本文围绕以下几点进行阐述:
- 为什么使用Redis
- 使用Redis有什么缺点
- 单线程的Redis为什么这么快
- Redis的数据类型,以及每种数据类型的使用场景
- Redis的过期策略以及内存淘汰机制
- Redis和数据库双写一致性问题
- 如何应对缓存穿透和缓存雪崩问题
- 如何解决Redis的并发竞争问题
一、为什么使用Redis
笔者认为,在项目中使用Redis,主要是从两个角度去考虑:性能和并发。当然,Redis还具备可做分布式锁等功能的其它功能,但如果只是为了分布式锁这些其它功能,完全还有其它中间件(如Zookpeer等)可以代替,并不是非要使用Redis。
因此,这个问题主要从性能和并发两个角度去答:
1、性能
如下图所示,我们在碰到需要执行耗时特别久、且结果不频繁变动的SQL时,就特别适合将运行结果放入缓存。这样,后面的请求就去缓存中读取,使得请求能够迅速响应。
![2e33dd77967bf3a3001b63c7a269ed02.png](https://i-blog.csdnimg.cn/blog_migrate/2aecb5a944bdefcf6db61052c9c534fe.jpeg)
题外话:忽然想聊一下这个迅速响应的标准——其实根据交互效果的不同,这个响应时间没有固定标准。不过曾经有人这么告诉我:“在理想状态下,我们的页面跳转需要在瞬间解决,对于页内操作则需要在刹那间解决。另外,超过一弹指的耗时操作要有进度提示,并且可以随时中止或取消,这样才能给用户最好的体验。”
那么瞬间、刹那、一弹指具体是多少时间呢?
根据《摩诃僧祗律》记载:一刹那者为一念,二十念为一瞬,二十瞬为一弹指,二十弹指为一罗预,二十罗预为一须臾,一日一夜有三十须臾。
那么,经过周密的计算,一瞬间为0.36秒,一刹那有0.018秒,一弹指长达7.2秒。
2、并发
如下图所示,在大并发的情况下,所有的请求直接访问数据库,数据库会出现连接异常。这个时候,就需要使用Redis做一个缓冲操作,让请求先访问到Redis,而不是直接访问数据库。
![4f9033ee9292201857bd93d7e0c61423.png](https://i-blog.csdnimg.cn/blog_migrate/5bf62ce492c829040cdfe74f0c2cef73.jpeg)
二、使用Redis有什么缺点
大家用Redis这么久,这个问题是必须要了解的,基本上使用Redis都会碰到一些问题,常见的主要是四方面的问题:
- 缓存和数据库双写一致性问题
- 缓存雪崩问题
- 缓存击穿问题
- 缓存的并发竞争问题
这四个问题,笔者个人觉得在项目中比较常遇见,具体解决方案,后文会给出。
三、单线程的Redis为什么这么快
这个问题其实是对Redis内部机制的一个考察。其实根据笔者的面试经验,很多人其实都不知道Redis是单线程工作模型。所以,这个问题还是应该要复习一下的。主要是以下三点:
- 纯内存操作
- 单线程操作,避免了频繁的上下文切换
- 采用了非阻塞I/O多路复用机制
我们现在仔细地说一说I/O多路复用机制,因为这个说法实在是太通俗了,通俗到一般人都不懂是什么意思。打一个比方:小曲在S城开了一家快递店,负责同城快送服务。小曲因为资金限制,雇佣了一批快递员,然后小曲发现资金不够了,只够买一辆车送快递。
经营方式一:
客户每送来一份快递,小曲就让一个快递员盯着,然后快递员开车去送快递。慢慢的小曲就发现了这种经营方式存在很多问题,几十个快递员基本上时间都花在了抢车上了,大部分快递员都处在闲置状态,谁抢到了车,谁就能去送快递。
随着快递的增多,快递员也越来越多,小曲发现快递店里越来越挤,没办法雇佣新的快递员了,快递员之间的协调很花时间,大部分时间花在抢车上。综合上述缺点,小曲痛定思痛,提出了下面的经营方式↓
经营方式二:
小曲只雇佣一个快递员,客户送来的快递,小曲按送达地点标注好,然后依次放在一个地方。最后,那个快递员依次去取快递,一次拿一个,开着车去送快递,送好了就回来拿下一个快递。
上述两种经营方式对比,是不是明显觉得第二种,效率更高、更好呢?在上述比喻中:
- 每个快递员→每个线程
- 每个快递→每个Socket(I/O流)
- 快递的送达地点→Socket的不同状态
- 客户送快递请求→来自客户端的请求
- 小曲的经营方式→服务端运行的代码
- 一辆车→CPU的核数
于是我们有如下结论:
- 经营方式一就是传统的并发模型,每个I/O流(快递)都有一个新的线程(快递员)管理。
- 经营方式二就是I/O多路复用。只有单个线程(一个快递员),通过跟踪每个I/O流的状态(每个快递的送达地点),来管理多个I/O流。
下面类比到真实的Redis线程模型,如图所示:
![00a98e8d595c6b00b4a153aa54568ecb.png](https://i-blog.csdnimg.cn/blog_migrate/7b9ea42dff53c623c1e2cd003ad333b2.jpeg)
参照上图,简单来说就是,我们的Redis-client在操作的时候,会产生具有不同事件类型的Socket。在服务端,有一段I/O多路复用程序,将其置入队列之中。然后文件事件分派器依次去队列中取,转发到不同的事件处理器中。
需要说明的是,这个I/O多路复用机制,Redis还提供了Select、Epoll、Evport、Kqueue等多路复用函数库,大家可以自行去了解。
四、Redis的数据类型及各自使用场景
看到这个问题,是不是觉得它很基础?其实笔者也这么觉得。然而根据面试经验发现,至少80%的人答不上这个问题。建议在项目中用到后,再类比记忆,体会更深,不要硬记。基本上,一个合格的程序员五种类型都会用到:
1、String
这个其实没什么好说的,最常规的Set/Get操作,Value可以是String也可以是数字,一般做一些复杂的计数功能的缓存。
2、Hash
这里Value存放的是结构化的对象,比较方便的就是操作其中的某个字段。笔者在做单点登录的时候,就是用这种数据结构存储用户信息,以CookieId作为Key,设置30分钟为缓存过期时间,能很好地模拟出类似Session的效果。
3、List
使用List的数据结构,可以做简单的消息队列的功能。另外还有一个就是,可以利用Lrange命令,做基于Redis的分页功能,性能极佳,用户体验好。
4、Set
因为Set堆放的是一堆不重复值的集合,所以可以做全局去重的功能。
为什么不用JVM自带的Set进行去重?因为我们的系统一般都是集群部署,使用JVM自带的Set比较麻烦,难道为了做一个全局去重,再起一个公共服务?太麻烦了。
另外,就是利用交集、并集、差集等操作,可以计算共同喜好、全部的喜好、自己独有的喜好等功能。
5、Sorted Set
Sorted Set多了一个权重参数Score,集合中的元素能够按Score进行排列。可以做排行榜应用,取TOP N操作。另外,Sorted Set还可以用来做延时任务。最后一个应用就是可以做范围查找。
五、Redis的过期策略及内存淘汰机制
这个问题其实相当重要,从这个问题就可以看出来到底Redis有没有用到位。比如,你Redis只能存5G数据,可是你写了10G,那会删5G的数据。怎么删的?这个问题思考过么?还有,你的数据已经设置了过期时间,但是时间到了,内存占用率还是比较高,有思考过原因么?
Redis采用的是定期删除+惰性删除策略。
为什么不用定时删除策略?
定时删除,用一个定时器来负责监视Key,过期则自动删除。虽然内存及时释放,但是十分消耗CPU资源。在大并发请求下,CPU要将时间应用在处理请求,而不是删除Key,因此没有采用这一策略。
定期删除+惰性删除是如何工作的呢?
