缓存中常见问题

写后读问题（Write-After-Read Problem）：当一个处理器在读取一个数据的同时，另一个处理器将该数据写入了内存。此时第一个处理器的缓存中的数据已经过期，但是由于它并没有意识到该数据已经被修改，因此会出现错误的结果。
读后写问题（Read-After-Write Problem）：当一个处理器将一个数据写入内存之后，另一个处理器在读取该数据时，由于缓存中的数据并不是最新的，因此会出现错误的结果。
写后写问题（Write-After-Write Problem）：当多个处理器同时对同一个数据进行写操作时，由于缓存数据的不一致性，可能会导致数据被错误地覆盖。

缓存一致性协议：

基于总线的协议：通过总线来实现缓存一致性。处理器之间通过总线进行通信，并且在总线上进行协调，以保证数据的一致性。
基于目录的协议：通过在内存中维护一个目录，来实现缓存一致性。每个处理器的缓存中都有一个缓存目录，该目录中记录了该缓存中存储的数据的状态。当一个处理器修改了一个数据时，会向目录发送一条消息，以通知其他处理器该数据已被修改。
基于哈希的协议：通过哈希算法来实现缓存一致性。在基于哈希的协议中，每个处理器都有一个哈希表，用于记录缓存中的数据与内存中的数据之间的映射关系。当一个处理器修改一个数据时，它会将该数据的哈希值与处理器标识一起发送给其他处理器，以通知它们该数据已被修改。

Redis解决缓存一致性问题：

1、TTL (Time-To-Live)机制

Redis提供了TTL机制，可以为每个缓存键设置过期时间。当缓存键的过期时间到期时，Redis会自动将其删除，这样就可以确保缓存中的数据与数据源中的数据保持一致。不过需要注意的是，TTL机制并不能完全解决缓存一致性问题，因为当缓存键过期时，如果恰好有一个请求正在访问它，那么就会出现缓存“穿透”的问题，这是因为Redis需要重新从数据源中获取数据，而数据源中可能并不存在该数据，这样就会导致请求失败。

2、Cache Aside Pattern

Cache Aside Pattern是一种常用的解决缓存一致性问题的方法，它的基本思路是，当从缓存中获取数据时，首先检查缓存中是否存在该数据，如果存在，则直接返回缓存中的数据；如果不存在，则从数据源中获取数据，并将数据写入缓存中。这种方法的优点是可以保证数据的一致性，缺点是需要维护数据的读写操作，并且存在缓存与数据源之间的不一致性的问题。

3、Write-Through Caching

Write-Through Caching是一种将写操作同步到缓存和数据源的缓存策略。当进行写操作时，数据会先被写入缓存，然后再同步到数据源中。这种方法可以保证数据的一致性，但是对于写操作的性能影响比较大，因为需要等待缓存和数据源都完成写操作后才能返回结果。

4、Read-Through Caching

Read-Through Caching是一种将读操作优先从缓存中获取数据的缓存策略。当进行读操作时，数据会先从缓存中获取，如果缓存中不存在该数据，则从数据源中获取，并将数据写入缓存中。这种方法可以大大提高读操作的性能，但是对于写操作的性能影响比较大，因为需要维护数据的读写操作，并且存在缓存与数据源之间的不一致性的问题。

总的来说，为了解决缓存一致性问题，我们需要综合考虑不同的缓存策略，并根据实际需求进行选择和配置。

二、缓存空间限制

概括：

缓存空间限制指的是系统或应用程序对缓存数据所占用的空间进行限制，以避免占用过多的存储空间而导致系统运行缓慢、程序崩溃等问题。缓存数据量过大，会导致系统存储空间不足，从而影响系统的正常运行。

空间限制实现方式：

通常，缓存空间限制是由系统或应用程序自身进行管理的。例如，Android系统中的应用程序缓存大小是由系统进行限制的，而iOS系统中的应用程序缓存大小是由应用程序自身进行管理的。应用程序也可以设置缓存清理机制，以避免缓存数据过多而导致的空间占用问题。

