBloomFilter("nameList");
		//初始化布隆过滤器：预计元素为100000000L,误差率为3%
		bloomFilter.tryInit(100000000L,0.03);
        
		//把所有数据存入布隆过滤器
		void init(){
 		   for (String key: keys) {
    		    bloomFilter.put(key);
   		 }
	}

	String get(String key) {
    	// 从布隆过滤器这一级缓存判断下key是否存在
    	Boolean exist = bloomFilter.contains(key);
    	if(!exist){
        return "";
    	}
    	// 从缓存中获取数据
    	String cacheValue = cache.get(key);
    	// 缓存为空
    	if (StringUtils.isBlank(cacheValue)) {
        	// 从存储中获取
        	String storageValue = storage.get(key);
        	cache.set(key, storageValue);
        	// 如果存储数据为空， 需要设置一个过期时间(300秒)
        	if (storageValue == null) {
            	cache.expire(key, 60 * 5);
        	}
        	return storageValue;
    	} else {
        	// 缓存非空
        	return cacheValue;
    	}
}

缓存失效(击穿)

指由于大批量缓存在同一时间失效可能导致大量请求同时穿透缓存直达数据库，可能会造成数据库瞬间压力过大甚至挂掉，对于这种情况我们在批量增加缓存时最好将这一批数据的缓存过期时间设置为一个时间段内的不同时间。
解决方案：

String get(String key) {
    // 从缓存中获取数据
    String cacheValue = cache.get(key);
    // 缓存为空
    if (StringUtils.isBlank(cacheValue)) {
        // 从存储中获取
        String storageValue = storage.get(key);
        cache.set(key, storageValue);
        //设置一个过期时间(300到600之间的一个随机数)
        int expireTime = new Random().nextInt(300)  + 300;
        if (storageValue == null) {
            cache.expire(key, expireTime);
        }
        return storageValue;
    } else {
        // 缓存非空
        return cacheValue;
    }
}

缓存雪崩

指的是缓存层由于某些原因不能提供服务(比如超大并发过来，缓存层支撑不住，或者由于缓存设计不好，大量请求访问bigkey，导致缓存能支撑的并发急剧下降)， 于是大量请求都会打到存储层，导致存储层的调用量暴增， 造成存储层也会级联宕机的情况。
解决方案：
1、保证缓存层服务高可用性，比如使用Redis Sentinel或Redis Cluster。
2、依赖隔离组件为后端限流熔断并降级。比如使用Sentinel或Hystrix限流降级组件。比如服务降级，我们可以针对不同的数据采取不同的处理方式。当业务应用访问的是非核心数据（例如电商商品属性，用户信息等）时，暂时停止从缓存中查询这些数据，而是直接返回预定义的默认降级信息、空值或是错误提示信息；当业务应用访问的是核心数据（例如电商商品库存）时，仍然允许查询缓存，如果缓存缺失，也可以继续通过数据库读取。
3、对线上流量做预估，提前分配好资源，例如可以备份一套缓存，如果宕机后直接启动备份缓存。

热点缓存key重建优化

当一个冷数据，通过某个热点新闻（例如大V带货）爆火，导致大量的人来购买，但此时缓存中并没有这个商品数据，在缓存失效的瞬间， 有大量线程来重建缓存， 造成后端负载加大， 甚至可能会让应用崩溃。我们可以利用分布式锁来解决这个问题，此方法只允许一个线程重建缓存， 其他线程等待重建缓存的线程执行完， 重新从缓存获取数据即可。
代码示例：

String get(String key) {
    // 从Redis中获取数据
    String value = redis.get(key);
    // 如果value为空， 则开始重构缓存
    if (value == null) {
        // 只允许一个线程重建缓存， 使用setnx， 并设置过期时间ex
        String mutexKey = "mutext:key:" + key;
        if (redis.set(mutexKey, "1", "ex 180", "nx")) {
             // 从数据源获取数据
            value = db.get(key);
            // 回写Redis，并设置过期时间
            redis.setex(key, timeout, value);
            // 删除key_mutex
            redis.delete(mutexKey);
        }// 其他线程休息50毫秒后重试
        else {
            Thread.sleep(50);
            get(key);
        }
    }
    return value;
}

