分布式之缓存击穿

什么是缓存击穿

在谈论缓存击穿之前,我们先来回忆下从缓存中加载数据的逻辑,如下图所示


因此,如果黑客每次故意查询一个在缓存内必然不存在的数据,导致每次请求都要去存储层去查询,这样缓存就失去了意义。如果在大流量下数据库可能挂掉。这就是缓存击穿

场景如下图所示:


我们正常人在登录首页的时候,都是根据userID来命中数据,然而黑客的目的是破坏你的系统,黑客可以随机生成一堆userID,然后将这些请求怼到你的服务器上,这些请求在缓存中不存在,就会穿过缓存,直接怼到数据库上,从而造成数据库连接异常。

解决方案

在这里我们给出三套解决方案,大家根据项目中的实际情况,选择使用.

讲下述三种方案前,我们先回忆下redis的setnx方法

SETNX key value

将 key 的值设为 value ,当且仅当 key 不存在。

若给定的 key 已经存在,则 SETNX 不做任何动作。

SETNX 是『SETif Not eXists』(如果不存在,则 SET)的简写。

可用版本:>=1.0.0

时间复杂度: O(1)

返回值: 设置成功,返回 1。设置失败,返回 0 。

效果如下:

redis> EXISTS job               # job 不存在
(integer)
0

redis> SETNX job
"programmer"    # job 设置成功
(integer)
1

redis> SETNX job
"code-farmer"   # 尝试覆盖 job ,失败
(integer)
0

redis> GET job                  #
没有被覆盖
"programmer"

1.使用互斥锁

该方法是比较普遍的做法,即,在根据key获得的value值为空时,先锁上,再从数据库加载,加载完毕,释放锁。若其他线程发现获取锁失败,则睡眠50ms后重试。

至于锁的类型,单机环境用并发包的Lock类型就行,集群环境则使用分布式锁( redis的setnx)

集群环境的redis代码如下所示:

String get(Stringkey){  
 
  String value = redis.get(key); 
   if (value  == null) {  
 
   if (redis.setnx(key_mutex, "1")) {  
 
       // 3 min timeout to avoid mutex holdercrash  
 
      redis.expire(key_mutex, 3 * 60)  
 
       value =db.get(key);  
       redis.set(key, value);  
       redis.delete(key_mutex);  
    } else {  
 
       //其他线程休息50毫秒后重试  
 
       Thread.sleep(50);  
 
       get(key); 
    }  
  }  
}  

   优点:

           1.思路简单

           2.保证一致性

缺点:

           1.代码复杂度增大             

           2.存在死锁的风险



2、异步构建缓存

在这种方案下,构建缓存采取异步策略,会从线程池中取线程来异步构建缓存,从而不会让所有的请求直接怼到数据库上。该方案redis自己维护一个timeout,当timeout小于System.currentTimeMillis()时,则进行缓存更新,否则直接返回value值。

集群环境的redis代码如下所示:

String get(final String key){  
 
       V v =redis.get(key);  
        String value= v.getValue();  
        long timeout = v.getTimeout();  
 
       if (v.timeout <=System.currentTimeMillis()) {  
 
          // 异步更新后台异常执行  
 
          threadPool.execute(new Runnable() {  
 
              public void run(){  
 
                  String keyMutex = "mutex:" + key;  
 
                  if (redis.setnx(keyMutex, "1")) {  
 
                      // 3 min timeout to avoid mutex holder crash 
 
                      redis.expire(keyMutex, 3 * 60);  
 
                      String dbValue = db.get(key); 
                       redis.set(key, dbValue);  
                       redis.delete(keyMutex);  
                   }  
               }  
           });  
        }  
        return value;  
 
   }  

 

优点:性价最佳,用户无需等待

缺点:无法保证缓存一致性

 