缓存空间限制的影响

(1) 系统运行缓慢：缓存数据过多会导致系统存储空间不足，从而影响系统的运行速度和响应时间。

(2) 程序崩溃：当缓存空间达到限制时，如果应用程序继续往缓存中写入数据，就会出现程序崩溃的情况。

(3) 数据丢失：如果缓存空间达到限制后，应用程序强制清空缓存，那么未被保存的数据就会丢失。

避免措施：

(1) 对缓存数据进行定期清理：可以设置定期清理缓存数据的时间或容量，避免缓存数据过多而导致的空间占用问题。

(2) 采用增量缓存：增量缓存可以将新数据与已有数据进行合并，避免重复存储，从而节省存储空间。

(3) 设置缓存优先级：可以根据缓存数据的重要性和使用频率，设置缓存数据的优先级，避免重要数据被清除。

(4) 压缩缓存数据：可以采用压缩算法对缓存数据进行压缩，减少存储空间的占用。

Redis避免缓存空间不足的方法：

设置合适的过期时间：可以通过设置适当的过期时间来确保缓存中的数据在一定时间后自动失效。这可以保证缓存中只保存最有用的数据，并释放不需要的空间。
配置最大内存限制：可以通过配置Redis的最大内存限制来限制Redis可以使用的最大内存大小。当Redis达到这个限制时，它会使用一些策略来清理缓存空间，如LRU（最近最少使用）算法等。
使用数据淘汰策略：Redis支持多种数据淘汰策略，如LRU（最近最少使用）、LFU（最不常用）等，可以根据应用场景选择合适的策略，以确保缓存中只保留最有用的数据。
使用Redis集群：可以将Redis分布在多个节点上，并使用Redis集群来管理这些节点。这样可以将缓存数据均匀地分布在多个节点上，减轻单个节点的压力，提高整个缓存系统的容量和可靠性。

三、缓存雪崩问题

概括：

缓存雪崩问题指的是缓存中的大量数据在某个时间点失效，导致缓存服务器短时间内接收到大量请求而导致服务器宕机或响应时间明显变慢的问题。这种现象类似于雪崩效应，因此称为缓存雪崩。

导致原因：

缓存服务器宕机或断电：如果缓存服务器出现故障，会导致所有缓存数据都失效，客户端在短时间内发送大量请求到后端服务器，导致后端服务器过载，甚至宕机。
缓存设置相同的过期时间：如果大量的缓存数据设置了相同的过期时间，这些数据将在同一时刻失效，导致短时间内大量请求发送到后端服务器。
缓存数据热点分布不均：如果某些缓存数据的访问频率高于其他数据，这些数据的缓存将被频繁更新，如果在某个时间点这些数据同时失效，将导致大量请求发送到后端服务器。

解决方案：

设置不同的缓存过期时间：避免所有缓存数据在同一时刻失效，可以设置不同的过期时间，使得缓存数据的失效时间分散在不同的时间点。
数据预热：在缓存数据过期之前，可以通过定时任务等方式提前将热点数据预热到缓存中，以避免数据失效后重新加载导致的请求过多。
分布式缓存：将缓存分布到不同的服务器中，以减少单个服务器故障对缓存的影响。
备份缓存服务器：备份缓存服务器可以在主服务器故障时接替其工作，避免数据失效和请求过多导致的服务器宕机问题。

Redis解决缓存雪崩问题：

设置过期时间随机性：可以在key的过期时间上增加一定的随机性，使得缓存不会在同一时间同时失效，从而减少缓存雪崩的概率。
搭建Redis集群：将缓存分散到多个Redis节点上，可以减少单个Redis节点宕机对整个系统的影响。
限流降级：在高并发情况下，可以通过限流来控制请求的流量，避免缓存雪崩的发生。同时，也可以在缓存失效时，通过降级策略来保证系统的可用性，如返回默认值或者直接访问数据库。
热点数据预热：在系统启动的时候，可以提前将常用的热点数据加载到缓存中，避免在高并发时造成缓存雪崩。
懒加载：在数据被缓存时，可以不立即将数据加载到缓存中，而是在第一次请求时进行加载，避免在同一时间大量请求导致缓存失效。