定期删除,Redis默认每个100ms检查是否有过期的Key,有过期Key则删除。需要说明的是,Redis不是每个100ms将所有的Key检查一次,而是随机抽取进行检查(如果每隔100ms,全部Key进行检查,Redis岂不是卡死)。因此,如果只采用定期删除策略,会导致很多Key到时间没有删除。
于是,惰性删除派上用场。也就是说在你获取某个Key的时候,Redis会检查一下,这个Key如果设置了过期时间,那么是否过期了?如果过期了此时就会删除。
采用定期删除+惰性删除就没其他问题了么?
不是的,如果定期删除没删除Key。然后你也没及时去请求Key,也就是说惰性删除也没生效。这样,Redis的内存会越来越高,那么就应该采用内存淘汰机制。
在Redis.conf中有一行配置:
# maxmemory-policy volatile-lru
该配置就是配内存淘汰策略的:
- Noeviction:当内存不足以容纳新写入数据时,新写入操作会报错。应该没人使用吧;
- Allkeys-lru:当内存不足以容纳新写入数据时,在键空间中,移除最近最少使用的Key。推荐使用,目前项目在用这种;
- Allkeys-random:当内存不足以容纳新写入数据时,在键空间中,随机移除某个key,应该也没人使用吧;
- Volatile-lru:当内存不足以容纳新写入数据时,在设置了过期时间的键空间中,移除最近最少使用的Key。这种情况一般是把Redis既当缓存又做持久化存储的时候才用。不推荐;
- Volatile-random:当内存不足以容纳新写入数据时,在设置了过期时间的键空间中,随机移除某个Key。依然不推荐;
- Volatile-ttl:当内存不足以容纳新写入数据时,在设置了过期时间的键空间中,有更早过期时间的Key优先移除。不推荐。
PS:如果没有设置Expire的Key,不满足先决条件(Prerequisites);那么Volatile-lru、Volatile-random和Volatile-ttl策略的行为,和Noeviction(不删除)基本上一致。
六、Redis和数据库双写一致性问题
一致性问题是分布式常见问题,还可以再分为最终一致性和强一致性。数据库和缓存双写,就必然会存在不一致的问题,想要回答这个问题,就要先明白一个前提:如果对数据有强一致性要求,就不能放缓存。我们所做的一切,只能保证最终一致性。
另外,我们所做的方案其实从根本上来说,只能说降低不一致发生的概率,无法完全避免。因此,有强一致性要求的数据不能放缓存。
在互联网领域,缓存由于其高并发和高性能的特性,已经在项目中被广泛使用。在读取缓存方面,大家没什么疑问,都是按照下图的流程来进行业务操作。
![5cf49cd14c5b89135cbabce4f71c93c2.png](https://i-blog.csdnimg.cn/blog_migrate/b8fcfc99b3dc2f0a8558abadb97757f3.jpeg)
但是在更新缓存方面,对于更新完数据库,是更新缓存呢,还是删除缓存;又或者是先删除缓存,再更新数据库,其实大家存在很大的争议。
从理论上来说,给缓存设置过期时间,是保证最终一致性的解决方案。这种方案下,我们可以对存入缓存的数据设置过期时间,所有的写操作以数据库为准,对缓存操作只是尽最大努力即可。也就是说如果数据库写成功,缓存更新失败,那么只要到达过期时间,则后面的读请求自然会从数据库中读取新值然后回填缓存。因此,接下来讨论的思路不依赖于给缓存设置过期时间这个方案。
在这里,我们讨论三种更新策略:
- 先更新数据库,再更新缓存;
- 先删除缓存,再更新数据库;
- 先更新数据库,再删除缓存。
应该没有人会问我,为什么没有先更新缓存,再更新数据库这种策略吧?
