Redis学习之旅--缓存异常（缓存穿透、缓存雪崩、缓存击穿）

Redis缓存的使用，极大的提升了应用程序的性能和效率，特别是数据查询方面。但同时，它也带来了一些问题。其中，最要害的问题，就是 数据的一致性问题，从严格意义上讲，这个问题比较复杂。如果对数据的一致性要求很高，那么就不能使用缓存。
另外的一些典型问题就是， 缓存穿透、缓存雪崩和缓存击穿。目前，业界也都有比较流行的解决方案。

数据一致性

背景

背景：使用到缓存，无论是在本地内存做缓存还是使用Redis做缓存，那么就会存在数据同步的问题，造成数据库与缓冲数据不一致的问题

解决方案

1. 先更新数据库，后更新缓存
2. 先更新缓存，后更新数据库
3. 先删除缓存，后更新数据库
4. 先更新数据库，后删除缓存

第一种方案存在的问题：在并发更新数据库场景下，会将脏数据刷到缓存中
第二种方案存在的问题：如果先更新缓存，但是数据库更新失败了，也会造成诗句不一致的问题
所以一般不使用第一二种方案，而使用三四种方案

先删除缓存，后更新数据库

第三种方案也会出现问题，此时来了两个请求，请求A（更新操作）和请求B（查询操作）

1. 请求A进行写操作，删除缓存（但还未更新数据库）
2. 请求B查询时发现缓存不存在
3. 请求B去数据库查询得到的是旧值
4. 请求B将旧值写入到缓存中
5. 请求A将新值更新到数据库中

上述情况就会导致数据不一致，而且如果不给缓存设置哦过期时间策略，该数据永远是脏数据，那么该如何解决呢
答案一：延时双删
伪代码：

public void write（String key, Object data） {
	Redis.delkey（key）;
	db.uppdateDate(data);
	Thread.sleep(1000);
	Redis.delkey(key);
}

• 先淘汰缓存
• 再写数据库
• 休眠一秒，再次淘汰缓存（这么做，可以将1s内所造成的缓存脏数据，再次删除）确保请求结束后，写请求可以再次删除读请求造成的缓存脏数据

答案二：更新与读取操作进行异步串行化

• 异步串行化
• 读操作去重

先删除缓存，后更新数据库

这一种情况也会出现问题，比如更新数据库成功了，但是再删除缓存阶段出错了没有删除成功，那么此时在读取缓存的话每次都是错误的数据

解决方案：利用消息队列进行删除补偿

1. 请求A先对数据库进行更新操作
2. 再对Redis进行删除操作删除失败，报错
3. 此时Redis的key作为消息体发送到消息队列中去
4. 系统接收到消息队列发送的消息后再次对Redis进行删除操作

缓存穿透（大面积查不到）

概念

缓存穿透的概念很简单，用户想要查询一个数据，发现redis内存数据库没有，也就是缓存没有命中，于是向持久层数据库查询。发现也没有，于是本次查询失败。当用户很多的时候，缓存都没有命中（秒杀！），于是都去请求了持久层数据库。这会给持久层数据库造成很大的压力，这时候就相当于出现了缓存穿透。

解决方案

• 布隆过滤器

布隆过滤器是一种数据结构，对所有可能查询的参数以hash形式存储，在控制层先进行校验，不符合则丢弃，从而避免了对底层存储系统的查询压力；

• 缓存空对象

当存储层不命中后，即使返回的空对象也将其缓存起来，同时会设置一个过期时间，之后再访问这个数据将会从缓存中获取，保护了后端数据源；

但是这种方法会存在两个问题：

1. 如果空值能够被缓存起来，这就意味着缓存需要更多的空间存储更多的键，因为这当中可能会有很多 的空值的键；
2. 即使对空值设置了过期时间，还是会存在缓存层和存储层的数据会有一段时间窗口的不一致，这对于 需要保持一致性的业务会有影响。

缓存击穿（量太大，缓存过期！）

概念

这里需要注意和缓存击穿的区别，缓存击穿，是指一个key非常热点，在不停的扛着大并发，大并发集中
对这一个点进行访问，当这个key在失效的瞬间，持续的大并发就穿破缓存，直接请求数据库，就像在一个屏障上凿开了一个洞。
当某个key在过期的瞬间，有大量的请求并发访问，这类数据一般是热点数据，由于缓存过期，会同时访问数据库来查询最新数据，并且回写缓存，会导使数据库瞬间压力过大。

解决方案

• 设置热点数据永不过期

从缓存层面来看，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。

• 加互斥锁

分布式锁：使用分布式锁，保证对于每个key同时只有一个线程去查询后端服务，其他线程没有获得分布式锁的权限，因此只需要等待即可。这种方式将高并发的压力转移到了分布式锁，因此对分布式锁的考验很大。

缓存雪崩(断电/宕机)

概念

缓存雪崩，是指在某一个时间段，缓存集中过期失效。Redis 宕机！
产生雪崩的原因之一，比如在写本文的时候，马上就要到双十二零点，很快就会迎来一波抢购，这波商品时间比较集中的放入了缓存，假设缓存一个小时。那么到了凌晨一点钟的时候，这批商品的缓存就都过期了。而对这批商品的访问查询，都落到了数据库上，对于数据库而言，就会产生周期性的压力波峰。于是所有的请求都会达到存储层，存储层的调用量会暴增，造成存储层也会挂掉的情况。

其实集中过期，倒不是非常致命，比较致命的缓存雪崩，是缓存服务器某个节点宕机或断网。因为自然形成的缓存雪崩，一定是在某个时间段集中创建缓存，这个时候，数据库也是可以顶住压力的。无非就是对数据库产生周期性的压力而已。而缓存服务节点的宕机，对数据库服务器造成的压力是不可预知
的，很有可能瞬间就把数据库压垮。

解决方案

• redis高可用

这个思想的含义是，既然redis有可能挂掉，那我多增设几台redis，这样一台挂掉之后其他的还可以继续工作，其实就是搭建的集群。（异地多活！）

• 限流降级

这个解决方案的思想是，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。

• 数据预热

数据加热的含义就是在正式部署之前，我先把可能的数据先预先访问一遍，这样部分可能大量访问的数据就会加载到缓存中。在即将发生大并发访问前手动触发加载缓存不同的key，设置不同的过期时间，让缓存失效的时间点尽量均匀。