四、缓存击穿问题

概括：

缓存击穿是指在高并发情况下，一个热点数据的缓存失效后，大量的请求直接绕过缓存，直接访问数据库或者其他存储介质，导致存储介质压力瞬间增大，系统性能下降，甚至瘫痪。这种情况通常发生在一个非常受欢迎的热点数据，例如一个商品详情页面、某个广告素材等。

通常情况下，缓存是通过一定的过期策略进行更新，当缓存中的数据过期时，会在下次请求到来时从存储介质重新获取数据并放入缓存中。但是在高并发情况下，如果热点数据的缓存刚好在请求到来之前失效了，那么就会出现缓存击穿的情况。

当缓存失效时，如果没有对该数据加锁或者使用互斥锁等方式进行保护，那么在大量请求到来时，都会直接访问存储介质，导致存储介质瞬间压力剧增。这时，系统资源不足，性能下降，很容易导致系统瘫痪。

解决方法：

设置短暂的过期时间：通过设置较短的过期时间，确保缓存的数据及时更新。但是，过短的过期时间也会导致频繁的缓存更新，增加了系统的负载。
加锁或使用互斥锁：当一个请求进入时，先尝试获取锁，如果获取成功，那么就可以去缓存中获取数据或者重新生成数据并写入缓存；如果获取失败，就需要等待其他请求完成并释放锁之后才能进行操作。但是加锁也会带来性能上的损耗。
使用分布式锁：在分布式系统中，可以使用分布式锁来保护共享资源。分布式锁是通过在多个节点之间协作实现的，可以避免单点故障和性能瓶颈。
增加缓存容错机制：在缓存失效的情况下，先尝试从缓存中获取数据，如果获取不到就去存储介质中获取数据并放入缓存。这种方法可以避免在短时间内大量请求同时访问存储介质，从而减轻存储介质的压力。

Redis解决方法：

设置过期时间：在缓存中设置短期的过期时间，这样即使缓存被击穿，也只会对后端系统造成短暂的冲击，过期后再次请求就会触发缓存更新。
使用布隆过滤器（主要用于缓存穿透）：在Redis中使用布隆过滤器，可以在缓存层面过滤掉一些明显不存在的数据请求，从而减轻后端系统的压力。
添加互斥锁：在缓存失效的同时，使用Redis提供的分布式锁来锁住对后端系统的请求，确保只有一个线程能够访问后端系统进行数据的加载和缓存更新，从而避免并发请求对后端系统造成压力过大。
缓存预热：在系统启动的时候，将热点数据提前加载到Redis中，避免在高并发情况下缓存未命中导致的缓存击穿。

五、缓存穿透问题

概述：

缓存穿透是指在高并发访问下，缓存中没有但数据库中却存在的数据，导致大量的请求直接落到数据库上，增加了数据库的压力和访问延迟。这种问题一般是由于黑客攻击、爬虫等恶意访问或者输入错误的查询参数等原因引起的。

通常情况下，我们会将查询的结果缓存在缓存中，以提高查询性能和降低数据库的压力。但是，如果某个请求查询的数据在缓存中不存在，同时也不在数据库中，那么这个查询请求就会直接落到数据库上，导致了数据库的压力和访问延迟。当大量这样的请求同时发生时，就会导致数据库的瞬间压力激增，严重影响系统的性能和稳定性。

造成原因：

查询参数错误：请求参数中的某些字段值不符合要求，导致查询结果为空，从而直接落到数据库上。
恶意攻击：攻击者故意构造不存在的请求参数，进行大量的恶意访问，以达到攻击目的。
数据库数据变更：缓存中的数据还未及时更新，但是数据库中的数据已经发生了变更，导致缓存和数据库中的数据不一致，从而直接落到数据库上。