缓存与数据库数据不一致

在大并发下，同时操作数据库与缓存会存在数据不一致性问题

1、双写不一致

2、读写并发不一致

解决方案：
1、对于并发几率很小的数据(如个人维度的订单数据、用户数据等)，这种几乎不用考虑这个问题，很少会发生缓存不一致，可以给缓存数据加上过期时间，每隔一段时间触发读的主动更新即可。
2、就算并发很高，如果业务上能容忍短时间的缓存数据不一致(如商品名称，商品分类菜单等)，缓存加上过期时间依然可以解决大部分业务对于缓存的要求。
3、如果不能容忍缓存数据不一致，可以通过加分布式读写锁保证并发读写或写写的时候按顺序排好队，读读的时候相当于无锁。
4、也可以用阿里开源的canal通过监听数据库的binlog日志及时的去修改缓存，因为binlog是有序的，所以不用担心存在数据库不一致性问题，但是引入了新的中间件，增加了系统的复杂度。

总结：

以上我们针对的都是读多写少的情况加入缓存提高性能，如果写多读多的情况又不能容忍缓存数据不一致，那就没必要加缓存了，可以直接操作数据库。当然，如果数据库抗不住压力，还可以把缓存作为数据读写的主存储，异步将数据同步到数据库，数据库只是作为数据的备份。
放入缓存的数据应该是对实时性、一致性要求不是很高的数据。不要为了用缓存，同时又要保证绝对的一致性做大量的过度设计和控制，增加系统复杂性。

---

缓存性能优化

一、键值设计

key名设计

1、【建议】：可读性和可管理性
以业务名(或数据库名)为前缀(防止key冲突)，用冒号分隔，
比如业务名:表名:id（trade:order:1）

2、【建议】：简洁性
保证语义的前提下，控制key的长度，当key较多时，内存占用也不容忽视，
例如：user:{uid}:friends:messages:{mid} 简化为 u:{uid}:fri:ms:{mid}

3、【强制】：不要包含特殊字符
例如：空格、换行、单双引号以及其他转义字符等

value设计

1、【强制】：拒绝bigkey(防止网卡流量、慢查询)
在Redis中，一个字符串最大512MB，一个二级数据结构（例如hash、list、set、zset）可以存储大约40亿个(2^32-1)个元素，但实际中如果下面两种情况，可以认为它是bigkey。

字符串类型：它的big体现在单个value值很大，一般认为超过10KB就是bigkey。
非字符串类型：哈希、列表、集合、有序集合，它们的big体现在元素个数太多。

查询bigkey：

redis-cli -h 127.0.0.1 -p6379 -a "YourPassword" --bigkeys

一般来说，string类型控制在10KB以内，hash、list、set、zset元素个数不要超过5000

bigkey的危害：

(1)导致redis阻塞
(2)网络拥堵
bigkey也就意味着每次获取要产生的网络流量较大，假设一个bigkey为1MB，客户端每秒并发量为1000，那么每秒产生1000MB的流量，对于普通的千兆网卡(按照字节算是128MB/s)的服务器来说根本消耗不了这么多请求，而且一般服务器会采用单机多实例的方式来部署，也就是说一个bigkey可能会对其他实例也造成影响，所以会导致网络拥堵。
(3)过期删除
例如一个bigkey，设置了过期时间，当它过期后，会被删除，如果没有使用Redis 4.0的过期异步删除(lazyfree-lazy-expire yes)，就会存在阻塞Redis的可能性。
1、删除时，非字符串的bigkey，不使用del删除
因为del​​​命令在删除集合类型数据时，时间复杂度为 ​​O(M)​​，M 是集合中元素的个数，可以使用hscan、sscan、zscan方式渐进式分批删除，通过 scan 命令遍历大key，每次取得少部分元素，对其删除，然后再获取和删除下一批元素。
2、可以使用unlink代替del
unlink可以用异步方式去del键值,但是异步删除键值有一个判断条件，会根据元素的个数来判断是否用异步线程去del，因为异步会有额外的消耗，元素不达标则用主线程删除，元素达标则在所有命名空间中把 key 删掉，立即返回，不会阻塞，后台线程执行再真正的释放空间的操作。

bigkey的产生：

一般来说，bigkey的产生都是由于程序设计不当，或者对于数据规模预料不清楚造成的，来看几个例子：
(1) 社交类：粉丝列表，如果某些明星或者大v不精心设计下，必定是bigkey。
(2) 统计类：例如按天存储某项功能或者网站的用户集合，也有可能是bigkey。
(3) 缓存类：将数据从数据库load出来序列化放到Redis里，这个方式非常常用，但有两个地方需要注意，第一，是不是有必要把所有字段都缓存；第二，有没有相关关联的数据，有的同学为了图方便把相关数据都存一个key下，产生bigkey。