1、先更新数据库,再更新缓存
这套方案,大家是普遍反对的。为什么呢?有如下两点原因。
- 原因一(线程安全角度)
同时有请求A和请求B进行更新操作,那么会出现
- 线程A更新了数据库;
- 线程B更新了数据库;
- 线程B更新了缓存;
- 线程A更新了缓存。
这就出现请求A更新缓存应该比请求B更新缓存早才对,但是因为网络等原因,B却比A更早更新了缓存。这就导致了脏数据,因此不考虑。
- 原因二(业务场景角度)
有如下两点:
- 如果你是一个写数据库场景比较多,而读数据场景比较少的业务需求,采用这种方案就会导致,数据压根还没读到,缓存就被频繁地更新,浪费性能;
- 如果你写入数据库的值,并不是直接写入缓存的,而是要经过一系列复杂的计算再写入缓存。那么,每次写入数据库后,都再次计算写入缓存的值,无疑是浪费性能的。显然,删除缓存更为适合。
接下来讨论的就是争议最大的,是先删缓存、再更新数据库,还是先更新数据库、再删缓存的问题。
二、先删除缓存,再更新数据库
该方案会导致不一致的原因是,同时有一个请求A进行更新操作,另一个请求B进行查询操作。那么会出现如下情形:
- 请求A进行写操作,删除缓存;
- 请求B查询发现缓存不存在;
- 请求B去数据库查询得到旧值;
- 请求B将旧值写入缓存;
- 请求A将新值写入数据库。
上述情况就会导致不一致的情形出现。而且,如果不采用给缓存设置过期时间策略,该数据永远都是脏数据。
那么,如何解决呢?采用延时双删策略。
伪代码如下:
public void write(String key,Object data){
redis.delKey(key);
db.updateData(data);
Thread.sleep(1000);
redis.delKey(key);
}
转化为中文描述就是:
- 先淘汰缓存;
- 再写数据库(这两步和原来一样);
- 休眠1秒,再次淘汰缓存。
这么做,可以将1秒内所造成的缓存脏数据,再次删除。
那么,这个1秒是怎么确定的,具体该休眠多久呢?
针对上面的情形,读者应该自行评估自己的项目的读数据业务逻辑的耗时。然后写数据的休眠时间则在读数据业务逻辑的耗时基础上,加几百ms即可。这么做的目的,就是确保读请求结束,写请求可以删除读请求造成的缓存脏数据。
如果你用了MySQL的读写分离架构怎么办?
在这种情况下,造成数据不一致的原因如下,还是两个请求,一个请求A进行更新操作,另一个请求B进行查询操作。
- 请求A进行写操作,删除缓存;
- 请求A将数据写入数据库了;
- 请求B查询缓存发现,缓存没有值;
- 请求B去从库查询,这时,还没有完成主从同步,因此查询到的是旧值;
- 请求B将旧值写入缓存;
- 数据库完成主从同步,从库变为新值。
上述情形,就是数据不一致的原因。还是使用双删延时策略。只是,睡眠时间修改为在主从同步的延时时间基础上,加几百ms。
采用这种同步淘汰策略,吞吐量降低怎么办?
那就将第二次删除作为异步的。自己起一个线程,异步删除。这样,写的请求就不用沉睡一段时间再返回。这么做,加大吞吐量。
第二次删除,如果删除失败怎么办?
这是个非常好的问题,因为第二次删除失败,就会出现如下情形。还是有两个请求,一个请求A进行更新操作,另一个请求B进行查询操作,为了方便,假设是单库:
- 请求A进行写操作,删除缓存;
- 请求B查询发现缓存不存在;
- 请求B去数据库查询得到旧值;
- 请求B将旧值写入缓存;
- 请求A将新值写入数据库;
- 请求A试图去删除请求B写入对缓存值,结果失败了。
这也就是说,如果第二次删除缓存失败,会再次出现缓存和数据库不一致的问题。
如何解决呢?
具体解决方案,且看笔者下文对第三种更新策略的解析。
三、先更新数据库,再删除缓存
国外提出了一个缓存更新套路,名为《Cache-Aside pattern》[1],其中就指出:
- 失效:应用程序先从cache取数据,没有得到,则从数据库中取数据,成功后,放到缓存中;
- 命中:应用程序从cache中取数据,取到后返回;
- 更新:先把数据存到数据库中,成功后,再让缓存失效。
另外, Facebook也在论文《Scaling Memcache at Facebook》[2]中提出,他们用的也是先更新数据库,再删缓存的策略。
这种情况不存在并发问题么?
