在项目中使用缓存的案例
关联维表 :本地缓存,自定义Map的软/弱引用
flink + kafka 实现 Exactly-once 语义 : 分布式缓存,基于redis实现
1. 使用缓存遇到的问题
1.1 缓存雪崩
当某一时刻发生大规模的缓存失效的情况,比如缓存服务宕机,会有大量的请求进来直接打到DB上面,DB 撑不住,挂掉。
解决方式:
-
(事前)使用集群缓存,保证缓存服务的高可用
如使用 Redis,可以使用 主从+哨兵 ,Redis Cluster 来避免 Redis 全盘崩溃
-
(事中)ehcache本地缓存 + Hystrix限流&降级,避免MySQL被打死
-
(事后)开启Redis持久化机制,尽快恢复缓存集群
1.2 缓存穿透
查询不存在数据
解决方式:
- 缓存空值,为这些key对应的值设置为null 丢到缓存里面去,后面再出现查询这个key的请求的时候,直接返回null 。
- BloomFilter
1.3. 缓存击穿
大量的请求同时查询一个 key 时,此时这个key正好失效了,就会导致大量的请求都打到数据库上面去
解决方式:
多个线程同时去查询数据库的这条数据,那么我们可以在第一个查询数据的请求上使用一个 互斥锁来锁住它。
等第一个线程查询到了数据,然后做缓存。后面的线程进来发现已经有缓存了,就直接走缓存。
1.4 热点数据集中失效
热点数据缓存失效以后,会存在大量的请求过来,然后打到数据库
解决方式:
-
设置不同的失效时间,比如在一个基础的时间上加上或者减去一个范围内的随机值。
-
互斥锁(不建议)
2. 最经典的缓存+数据库读写的模式,cache aside pattern
-
Cache Aside Pattern
(1)读的时候,先读缓存,缓存没有的话,那么就读数据库,然后取出数据后放入缓存,同时返回响应
(2)更新的时候,先删除缓存,然后再更新数据库
-
为什么是删除缓存,而不是更新缓存呢?
(1) 复杂点的缓存的场景,因为缓存有的时候,不简单是数据库中直接取出来的值,而是缓存计算后的值。
(2)lazy计算的思想:不要每次都重新做复杂的计算,不管它会不会用到,而是让它到需要被使用的时候再重新计算(28法则)
3. 数据库与缓存双写不一致
-
情况一:先修改数据库,再删除缓存,但是删除缓存失败了
问题:
导致数据库中是新数据,缓存中是旧数据,数据出现不一致
解决思路:
先删除缓存,再修改数据库
如果删除缓存成功了,修改数据库失败了,那么数据库中是旧数据,缓存中是空的,那么数据不会不一致
因为读的时候缓存没有,则读数据库中旧数据,然后更新到缓存中
-
情况二:
数据发生了变更,先删除了缓存,然后要去修改数据库,此时还没修改
一个请求过来,去读缓存,发现缓存空了,去查询数据库,查到了修改前的旧数据,放到了缓存中
数据变更的程序完成了数据库的修改
此时,数据库和缓存中的数据不一样了。。。。
3.1. 为什么上亿流量高并发场景下,缓存会出现双写不一致?
只有在对一个数据在并发的进行读写的时候,才可能会出现这种问题
其实如果说你的并发量很低的话,特别是读并发很低,每天访问量就1万次,那么很少的情况下,会出现刚才描述的那种不一致的场景
但是问题是,如果每天的是上亿的流量,每秒并发读是几万,每秒只要有数据更新的请求,就可能会出现上述的数据库+缓存不一致的情况
高并发了以后,问题是很多的
3.2 解决方式
更新数据的时候,根据数据的唯一标识,将操作路由之后,发送到一个jvm内部的队列中
如相同的商品ID,进行Hash取模,再加上对内存队列的数量进行取模,则每个商品都可以路由到某一个内存队列中
读取数据的时候,如果发现数据不在缓存中,那么将重新读取数据+更新缓存的操作,根据唯一标识路由之后,也发送同一个jvm内部的队列中
一个队列对应一个工作线程
每个工作线程串行拿到对应的操作,然后一条一条的执行
这样的话,一个数据变更的操作,先执行,删除缓存,然后再去更新数据库,但是还没完成更新
此时如果一个读请求过来,读到了空的缓存,那么可以先将缓存更新的请求发送到队列中,此时会在队列中积压,然后同步等待缓存更新完成
这里有一个优化点,一个队列中,其实多个更新缓存请求串在一起是没意义的,因此可以做过滤,如果发现队列中已经有一个更新缓存的请求了,那么就不用再放个更新请求操作进去了,直接等待前面的更新操作请求完成即可
待那个队列对应的工作线程完成了上一个操作的数据库的修改之后,才会去执行下一个操作,也就是缓存更新的操作,此时会从数据库中读取最新的值,然后写入缓存中
如果请求还在等待时间范围内,不断轮询发现可以取到值了,那么就直接返回; 如果请求等待的时间超过一定时长,那么这一次直接从数据库中读取当前的旧值
3.3 高并发的场景下,该解决方案要注意的问题
- 读请求长时阻塞
由于读请求进行了非常轻度的异步化,所以一定要注意读超时的问题,每个读请求必须在超时时间范围内返回
该解决方案,最大的风险点在于说,可能数据更新很频繁,导致队列中积压了大量更新操作在里面,然后读请求会发生大量的超时,最后导致大量的请求直接走数据库
务必通过一些模拟真实的测试,看看更新数据的频繁是怎样的
另外一点,因为一个队列中,可能会积压针对多个数据项的更新操作,因此需要根据自己的业务情况进行测试,可能需要部署多个服务,每个服务分摊一些数据的更新操作
- 读请求并发量过高
这里还必须做好压力测试,确保恰巧碰上上述情况的时候,还有一个风险,就是突然间大量读请求会在几十毫秒的延时hang在服务上,看服务能不能抗的住,需要多少机器才能抗住最大的极限情况的峰值
但是因为并不是所有的数据都在同一时间更新,缓存也不会同一时间失效,所以每次可能也就是少数数据的缓存失效了,然后那些数据对应的读请求过来,并发量应该也不会特别大
- 多服务实例部署的请求路由
可能这个服务部署了多个实例,那么必须保证,执行数据更新操作,以及执行缓存更新操作的请求,都通过nginx服务器路由到相同的服务实例上
- 热点商品的路由问题,导致请求的倾斜
万一某个商品的读写请求特别高,全部打到相同的机器的相同的队列里面去了,可能造成某台机器的压力过大
就是说,因为只有在商品数据更新的时候才会清空缓存,然后才会导致读写并发,所以更新频率不是太高的话,这个问题的影响并不是特别大
但是的确可能某些机器的负载会高一些
4. redis的并发竞争问题是什么?如何解决这个问题?了解Redis事务的CAS方案吗?
分布式锁 + 时间版本
参考:中华石衫