八、Redis消息模式与缓存问题

八、Redis消息模式

8.1、队列模式

使用list类型的lpush和rpop实现消息队列

注意事项

• 消息接收方如果不知道队列中是否有消息，会一直发送rpop命令，如果这样的话，会每一次都建立一次连接，这样显然不好。
• 可以使用brpop命令，它如果从队列中取不出来数据，会一直阻塞，在一定范围内没有取出则返回null、

8.2、发布订阅模式

• 订阅消息（subscribe）

示例：subscribe kkb-channel

• 发布消息（publish）
  
  publish kkb-channel “我是灭霸詹”
• Redis发布订阅命令

九、缓存穿透、缓存击穿、缓存失效

9.1、缓存数据的步骤

• 查询缓存，如果没有数据，则查询数据库。
• 查询数据库，如果数据不为空，将结果写入缓存。

9.2、缓存穿透

什么叫缓存穿透？

一般的缓存系统，都是按照key去缓存查询，如果不存在对应的value，就应该去后端系统查找（比如DB）。如果key对应的value是一定不存在的，并且对该key并发请求量很大，就会对后端系统造成很大的压力。这就叫做缓存穿透。

如何解决？

• 对查询结果为空的情况也进行缓存，缓存时间设置短一点，或者该key对应的数据insert了之后清理缓存。
• 对一定不存在的key进行过滤。可以把所有的可能存在的key放到一个大的Bitmap中，查询时通过该bitmap过滤。（布隆表达式）

9.3、缓存雪崩

什么叫缓存雪崩？

当缓存服务器重启或者大量缓存集中在某一个时间段失效，这样在失效的时候，也会给后端系统(比如DB)带来很大压力。

如何解决？

• 在缓存失效后，通过加锁或者队列来控制读数据库写缓存的线程数量。比如对某个key只允许一个线程查询数据和写缓存，其他线程等待。
• 不同的key，设置不同的过期时间，让缓存失效的时间点尽量均匀。
• 做二级缓存，A1为原始缓存，A2为拷贝缓存，A1失效时，可以访问A2，A1缓存失效时间设置为短期，A2设置为长期（此点为补充）

9.4、缓存击穿

什么叫缓存击穿？

• 对于一些设置了过期时间的key，如果这些key可能会在某些时间点被超高并发地访问，是一种非常“热点”的数据。这个时候，需要考虑一个问题：缓存被“击穿”的问题，这个和缓存雪崩的区别在于这里针对某一key缓存，前者则是很多key。
• 缓存在某个时间点过期的时候，恰好在这个时间点对这个Key有大量的并发请求过来，这些请求发现缓存过期一般都会从后端DB加载数据并回设到缓存，这个时候大并发的请求可能会瞬间把后端DB压垮。

如何解决？

使用redis的setnx互斥锁先进行判断，这样其他线程就处于等待状态，保证不会有大并发操作去操作数据库。

if(redis.sexnx()==1){
	//查询数据库
	//加入线程
}

十、缓存淘汰策略之LRU

10.1、Redis内置缓存淘汰策略

最大缓存

• 在 redis中，允许用户设置最大使用内存大小maxmemory，默认为0，没有指定最大缓存，如果有新的数据添加，超过最大内存，则会使redis崩溃，所以一定要设置。
• redis 内存数据集大小上升到一定大小的时候，就会实行数据淘汰策略。

淘汰策略

redis淘汰策略配置：maxmemory-policy voltile-lru，支持热配置。

redis 提供 6种数据淘汰策略：

• voltile-lru：从已设置过期时间的数据集（server.db[i].expires）中挑选最近最少使用的数据淘汰。
• volatile-ttl：从已设置过期时间的数据集（server.db[i].expires）中挑选将要过期的数据淘汰。
• volatile-random：从已设置过期时间的数据集（server.db[i].expires）中任意选择数据淘汰。
• allkeys-lru：从数据集（server.db[i].dict）中挑选最近最少使用的数据淘汰。
• allkeys-random：从数据集（server.db[i].dict）中任意选择数据淘汰。
• no-enviction（驱逐）：禁止驱逐数据。

10.2、LRU原理

LRU（Least recently used，最近最少使用）算法根据数据的历史访问记录来进行淘汰数据，其核心思想是“如果数据最近被访问过，那么将来被访问的几率也更高”。

10.3、LRU实现

最常见的实现是使用一个链表保存缓存数据，详细算法实现如下：

1. 新数据插入到链表头部；
2. 每当缓存命中（即缓存数据被访问），则将数据移到链表头部；
3. 当链表满的时候，将链表尾部的数据丢弃。

在Java中可以使用LinkHashMap去实现LRU。

10.4、分析

【命中率】
当存在热点数据时，LRU的效率很好，但偶发性的、周期性的批量操作会导致LRU命中率急剧下降，缓存污染情况比较严重。
【复杂度】
实现简单。
【代价】
命中时需要遍历链表，找到命中的数据块索引，然后需要将数据移到头部。