文章目录
一、前述
关于Redis缓存的击穿、穿透和雪崩应该是再熟悉不过的词了，也是面试常问的高频试题。
不过，对于这三大缓存的问题，有很多人背过了解决方案，却少有人能把思路给理清的，首先大致画了一个系统的简略架构图。
二、缓存穿透
1、简单介绍
缓存穿透是指查询一个根本不存在的数据，缓存层和持久层都不会命中。在日常工作中出于容错的考虑，如果从持久层查不到数据则不写入缓存层，缓存穿透将导致不存在的数据每次请求都要到持久层去查询，失去了缓存保护后端持久的意义~
流程图
正常情况下问题并不大，但是如果用户恶意重复请求在 Redis 和 DB 中都不存在的资源。那么每次请求都会直接打到 DB（Mysql） 上，严重时可能会导致物理 DB（Mysql） 宕机。
2、 解决方案
2.1- 用户请求合法性校验
对用户的请求合法性进行校验，拦截恶意重复请求。
2.2- 缓存空结果
如果系统发现 Redis 及 DB 中都不存在该资源，就缓存空结果一段时间。
注意：空结果的失效时间不能设置的太长，否则数据的实效性会产生很大的问题。
2.3- 布隆过滤器
（1）、布隆过滤器，英文叫BloomFilter，可以说是一个二进制向量和一系列随机映射函数实现。 可以用于检索一个元素是否在一个集合中。 在访问缓存层和存储层之前，将存在的key用布隆过滤器提前保存起来，做第一层拦截，当收到一个对key请求时先用布隆过滤器验证是key否存在，如果存在在进入缓存层、存储层。可以使用bitmap做布隆过滤器。这种方法适用于数据命中不高、数据相对固定、实时性低的应用场景，代码维护较为复杂，但是缓存空间占用少。
（2）、算法描述：
- 初始状态时，BloomFilter是一个长度为m的位数组，每一位都置为0。
- 添加元素x时，x使用k个hash函数得到k个hash值，对m取余，对应的bit位设置为1。
- 判断y是否属于这个集合，对y使用k个哈希函数得到k个哈希值，对m取余，所有对应的位置都是1，则认为y属于该集合（哈希冲突，可能存在误判），否则就认为y不属于该集合。可以通过增加哈希函数和增加二进制位数组的长度来降低错报率。
注意：布隆过滤器的原理还是比较简单的。这里我们需要注意，布隆过滤器可能存在一定误判的可能性，但它依然可以帮助你拦截掉大部分一定不存在的数据。
（3）、案例分析
假设我们现在有一个长度为 9 的 bit 数组，该数组的每个位置上只能保存 1 或者 0，1 标识该位置被占用，0 标识该位置未被使用。
| Key值 | 取模后的值 |
|---|---|
| Key1 | 0、3、5 |
| Key2 | 1、4、6 |
| Key3 | 5、7、8 |
最后，我们会发现这个 bit 数组里只有位置 2还是空着的。如果此时来了一个新的 key4 通过三个Hash算法求出的哈希值为 1、2、4，我们则可以断定 key4 一定不存在。
二、缓存击穿
1、简单介绍
是针对缓存中没有但数据库有的数据。场景是，当Key失效后，假如瞬间突然涌入大量的请求，来请求同一个Key，这些请求不会命中Redis，都会请求到DB，导致数据库压力过大，甚至扛不住，挂掉。
案例：当前key是一个热点key（例如一个秒杀活动），并发量非常大,当秒杀活动开始的时候，Redis 集群中数据在此刻正好过期了，那么无数的请求则直接打到了秒杀系统的物理 DB 上，DB 瞬间挂了~
2、 解决方案
2.1- 热点数据永远不过期
- 从缓存层面来看，确实没有设置过期时间，所以不会出现热点key过期后产生的问题，也就是“物理”不过期。
- 从功能层面来看，为每个value设置一个逻辑过期时间，当发现超过逻辑过期时间后，会使用单独的线程去更新缓存。
2.2- 分布式互斥锁
发现没有命中Redis，去查数据库的时候，在执行更新缓存的操作上加锁，只允许一个线程重建缓存，其它线程等待重建缓存的线程执行完，这个执行更新缓存线程访问过后，缓存中的数据会被重建，这样其他线程就可以从缓存中取值。
3、 两种方案对比
- 分布式互斥锁：这种方案思路比较简单，但是存在一定的隐患，如果在查询数据库 + 和 重建缓存（key失效后进行了大量的计算）时间过长，也可能会存在死锁和线程池阻塞的风险，高并发情景下吞吐量会大大降低！但是这种方法能够较好地降低后端存储负载，并在一致性上做得比较好。
