Redis缓存问题

项目中为什么使用缓存：

• 加快系统的响应速度，提高系统吞吐量
• 通过缓存可以减少瞬间大量的请求操作数据库，减少数据库IO；避免数据库系统瘫痪，而引起系统不可用

一、缓存穿透：

概念：缓存key对应的数据在缓存中不存在，并且在数据中也不存在；每次请求都会到达数据源，从而可能压垮数据源。比如用一个不存在的用户id获取用户信息，不论缓存还是数据库都没有，若黑客利用此漏洞进行攻击可能压垮数据库
解决方法：

1、缓存null对象：直接把数据库查询的数据放入redis中，即使他是一个空对象；这样可以解决同一个key反复请求数据的问题

缺点：

• 如果更换key他依然会去查询一次数据库，如果有黑客使用一个随机不存在的key频繁访问依然会影响数据库
• 缓存空对象会占用内存

2、布隆过滤器

布隆过滤器：（Bloom Filter）是由布隆在1970年提出的。它实际上是由一个很长的二进制向量和一系列随机映射函数组成，布隆过滤器可以用于检索一个元素是否在一个集合中

算法：
1. 根据一定的规则(误判率)计算出一个长度为n比特的数组，每个比特位初始化为0
2.根据一定的规则(误判率)计算需要k个hash函数，每个函数可以把key散列成为1个整数
3. 某个key加入集合时，用k个hash函数计算出k个散列值，把每个散列值映射到bit数组对应的bit位，并设置为1
4. 判断某个key是否在集合时，用k个hash函数计算出k个散列值，并查询数组中对应的比特位，如果所有的比特位都是1，认为在集合中

优点：使用bit位表示元素是否存在，占用空间小；
缺点：

• 存在误识别率：误判一个元素存在集合中，而实际上他并不存在(不会存在漏报：一个元素不存在数据集中，那么布隆过滤器一定不会判断他存在)
• 删除元素困难：因为同一个bit位可能也标识其他元素；无法删除元素带来的问题是，如果我们把数据集的元素删除了，而布隆过滤器会判断他存在，这样请求依然会进入数据库，如果删除的数据较多我们应该重写布隆过滤器中的数据

<dependency>
    <groupId>com.google.guava</groupId>
    <artifactId>guava</artifactId>
    <optional>true</optional>
</dependency>

    private static int size = 1000000;//预计要插入多少数据
    private static double fpp = 0.01;//期望的误判率
    private static BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), size, fpp);
    public static void main(String[] args) {
        //插入数据
        for (int i = 0; i < size; i++) {
            bloomFilter.put(i);
        }
        int count = 0;
        for (int i = size; i < size*2; i++) {
            if (bloomFilter.mightContain(i)) {
                count++;
                System.out.println(i + "误判了");
            }
        }
        System.out.println("总共的误判数:" + count); //总共的误判数:10314
    }

按照我们程序的执行结果可得出误判率=10314/1000000=0.010314(判断元素是否存在，应该是1000000个不存在) ,和我们定义的期望误差率0.01 接近

二、缓存击穿

概念：缓存key对应的数据存在，但在缓存中已经过期，此时若有大量并发请求过来，这些请求发现缓存过期一般都会从后端数据库加载数据并回写缓存，这个时候大并发的请求可能会瞬间把数据库压垮；例如redis中key的过期时间；该类数据一般是热点数据

解决方案：

• 如果是分布式系统使用分布式锁
• 如果是单机部署JVM锁就可以

伪代码：们需要查缓存两次，这样可以保证在并发场景下，只有第一个线程去查数据库，后面的线程可以用缓存数据

redis.get(key)
lock()
redis.get(key)
select.db
redis.set(key,value)
unlock()

三、缓存雪崩

概念：缓存雪崩是指缓存中的数据大批量到过期时间或者缓存服务器宕机，而查询数据量巨大，引起数据库压力过大甚至down机。和缓存击穿不同的是，缓存击穿指并发查同一条数据，缓存雪崩是不同数据都过期了，很多数据都查不到从而查数据库。

解决方法：

• 缓存服务器：缓存服务器要高可用，例如redis搭建集群或者一主n备
• 过期时间：分散各个key对应的过期时间
• 服务限流或者降级、熔断

四、缓存一致性问题

redis缓存与数据库数据不一致问题

解决方法：

• 延迟双删：休眠时间无法确定，该方法不靠谱
• 使用队列：使用队列可以保证命令的顺序执行，但是影响系统的效率
•  canal同步mysql的binlog：