Redis缓存穿透、缓存雪崩、Redis并发问题分析

2401_87167637

于 2024-09-17 20:00:40 发布

阅读量551

点赞数 4

分类专栏：技术交流&学习资料看我主页文章标签：缓存 redis 数据库

本文链接：https://blog.csdn.net/2401_87167637/article/details/142318060

版权

技术交流&学习资料看我主页专栏收录该内容

7 篇文章 0 订阅

订阅专栏

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宕机了，好在数据库是多主多从的，hold住了。

解决方案的话：

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.csdn.net/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。

2、布隆过滤器（推荐）

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：

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传


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:

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

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：


726574430507)]



[外链图片转存中...(img-dKDOeP2I-1726574430507)]



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：