如何优化bigkey：

(1)、拆分key
big list： list1、list2、…listN
big hash：可以讲数据分段存储，比如一个大的key，假设存了1百万的用户数据，可以拆分成200个key，每个key下面存放5000个用户数据

(2)、 根据业务场景使用取值命令
如果bigkey不可避免，也要思考一下要不要每次把所有元素都取出来(例如有时候仅仅需要hmget，而不是hgetall)，删除也是一样，尽量使用优雅的方式来处理。

2、【推荐】：选择适合的数据类型
例如：实体类型(合理控制和使用数据结构，也要注意节省内存和性能之间的平衡)
反例：
set user:1:name tom
set user:1:age 19
set user:1:favor football
正例:
hmset user:1 name tom age 19 favor football

3、【推荐】：控制key的生命周期
建议使用expire设置过期时间(可以用过期时间+random随机数，防止集中过期)。

二、命令使用

1、【推荐】： O(N)命令关注N的数量
例如hgetall、lrange、smembers、zrange、sinter等并非不能使用，但是需要明确N的值。有遍历的需求可以使用hscan、sscan、zscan代替。

2、【推荐】：禁用命令
禁止线上使用keys、flushall、flushdb等，通过redis的rename机制禁掉命令，或者使用scan的方式渐进式处理。

3、【推荐】：合理使用select
redis的多数据库较弱，使用数字进行区分，很多客户端支持较差，同时多业务用多数据库实际还是单线程处理，会有干扰。

4、【推荐】：使用批量操作提高效率
原生命令：例如mget、mset。
非原生命令：可以使用pipeline提高效率。但要注意控制一次批量操作的元素个数(例如500以内，实际也和元素字节数有关)。
注意两者不同：
(1)原生命令是原子操作，pipeline是非原子操作。
(2) pipeline可以打包不同的命令，原生命令做不到
(3) pipeline需要客户端和服务端同时支持。

5.【建议】：Redis事务功能较弱,可以用lua替代

三、客户端使用

1、【推荐】：避免多个应用使用一个Redis实例
不相干的业务拆分，公共数据做服务化。

2、【推荐】：使用带有连接池的数据库
可以有效控制连接，同时提高效率，标准使用方式：

JedisPoolConfig jedisPoolConfig = new JedisPoolConfig();
jedisPoolConfig.setMaxTotal(5);
jedisPoolConfig.setMaxIdle(2);
jedisPoolConfig.setTestOnBorrow(true);

// redisHost为实例的IP， redisPort 为实例端口，redisPassword 为实例的密码，timeout 既是连接超时又是读写超时
JedisPool jedisPool = new JedisPool(jedisPoolConfig, redisHost, redisPort, timeout, redisPasswor//d);

Jedis jedis = null;
try {
    jedis = jedisPool.getResource();
    //具体的命令
    jedis.executeCommand()
} catch (Exception e) {
    logger.error("op key {} error: " + e.getMessage(), key, e);
} finally {
    //注意这里不是关闭连接，在JedisPool模式下，Jedis会被归还给资源池。
    if (jedis != null) 
        jedis.close();
}

连接池参数含义：

优化建议：

1、maxTotal：最大连接数，早期的版本叫maxActive
设置这个值要考虑多种因素，例如：

业务希望Redis并发量
客户端执行命令时间
Redis资源：例如 nodes(例如应用个数) * maxTotal 是不能超过redis的最大连接数maxclients。
资源开销：例如虽然希望控制空闲连接，但是不希望因为连接池的频繁释放创建连接造成不必靠开销。