- “永远不过期”：这种方案由于没有设置真正的过期时间，实际上已经不存在热点key产生的一系列危害，但是会存在数据不一致的情况，同时代码复杂度会增大。
三、缓存雪崩
1、简单介绍
是指Redis集群中大量热点Key同时失效，对这些Key的请求又会打到DB上，同样会导致数据库压力过大甚至挂掉。
2、 解决方案
2.1- 让Key的失效时间分散开，可以在统一的失效时间上再加一个随机值，或者使用更高级的算法分散失效时间。
2.2- 构建多个redis实例，个别节点挂了还有别的可以用。
2.3- 多级缓存：比如增加本地缓存，减小redis压力。
2.4- 对存储层增加限流措施，当请求超出限制，提供降级服务（一般就是返回错误即可）。
四、Redis跳跃表
这一段时间看Redis的时候看到了跳跃表方面的问题，就顺便总结一下
1、什么是跳跃表？
跳表是一个随机化的数据结构，实质是一种可以进行二分查找的有序链表。跳表在原有的有序链表上增加了多级索引，通过索引来实现快速查询。跳表不仅能提高搜索性能，同时也可以提高插入和删除操作的性能。跳跃表的效率可以和平衡树想媲美了，最关键是它的实现相对于平衡树来说，代码的实现上简单很多~
跳跃表在 Redis 中使用不是特别广泛，只用在了两个地方。一是实现有序集合键，二是集群节点中用作内部数据结构~
2、跳跃表原理图解
2.1-来自《Redis 设计与实现》这本书中的一张完整的跳跃表的图。
2.2- 跳跃表的 level 是如何定义的？
跳跃表 level 层级完全是随机的。一般来说，层级越多，访问节点的速度越快。
2.3- 跳跃表的插入
1）插入数据之前，链表是空的，如下图：
2）插入 level = 3，key = 1
3）插入 level = 1，key = 2
4）插入 level = 2，key = 3
5）插入 level = 3，key = 5
6）插入 level = 1，key = 66
7）插入 level = 2，key = 100
2.4- 跳跃表的查询
跳跃表的查询是从顶层往下找，那么会先从第顶层开始找，方式就是循环比较，如过顶层节点的下一个节点为空说明到达末尾，会跳到第二层，继续遍历，直到找到对应节点。
现在我们要找键为 66 的节点的值。那跳跃表是如何进行查询的呢？
1）如下图所示红色框内，我们带着键 66 和 1 比较，发现 66 大于 1。继续找顶层的下一个节点，发现 66 也是大于五的，继续遍历。由于下一节点为空，则会跳到 level 2。
2）上层没有找到 66，这时跳到 level 2 进行遍历，但是这里有一个点需要注意，遍历链表不是又重新遍历。而是从 5 这个节点继续往下找下一个节点。如下，我们遍历了 level 3 后，记录下当前处在 5 这个节点，那接下来遍历是 5 往后走，发现 100 大于目标 66，所以还是继续下沉。
3）当到 level 1 时，发现 5 的下一个节点恰恰好是 66 ，就将结果直接返回。
2.5- 跳跃表的删除
2.6- 跳跃表的修改
跳跃表的修改和数据结构中的链表修改类似，更改所需要修改的值即可。
五、淘汰策略
- 默认情况下，Redis 在使用的内存空间超过 maxmemory 值时，并不会淘汰数据，也就是设定的 noeviction 策略，写满后再写会返回错误。
- volatile-ttl 策略，在筛选时，会针对设置了过期时间的键值对，根据过期时间的先后进行删除，越早过期的越先被删除。
- volatile-random策略，在设置了过期时间的键值对中，进行随机删除。
- volatile-lru 策略，会使用 LRU 算法筛选设置了过期时间的键值对。最近最少使用的会被删掉。
- volatile-lfu 会使用 LFU 算法选择设置了过期时间的键值对。首先会筛选并淘汰访问次数少的数据，然后针对访问次数相同的数据，再筛选并淘汰访问时间最久远的数据。
- allkeys-random 策略，从所有键值对中随机选择并删除数据。
- allkeys-lru 策略，使用 LRU 算法在所有数据中进行筛选。
- allkeys-lfu 策略，使用 LFU 算法在所有数据中进行筛选。
六、总结
欢迎评论区交流 ~
扫一扫
8599
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