3、布隆过滤器

(1) 原理

布隆过滤器的巨大用处就是,能够迅速判断一个元素是否在一个集合中。因此他有如下三个使用场景:

i.     网页爬虫对URL的去重,避免爬取相同的URL地址

ii.     反垃圾邮件,从数十亿个垃圾邮件列表中判断某邮箱是否垃圾邮箱(同理,垃圾短信)

iii.     缓存击穿,将已存在的缓存放到布隆过滤器中,当黑客访问不存在的缓存时迅速返回避免缓存及DB挂掉。

OK,接下来我们来谈谈布隆过滤器的原理

其内部维护一个全为0的bit数组,需要说明的是,布隆过滤器有一个误判率的概念,误判率越低,则数组越长,所占空间越大。误判率越高则数组越小,所占的空间越小。

假设,根据误判率,我们生成一个10位的bit数组,以及2个hash函数f1,f2),如下图所示(生成的数组的位数和hash函数的数量,我们不用去关心是如何生成的,有数学论文进行过专业的证明)。





(2)性能测试

代码如下:

新建一个maven工程,引入guava包

<dependencies>  
 
      <dependency>  
           <groupId>com.google.guava</groupId>  
           <artifactId>guava</artifactId>  
           <version>22.0</version> 
 
      </dependency>  
    </dependencies> 

测试一个元素是否属于一个百万元素集合所需耗时

package bloomfilter;

import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;
import java.nio.charset.Charset;

public class Test {
    private static int size = 1000000;

    private static BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), size);

    public static void main(String[] args) {
        for (int i = 0; i < size; i++) {
            bloomFilter.put(i);
        }
        long startTime = System.nanoTime(); // 获取开始时间

        //判断这一百万个数中是否包含29999这个数
        if (bloomFilter.mightContain(29999)) {
            System.out.println("命中了");
        }
        long endTime = System.nanoTime();   // 获取结束时间

        System.out.println("程序运行时间: " + (endTime - startTime) + "纳秒");

    }
}

输出如下所示

命中了
程序运行时间: 219386纳秒

也就是说,判断一个数是否属于一个百万级别的集合,只要0.219ms就可以完成,性能极佳。

③误判率的一些概念

首先,我们先不对误判率做显示的设置,进行一个测试,代码如下所示

package bloomfilter;

import java.util.ArrayList;
import java.util.List;

import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;

publicclassTest {
    privatestaticint size = 1000000;

    privatestaticBloomFilter<Integer> bloomFilter =BloomFilter.create(Funnels.integerFunnel(), size);

    public static void main(String[] args){
        for (int i = 0; i < size; i++) {
           bloomFilter.put(i);
        }
       List<Integer> list = newArrayList<Integer>(1000);  

        //故意取10000个不在过滤器里的值,看看有多少个会被认为在过滤器里
        for (int i = size + 10000; i < size + 20000; i++) {  
           if (bloomFilter.mightContain(i)) {  
               list.add(i);  
           }  
        }  
       System.out.println("误判的数量:" + list.size()); 

    }
}

输出结果如下

误判对数量:330

如果上述代码所示,我们故意取10000个不在过滤器里的值,却还有330个被认为在过滤器里,这说明了误判率为0.03.即,在不做任何设置的情况下,默认的误判率为0.03。

下面上源码来证明:

接下来我们来看一下,误判率为0.03时,底层维护的bit数组的长度如下图所示

将bloomfilter的构造方法改为

privatestaticBloomFilter<Integer> bloomFilter =BloomFilter.create(Funnels.integerFunnel(), size,0.01);

即,此时误判率为0.01。在这种情况下,底层维护的bit数组的长度如下图所示

由此可见,误判率越低,则底层维护的数组越长,占用空间越大。因此,误判率实际取值,根据服务器所能够承受的负载来决定,不是拍脑袋瞎想的。

(3)实际使用

redis伪代码如下所示

String get(Stringkey){  
 
  String value = redis.get(key); 
   if (value  == null) {  
 
       if(!bloomfilter.mightContain(key)){
 
          returnnull;
 
       }else{
 
          value= db.get(key);  
          redis.set(key, value);  
        }
    }
    return value
}

优点:

1.  思路简单

2.  保证一致性

3.  性能强

缺点:

1.  代码复杂度增大

2.  需要另外维护一个集合来存放缓存的Key

3.  布隆过滤器不支持删值操作

 本片内容来自于偶然间读到的一片文章,如果作者看到请尽快联系,我会进行处理!!!!

阅读更多
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页

不良信息举报

分布式之缓存击穿

最多只允许输入30个字

加入CSDN,享受更精准的内容推荐,与500万程序员共同成长!
关闭
关闭