微服务修炼之性能调优---缓存

基本概念

• 命中：命中缓存，从缓存中获取数据
• 失效：缓存被删除或者失效，总db中获取数据

缓存

缓存的使用场景是什么？
我们在进行开发的时候经常遇到的场景就是频繁的进行IO查询，缓存的主要目的就是将IO切换成内存操作，来提高系统的响应能力。
相对应的缓存就适合做，高频的读取操作，变更操作较少的存储。
常见的缓存组件有：

guava

https://www.cnblogs.com/fnlingnzb-learner/p/11022152.html
Guava Cache的使用和参数配置
适合单机应用，分布式环境需要考虑数据同步问题。

redis

谈到缓存，不得不提redis这一优秀的中间件产品。redis是一款内存数据库，用于数据存储，缓存和消息队列。

memcache

spring-cache

包括memcache，guava cache和concurrentHashmap在内的技术手段多是在进程内的缓存，虽然么么cache也可以配置集群，但是考虑到数据同步和吞吐效率，redis还是一个不二首选。
面对多种缓存中间件策略，spring生态给我们提供了非常方便的解决方案。
springJPA+Redis cache的例子：

https://www.cnblogs.com/leigepython/p/10135087.html

缓存失效

虽然如上所说缓存有非常多的优势，但是也存在一些问题，比如不适合做查询操作，容易导致脏数据，还有缓存穿透、缓存击穿、缓存雪崩的问题

缓存穿透

缓存穿透是指查询一个一定不存在的数据，由于缓存是不命中时被动写的，并且出于容错考虑，如果从存储层查不到数据则不写入缓存，这将导致这个不存在的数据每次请求都要到存储层去查询，失去了缓存的意义。在流量大时，可能DB就挂掉了，要是有人利用不存在的key频繁攻击我们的应用，这就是漏洞。

解决方案

• 最常见的则是采用布隆过滤器，将所有可能存在的数据哈希到一个足够大的bitmap中，一个一定不存在的数据会被 这个bitmap拦截掉，从而避免了对底层存储系统的查询压力（布隆过滤器可能数据误命中）。
• 如果一个查询返回的数据为空（不管是数 据不存在，还是系统故障），我们仍然把这个空结果进行缓存，但它的过期时间会很短，最长不超过五分钟。

缓存雪崩

缓存雪崩是指在我们设置缓存时采用了相同的过期时间，导致缓存在某一时刻同时失效，请求全部转发到DB，DB瞬时压力过重雪崩。

解决方案
缓存失效时的雪崩效应对底层系统的冲击非常可怕。大多数系统设计者考虑用加锁或者队列的方式保证缓存的单线 程（进程）写，从而避免失效时大量的并发请求落到底层存储系统上。这里分享一个简单方案就时讲缓存失效时间分散开，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。这个问题在数据预热的 场景会比较常见。

缓存击穿

对于一些设置了过期时间的key，如果这些key可能会在某些时间点被超高并发地访问，是一种非常“热点”的数据。这个时候，需要考虑一个问题：缓存被“击穿”的问题，这个和缓存雪崩的区别在于这里针对某一key缓存，前者则是很多key。
缓存在某个时间点过期的时候，恰好在这个时间点对这个Key有大量的并发请求过来，这些请求发现缓存过期一般都会从后端DB加载数据并回设到缓存，这个时候大并发的请求可能会瞬间把后端DB压垮。

解决方案
使用互斥锁(mutex key)
业界比较常用的做法，是使用mutex。简单地来说，就是在缓存失效的时候（判断拿出来的值为空），不是立即去load db，而是先使用缓存工具的某些带成功操作返回值的操作（比如Redis的SETNX或者Memcache的ADD）去set一个mutex key，当操作返回成功时，再进行load db的操作并回设缓存；否则，就重试整个get缓存的方法。

上面提到了几个缓存的概念，下面我们讨论一下缓存与数据库数据一致性的问题：

分布式之数据库和缓存双写一致性方案解析

其中的一种场景针对与先删cache再删db的情况，采用延时双删:

• 删除cache
• 更新db
• 在删除cache
  目的在于将更新db时产生的脏数据清掉。