Xjzzon的博客

Cache Aside Pattern读的时候，先读缓存，缓存没有再读数据库，读完数据库，放入缓存，同时返回响应。更新的时候，先删除缓存，再更新数据库。缓存双写不一致先修改数据库，再删除缓存，显然不行,万一删缓存失败则缓存不一致了先删缓存，再更新数据库。能解决低并发下的情况，高并发读时容易出现缓存不一致。解决方案:用队列将写请求和读请求串行化，再通过压缩相同读与相同写的方式优化，最后再配合降级，多少时间读不到就直接读数据库，但是不更新缓存。这个优化方案需要考虑实际场景的极端情况，防止过多请求

多层缓存nginx本地缓存抗的是热数据的高并发访问，最热的数据，利用nginx本地缓冲，由于经常被访问，所以可以被锁定在nginx的本地缓存内。redis分布式大规模缓存抗的是很高的离散访问，支撑海量的数据，高并发访问，高可用，nginx只能cache住部分热数据，大部分流量会经常走到redis那。tomcat jvm堆内存缓存主要抗redis大规模灾难，如果redis出现了大规模宕机，导致nginx大量流量直接涌入数据生产服务，那么最后的tomcat堆内存至少可以再抗一下，不至于让

redis实践中的常见问题及解决1.fork耗时导致高并发请求延时RDB和AOF的时候，其实会有生成RDB快照，AOF rewrite，耗费磁盘IO的过程，主进程fork子进程，fork的时候，子进程是需要拷贝父进程的空间内存页表的，也会耗费时间，一般父进程内存有1个G的数据，那么fork可能会耗费20ms左右;如果是10G-30G，那么就会耗费几百毫秒。info stats中的latest_fork_usec可以看到，最近一次fork的时长，redis单机QPS一般在几万，fork可能一下子拖慢几万条

redis replication，单master数据容量有限，要支撑海量数据，只能使用redis cluster。hash算法来了一个key，计算hash值，对节点数量取模。缺陷:只要任一master宕机，那么剩下三分之二的数据都要重新哈希计算。这个很不好。在上述过程没完成前，几乎缓存100%不可用。一致性hash算法+虚拟节点哈希环，保证任何一个master宕机，只有之前在master上的数据会受到影响，因为照着顺时针走，全部在之前master上找不到了，master宕机了，会走到下一个

Redis replication哨兵slave node主要用来进行横向扩容，做读写分离，扩容的slave node可以提高读的吞吐量。除了 在复制完成的时候，需要删除旧的数据，加载新数据集，需要暂停对外服务，其他都可以保证服务不间断。哨兵解决redis replication高可用问题哨兵的主要功能:1.集群监控，负责监控redis master和slave进程是否正常工作。2.消息通知，如果某个redis实例有故障，那么哨兵负责发消息给系统管理员。3.故障转移，master node挂掉

redis生产环境持久化方案redis持久化机制对于生产环境的意义对于大型系统来说，缓冲通常数据量很大，如果redis宕机了，那么从数据库再载入数据到redis中会很慢的，所以持久化意义在于故障的快速恢复。RDB和AOFRDB每隔一段时间生成内存快照。AOF存储的是写指令，当redis一直写入，达到内存限制时，redis会通过LRU清理数据掉数据，此时AOF文件可能还没清理，之后redis继续写入，当AOF大到一定程度时，会基于redis的最新数据进行AOF的rewrite，重新生成AOF文

Redis1、Redis 可以用几十 G 内存来做缓存，Map 不行，一般 JVM 也就分几个 G 数据就够大了2、Redis 的缓存可以持久化，Map 是内存对象，程序一重启数据就没了3、Redis 可以实现分布式的缓存，Map 只能存在创建它的程序里4、Redis 单点吞吐量能达到10万级，是专业的缓存服务，Map 只是一个普通的对象5、Redis 缓存有过期机制，Map 本身无此功...

布隆过滤器作用告诉你某个元素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、占用的控件更小。数据结构布隆过滤器是一个bit向量或者bit，如果我们要映射一个值到布隆过滤器中，我们㤇使用多个不同的哈希函数生成多个哈希值，并将每个生成的哈希值指向的bit位设置为1，如下baidu一词设置了三个位置为1“tencent”一词，对应的情况可以看到，不同的词...

缓存不一致问题缓存更新的4种策略1.给缓存设置过期时间。这样缓存和数据库能保持最终一致性。2.先更新数据库，再更新缓存。问题:1.线程A更新了数据库，线程B再更新了数据库。线程B更新了缓存，线程A更新了缓存。最终结果是缓存以线程A更新的为准，数据库以线程B更新的为准，出现了不一致。2.更新了数据库就去更新缓存，实际上可能这些缓存不是热点数据，且这些缓存需要复杂的计算生成，浪费了性能。...