缓存预热、缓存雪崩、缓存击穿、缓存穿透、性能监控指标
缓存预热
前期准备工作:
- 日常例行统计数据访问记录,统计访问频度较高的热点数据
- 利用LRU数据删除策略,构建数据留存队列
例如:storm和Kafka配合
准备工作:
- 将统计结果中的数据分类,根据级别,redis优先加载级别较高的热点数据
- 利用分布式多服务器同时进行数据读取,提速数据加载过程
实施:
- 使用脚本程序固定触发数据预热过程
- 如果条件允许,使用了CDN(内容分发网络),效果会更好
总结:
缓存预热就是系统启动前,提前将相关的缓存数据直接加载到缓存系统。避免在用户请求的时候,先查 询数据库,然后再将数据缓存的问题!用户直接查询实现被预热的缓存数据!直接查的话会让刚开始的 请求都打到数据库上,导致数据库前期出现瓶颈问题。
缓存预热分为冷预热、热预热两种。(阿里面试问到)
缓存雪崩
- 在一个较短的时间内,缓存中较多的key集中过期
- 此周期内请求访问过气的数据,redis未命中,redis向数据库获取数据
- 数据库同时接收到大量的请求无法及时处理
- Redis大量请求被积压,开始出现超时现象
- 数据库流量激增没数据库崩溃
- 重启后仍然面对缓存中无数据可用
- Redis服务器资源被严重占用,Redis服务器崩溃
- Redis集群呈现崩溃,集群瓦解
- 应用服务器无法及时得到数据响应请求,来自客户端的请求数量越来越多,应用服务器崩溃
- 应用服务器,Redis,数据库全部重启,效果不理想
解决方案
- 更多的⻚面静态化处理
- 构建多级缓存架构
Nginx缓存 + Redis缓存 + ehcache缓存 - 检测Mysql严重耗时业务进行优化
对数据库的瓶颈排查:例如超时查询、耗时较高事务等 - 灾难预警机制
监控Redis服务器性能指标- CPU占用、CPU使用率
- 内存容量
- 查询平均响应时间
- 线程数
- 限流、降级
短时间内牺牲一些客户体验,限制一部分请求访问,降低应用服务器压力,待业务低速运转后再逐步放开访问。
解决方案
- LRU与LFU切换
- 数据有效期策略调整
- 根据业务数据有效期进行分类错峰,A类90分钟、B类80分钟、C类70分钟
- 过期时间使用固定时间+随机值的形式,稀释集中到期的key的数量
- 超热数据使用永久key
- 定期维护(自动+人工)
对即将过期数据做访问量分析,确认是否延时,配合访问量统计,做热点数据的延时 - 加锁
慎用
缓存击穿
缓存击穿就是单个高热数据过期的瞬间,数据访问量较大,未命中redis后,发起了大量对同一数据的数 据库访问,导致对数据库服务器造成压力。
解决方案
- 预先设定
- 现场调整
监控访问量,对自然流量激增的数据演唱过期时间或设置为永久性key - 后台刷新数据
启动定时任务,高峰期来临之前,刷新数据有效期,确保不丢失 - 二级缓存
设置不同的实效时间,保障不会被同时淘汰就行 - 加锁
分布式锁,防止被击穿,但是要注意也是性能瓶颈,慎重
缓存穿透
- Redis中大面积出现未命中
- 出现非正常的URL访问
问题分析
- 获取的数据在数据库中不存在,数据库查询未得到对应数据
- Redis获取到null数据未进行持久化,直接返回
- 下次此类数据到达重复上述过程
- 出现黑客攻击服务器
解决方案
- 缓存null
对查询结果为null的数据进行缓存(⻓期使用,定期清理),设定段时间,例如30-60秒,最高50分钟; - 白名单策略
- 提前预热各种分类数据id对应的bitmaps,id作为bitmaps的offset,相当于设置了数据白名 单,当加载正常数据时,放行,加载异常数据时直接拦截(效率较低) ;
- 使用布隆过滤器(油罐布隆过滤器的命中问题对当前状况可以忽略)
- 实施监控
实时监控redis命中率(业务正常范围时,通常会有一个波动值)与null数据的占比- 非活动时段波动:通常检测3-5倍,超过5倍纳入重点排查对象
- 活动时段波动:通常检测10-50倍,超过50倍纳入重点排查对象 根据倍数不同,启动不同的排查流程。然后使用黑名单进行防空(运营)
- key加密
每天随机分配几个。在正常的参数里面按照设计好的机制加上某些个参数再作为参数。黑客不知道
这种机制就可以将这种非正常key拦截掉
总结
缓存击穿访问了不存在的数据,跳过了合法数据的redis数据缓存阶段,每次访问数据库,导致对数据库 服务器造成药理。通常此类数据的出现是一个较低的值,当出现此类情况以毒攻毒,并及时报警。应对 策略应该在临时预备案防范方面多做文章。
无论是黑名单还是白名单,都是对整体系统的压力,报警解除后尽快移除。
性能监控指标
- 性能指标:Performance