解决办法：

缓存空对象：当查询的结果为空时，可以将空对象（null）缓存到缓存中，避免下一次查询时再次落到数据库上，同时也可以设置缓存的过期时间，防止占用过多的缓存空间。
布隆过滤器：使用布隆过滤器可以快速地判断一个请求的查询参数是否存在，如果不存在，直接返回不存在结果，避免不必要的数据库查询操作。
设置缓存过期时间：将热点数据的缓存过期时间设置得比较长，以避免频繁的缓存失效，减少数据库的访问次数。
预加载缓存：在系统启动时，将热点数据提前加载到缓存中，以避免第一次查询时缓存未命中，导致请求直接落到数据库上。
分布式锁：当缓存失效时，可以使用分布式锁来避免多个线程同时查询数据库，导致数据库压力激增，可以有效控制并发请求对数据库的影响。
数据库层面优化：可以使用数据库的缓存、索引等技术来优化数据库的查询性能，从而减少缓存穿透问题的发生。

Redis解决缓存穿透问题：

布隆过滤器： Redis 提供了 Bloom Filter 模块，可以用于实现布隆过滤器来过滤掉不存在的查询参数，从而减少不必要的数据库查询操作。
缓存空对象：当查询的结果为空时，可以将空对象缓存到 Redis 中，避免下一次查询时再次落到数据库上。
设置缓存过期时间：可以将热点数据的缓存过期时间设置得比较长，以避免频繁的缓存失效，减少数据库的访问次数。
预加载缓存：在系统启动时，将热点数据提前加载到 Redis 中，以避免第一次查询时缓存未命中，导致请求直接落到数据库上。
分布式锁：使用 Redis 的分布式锁来避免多个线程同时查询数据库，导致数据库压力激增。
懒加载缓存：当缓存未命中时，可以将查询请求放入一个队列中，异步查询数据库并缓存结果，从而避免大量的请求同时落到数据库上。
多级缓存：可以将 Redis 作为一级缓存，将本地缓存作为二级缓存，当 Redis 中的缓存未命中时，再从本地缓存中查询，从而减少数据库的访问次数。

六、缓存击穿和缓存穿透的区别

缓存击穿和缓存穿透都是缓存中常见的问题，但是它们的根本原因和解决方式略有不同。

缓存击穿是指某个热点数据失效后，大量并发请求同时涌入服务端，无法从缓存中获取到该数据，导致请求直接落到数据库上，增加了数据库的压力和访问延迟。这种问题一般是由于热点数据的缓存过期时间设置过短，或者缓存服务器宕机等原因引起的。

与之不同的是，缓存穿透是指在高并发访问下，缓存中没有但数据库中却存在的数据，导致大量的请求直接落到数据库上，增加了数据库的压力和访问延迟。这种问题一般是由于黑客攻击、爬虫等恶意访问或者输入错误的查询参数等原因引起的。

为了解决缓存击穿问题，可以采用加锁、分布式锁、设置热点数据的缓存过期时间比较长等方式，保证在缓存中没有该数据时，只有一个请求去查询数据库，其他请求在等待该请求返回结果的过程中直接从缓存中获取数据。

为了解决缓存穿透问题，一种常见的做法是使用布隆过滤器（Bloom Filter），布隆过滤器可以在O(1)的时间内快速判断一个元素是否在集合中，如果布隆过滤器中没有这个元素，那么就可以直接返回查询结果不存在，避免不必要的查询操作。另外，还可以设置一个热点数据的过期时间比较长，或者将热点数据直接放入缓存中，以避免缓存穿透问题。

Htojk

关注

2
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
缓存中常见问题

缓存穿透是指在高并发访问下，缓存中没有但数据库中却存在的数据，导致大量的请求直接落到数据库上，增加了数据库的压力和访问延迟。这种问题一般是由于黑客攻击、爬虫等恶意访问或者输入错误的查询参数等原因引起的。通常情况下，我们会将查询的结果缓存在缓存中，以提高查询性能和降低数据库的压力。但是，如果某个请求查询的数据在缓存中不存在，同时也不在数据库中，那么这个查询请求就会直接落到数据库上，导致了数据库的压力和访问延迟。当大量这样的请求同时发生时，就会导致数据库的瞬间压力激增，严重影响系统的性能和稳定性。
复制链接

扫一扫