缓存—雪崩、击穿、穿透、缓存一致性

缓存和数据库的一致性问题

数据同时放在缓存和数据库中，第一次读走数据库，然后将数据放到缓存，下次读走缓存更快，加快读操作。但是写操作需要同时更新缓存和数据库。

两种方案:
1、先删缓存值，再更新数据库

• 问题：
  假设现在是线程1删除缓存之后、更新数据库之前，线程2读数据，发现缓存中没有数据，就会到数据库去读，此时数据库里还是旧值，读到旧值并更新到缓存，之后缓存里存的就是旧值，数据库里存的线程1更新的新值。
• 解决办法：延迟双删
  线程1估算线程2读数据+写缓存的时间t，在等待t之后去缓存中删除线程2设置的旧值。

2、先更新数据库，再删缓存值

• 问题：删除缓存之前，别的线程会读到旧数据
• 解决办法：删除缓存之前，在缓存中暂存读操作，删除之后再执行读操作。

如何选择？
优先使用方案一
因为方案二中，如果删除缓存失败，那缓存中存的就是旧数据，之后的所有线程读到的就全部是错误的数据了。虽然可以借助消息队列的失败重试机制，但是问题会变得更加复杂，怎么保证消息不丢失，及时成功删除，消息延迟导致缓存删除的更晚，读到旧数据的线程更多。

可以不删除缓存值，而是更新缓存值吗？
尝试分析更新缓存值的两种情况，看是否可以

1、先更新数据库，再更新缓存：
如果更新数据库成功，但缓存更新失败，此时数据库中是最新值，但缓存中是旧值，后续的读请求会直接命中缓存，得到旧值。

2、先更新缓存，再更新数据库：
如果更新缓存成功，但数据库更新失败，此时缓存中是最新值，数据库中是旧值，后续读请求会直接命中缓存，得到的是最新值，短期对业务影响不大。
但是，一旦缓存过期被淘汰，读请求就会从数据库中重新加载旧值到缓存中，之后的读请求会从缓存中得到旧值。

所以还是删除缓存比较好。

缓存雪崩-大量数据同时失效

什么是缓存雪崩？
缓存雪崩是指大量的应用请求无法在Redis缓存中进行处理，紧接着，应用将大量请求发送到数据库层，导致数据库层的压力激增。造成数据库也会挂掉的情况。

解决方案：

• 数据预热
  数据加热的含义就是在正式部署之前，先把可能大量访问的数据先预先访问一遍，这样这些可能大量访问的数据就会被加载到缓存中。

• 加随机值使得缓存失效时间分散开
  不同缓存的失效时间不能一致，同一种缓存的失效时间也尽量随机(最小值–>最大值)，比如我们可以在原有的失效时间基础上增加一个随机值，比如1-5分钟随机，这样每一个缓存的过期时间的重复率就会降低，就很难引发集体失效的事件。

• 服务降级
  保证核心服务的稳定，暂停掉对非核心服务的支持或有限支持。

缓存击穿-热点key失效

什么是缓存击穿？
热点key失效了，在缓存失效的瞬间，有大量线程来重建缓存，造成后端负载加大，甚至可能会让应用崩溃。和缓存雪崩相比，缓存击穿失效的数据量要小很多，应对方法也不一样。

解决办法
对于访问特别频繁的热点数据，就不设置过期时间了

缓存穿透-访问不存在的数据

缓存穿透是指查询一个根本不存在的数据，缓存层和存储层都不命中

解决办法：

1、缓存空对象
对于不存在的数据，同样设置一个特殊的value到缓存中，比如当数据库中查出的用户信息为空的时候，设计某个值这样具有特殊含义的字符串到缓存中。这样下次请求 缓存的时候还是可以命中缓存，即直接从缓存返回结果，不查询数据库
但是，这种方式可能会把大量无效的数据加入到缓存中，如果担心大量无效数据占满缓存的话还可以考虑方案二，即使用布隆过滤器做前置过滤

String get(String key) {
    // 从缓存中获取数据
    String cacheValue = cache.get(key);
    // 缓存为空
    if (StringUtils.isBlank(cacheValue)) {
        // 从存储中获取
        String storageValue = storage.get(key);
        cache.set(key, storageValue);
        // 如果存储数据为空， 需要设置一个过期时间(300秒)
        if (storageValue == null) {
            cache.expire(key, 60 * 5);
        }
        return storageValue;
    } else {
        // 缓存非空
        return cacheValue;
    }
}

2、 布隆过滤器拦截
对于恶意攻击，向服务器请求大量不存在的数据造成的缓存穿透，还可以用布隆过滤器先做一次过滤，对于不存在的数据布隆过滤器一般都能够过滤掉，不让请求再往后端发送。
当布隆过滤器说某个值存在时，这个值可能不存在；当它说不存在时，那就肯定不存在。

布隆过滤器原理：
向布隆过滤器中添加 key 时，会使用多个 hash 函数对 key 进行 hash 算得一个整数索引值然后对位数组长度进行取模运算得到一个位置，每个 hash 函数都会算得一个不同的位置。再把位数组的这几个位置都置为 1 就完成了 add 操作。

向布隆过滤器询问 key 是否存在时，跟 add 一样，也会把 hash 的几个位置都算出来，看看位数组中这几个位置是否都为 1，只要有一个位为 0，那么说明布隆过滤器中这个key 不存在。如果都是 1，这并不能说明这个 key 就一定存在，只是极有可能存在，因为这些位被置为 1 可能是因为其它的 key 存在所致。如果这个位数组比较稀疏，这个概率就会很大，如果这个位数组比较拥挤，这个概率就会降低。

这种方法适用于数据命中不高、 数据相对固定的应用场景。

其实，方案二可以和方案一同时使用，即将布隆过滤器前置，对于误判的情况再保存特殊值到缓存，双重保险 避免无效数据查询请求打到数据库

缓存雪崩、击穿、穿透总结