例子：
一次命令时间（borrow|return resource + Jedis执行命令(含网络) ）的平均耗时约为1ms，一个连接的QPS大约是1000

业务期望的QPS是50000

那么理论上需要的资源池大小是50000 / 1000 = 50个。但事实上这是个理论值，还要考虑到要比理论值预留一些资源，通常来讲maxTotal可以比理论值大一些。但这个值不是越大越好，一方面连接太多占用客户端和服务端资源，另一方面对于Redis这种高QPS的服务器，一个大命令的阻塞即使设置再大资源池仍然会无济于事。
2、maxIdle
maxIdle实际上才是业务需要的最大连接数，maxTotal是为了给出余量，所以maxIdle不要设置过小，否则会有new Jedis(新连接)开销。
连接池的最佳性能是maxTotal = maxIdle，这样就避免连接池伸缩带来的性能干扰。但是如果并发量不大或者maxTotal设置过高，会导致不必要的连接资源浪费。一般推荐maxIdle设置为按上面的业务期望QPS计算出来的理论连接数，maxTotal可以再放大一倍。
3、minIdle（最小空闲连接数）
也就是至少需要保持的空闲连接数，在使用连接的过程中，如果连接数超过了minIdle，那么继续建立连接，如果超过了maxIdle，超过的连接执行完业务后会慢慢被移出连接池释放掉。

连接池预热

如果系统启动完马上就会有很多的请求过来，那么可以给redis连接池做预热，比如快速的创建一些redis连接，执行简单命令，类似ping()，快速的将连接池里的空闲连接提升到minIdle的数量。

List<Jedis> minIdleJedisList = new ArrayList<Jedis>(jedisPoolConfig.getMinIdle());
//这里使用minIdle，是因为不确定会使用多少连接，但为了保证一个连接没有，所以初始化成minIdle
for (int i = 0; i < jedisPoolConfig.getMinIdle(); i++) {
    Jedis jedis = null;
    try {
        jedis = pool.getResource();
        minIdleJedisList.add(jedis);
        jedis.ping();
    } catch (Exception e) {
        logger.error(e.getMessage(), e);
    } finally {
        //注意，预热的代码里不能马上close将连接还回连接池，否则最后连接池里只会建立1个连接。。
        //jedis.close();
    }
}
//统一将预热的连接还回连接池
for (int i = 0; i < jedisPoolConfig.getMinIdle(); i++) {
    Jedis jedis = null;
    try {
        jedis = minIdleJedisList.get(i);
        //将连接归还回连接池
        jedis.close();
    } catch (Exception e) {
        logger.error(e.getMessage(), e);
    } finally {
    }
}

要根据实际系统的QPS和调用redis客户端的规模整体评估每个节点所使用的连接池大小。

3、【建议】：高并发下建议客户端添加熔断功能(例如sentinel、hystrix)
4、【推荐】：设置合理的密码，如有必要可以使用SSL加密访问
5、【建议】：Redis对于过期键有三种清除策略：
被动删除 ：当读/写一个已经过期的key时，会触发惰性删除策略，直接删除掉这个过期key
主动删除 ：由于惰性删除策略无法保证冷数据被及时删掉，所以Redis会定期(默认每100ms)主动淘汰一批已过期的key，这里的一批只是部分过期key，所以可能会出现部分key已经过期但还没有被清理掉的情况，导致内存并没有被释放
主动清理策略：当前已用内存超过maxmemory限定时触发，主动清理策略在Redis 4.0 之前一共实现了 6 种内存淘汰策略，在 4.0 之后，又增加了 2 种策略，总共8种：
针对设置了过期时间的key做处理：
volatile-ttl：在筛选时，会针对设置了过期时间的键值对，根据过期时间的先后进行删除，越早过期的越先被删除。
volatile-random：就像它的名称一样，在设置了过期时间的键值对中，进行随机删除。
volatile-lru：会使用 LRU 算法筛选设置了过期时间的键值对删除。
volatile-lfu：会使用 LFU 算法筛选设置了过期时间的键值对删除。
针对所有的key做处理：
allkeys-random：从所有键值对中随机选择并删除数据。
allkeys-lru：使用 LRU 算法在所有数据中进行筛选删除。
allkeys-lfu：使用 LFU 算法在所有数据中进行筛选删除。
不处理：
noeviction：不会剔除任何数据，拒绝所有写入操作并返回客户端错误信息"(error) OOM command not allowed when used memory"，此时Redis只响应读操作。

LRU 算法（Least Recently Used，最近最少使用）
淘汰很久没被访问过的数据，以最近一次访问时间作为参考。

LFU 算法（Least Frequently Used，最不经常使用）
淘汰最近一段时间被访问次数最少的数据，以次数作为参考。

当存在热点数据时，这时使用LFU可能更好点，LRU的效率也很好，但偶发性的、周期性的批量操作会导致LRU命中率急剧下降，缓存污染情况比较严重。

根据自身业务类型，配置好maxmemory-policy(默认是noeviction)，推荐使用volatile-lru，也就是没有热点数据时。