Redis五问（四）性能优化

bigKey问题？

比如一个String类型超过10kb，一个复合类型的value超过5000个，占用内存大

应该尽量避免使用bigkey

排查：

1.使用Redis自带的--bigkeys参数来查找

2.分析RDB文件

大量的key集中过期

1.给Key设置随机过期时间

2.开启lazy-free，让redis异步延迟释放key使用的内存，将该操作交给单独的子线程执行，避免阻塞主线程

Redis生产问题

Redis缓存穿透

场景：查询根本不存在的数据，使得请求直达存储层，导致负载过大甚至宕机

解决方案：

• 1.缓存空对象：

存储层未命中后，仍然将空值存入缓存层

再次访问该数据时，缓存层会直接返回空值

• 2.布隆过滤器

将所有存在的key提前存入布隆过滤器，在访问缓存层之前，先通过过滤器拦截，若请求的是不存在的key，则直接返回空值。

布隆过滤器

如果在平时我们要判断一个元素是否在一个集合中，通常会采用查找比较的方法，下面分析不同的数据结构查找效率：

• 采用线性表存储，查找时间复杂度为O(N)

• 采用平衡二叉排序树（AVL、红黑树）存储，查找时间复杂度为O(logN)

• 采用哈希表存储，考虑到哈希碰撞，整体时间复杂度也要O[log(n/m)]

当需要判断一个元素是否存在于海量数据集合中，不仅查找时间慢，还会占用大量存储空间，接下来看一下布隆过滤器如何解决这个问题

结构

m长度的维数组和k个哈希函数组成的结构。其主要实现方式是通过哈希函数将元素映射到一个位数组中，并将对应的位标记为 1。当检查一个元素是否存在于集合中时，将该元素进行哈希处理，并查看对应的位是否被标记为 1，如果全部被标记为 1，则认为该元素可能存在于集合中，否则肯定不存在于集合中。

优点

布隆过滤器的主要优点在于其高效性和空间效率。由于布隆过滤器只需要对每个元素进行哈希处理，并将对应的位标记为 1，因此其存储空间非常小，而且查询速度非常快。此外，布隆过滤器的误判率非常低，也就是说，它的判断结果几乎总是正确的。

缺点

然而，布隆过滤器也有一些缺点。其中最主要的缺点就是它有一定的误判率，也就是说，当布隆过滤器判断一个元素不在集合中时，有一定的概率会出现误判，即认为该元素在集合中。这主要是由于哈希函数的不可避免的碰撞引起的。此外，布隆过滤器还不支持删除操作，因为删除一个元素会影响到其他元素的判断结果。最后，布隆过滤器在处理大量元素时可能会出现哈希冲突，这会导致误判率增加，因此在设计布隆过滤器时需要合理选择哈希函数和位数组大小，以尽可能减少误判率。

缓存击穿

场景：一份热点数据，访问量非常大，在其缓存失效瞬间，大量请求直达存储层，导致服务崩溃

解决方案：

• 1.加互斥锁

对数据的访问加互斥锁，当一个线程访问该数据时，其他线程只能等待

这个线程访问后，缓存中的数据将被重建，届时其他线程就可以直接从缓存中取值。保证只有一个请求会落到数据库上，减少数据库的压力

• 2.永不过期

不设置过期时间，所以不会出现上述问题。为每个value设置逻辑过期时间，当发现该值逻辑过期时使用单独的线程重建缓存

缓存雪崩

场景：由于某些原因，缓存层不能提供服务，导致所有的请求直达存储层，造成存储层宕机

解决方案：

• 1.避免同时过期

设置过期时间时，附加一个随机数，避免大量的value过期

• 2.构建高可用的Redis缓存

部署多个Redis实例，个别节点宕机依然可以保证服务的整体可用

• 3.构建多级缓存

增加本地缓存，在存储层面前多加一级屏障，降低请求直达存储层的几率

• 4.启用限流和降级措施

对存储层增加限流措施，当请求超出限制时，对其提供降级服务

##