不是的。假设这会有两个请求,一个请求A做查询操作,一个请求B做更新操作,那么会有如下情形产生:
- 缓存刚好失效;
- 请求A查询数据库,得一个旧值;
- 请求B将新值写入数据库;
- 请求B删除缓存;
- 请求A将查到的旧值写入缓存。
如果发生上述情况,确实是会发生脏数据。
然而,发生这种情况的概率又有多少?
发生上述情况有一个先天性条件,就是步骤3的写数据库操作比步骤2的读数据库操作耗时更短,才有可能使得步骤4先于步骤5。可是,大家想想,数据库的读操作的速度远快于写操作的(不然做读写分离干嘛,做读写分离的意义就是因为读操作比较快,耗资源少),因此步骤3耗时比步骤2更短,这一情形很难出现。
假设,有人非要抬杠,有强迫症,一定要解决怎么办?
如何解决上述并发问题?
首先,给缓存设有效时间是一种方案。其次,采用策略二里给出的异步延时删除策略,保证读请求完成以后,再进行删除操作。
还有其他造成不一致的原因么?
有的,这也是缓存更新策略二和缓存更新策略三都存在的一个问题,如果删缓存失败了怎么办,那不是会有不一致的情况出现么。比如一个写数据请求,然后写入数据库了,删缓存失败了,这会就出现不一致的情况了。这也是缓存更新策略二里留下的最后一个疑问。
如何解决?
提供一个保障的重试机制即可,这里给出两套方案。
- 方案一:
如下图所示:
![883d6f10e331151748c9381e63d3d4f8.png](https://i-blog.csdnimg.cn/blog_migrate/327a33f55428051bcf41bee5e433e0ac.jpeg)
流程如下所示:
- 更新数据库数据;
- 缓存因为种种问题删除失败;
- 将需要删除的key发送至消息队列;
- 自己消费消息,获得需要删除的key;
- 继续重试删除操作,直到成功。
然而,该方案有一个缺点,对业务线代码造成大量的侵入。于是有了方案二,在方案二中,启动一个订阅程序去订阅数据库的binlog,获得需要操作的数据。在应用程序中,另起一段程序,获得这个订阅程序传来的信息,进行删除缓存操作。
- 方案二:
![7186a62c7743e324da2799f5ad0eedea.png](https://i-blog.csdnimg.cn/blog_migrate/af0b036ad41fc0e323d350754fba157b.jpeg)
流程如下图所示:
- 更新数据库数据;
- 数据库会将操作信息写入binlog日志当中;
- 订阅程序提取出所需要的数据以及key;
- 另起一段非业务代码,获得该信息;
- 尝试删除缓存操作,发现删除失败;
- 将这些信息发送至消息队列;
- 重新从消息队列中获得该数据,重试操作。
备注说明:上述的订阅binlog程序在MySQL中有现成的中间件叫Canal,可以完成订阅binlog日志的功能。至于Oracle中,笔者目前不清楚有没有现成中间件可以使用。另外,重试机制,笔者采用的是消息队列的方式。如果对一致性要求不是很高,直接在程序中另起一个线程,每隔一段时间去重试即可,这些大家可以灵活自由发挥,只是提供一个思路。
本文其实是对目前互联网中已有的一致性方案,进行了一个总结。对于先删缓存、再更新数据库的更新策略,还有方案提出维护一个内存队列的方式,笔者看了一下,觉得实现异常复杂,没有必要,因此没有在文中给出。最后,希望大家有所收获。
七、应对缓存穿透和缓存雪崩问题
关于“如何应对缓存穿透和缓存雪崩”这两个问题,说句实在话,一般中小型传统软件企业很难碰到。如果有大并发的项目,流量有几百万左右,这两个问题一定要深刻考虑:
1、应对缓存穿透
缓存穿透,即黑客故意去请求缓存中不存在的数据,导致所有的请求都怼到数据库上,从而数据库连接异常。
解决方案:
- 利用互斥锁,缓存失效的时候,先去获得锁,得到锁了,再去请求数据库,没得到锁,则休眠一段时间重试;
- 采用异步更新策略,无论Key是否取到值,都直接返回。Value值中维护一个缓存失效时间,缓存如果过期,异步起一个线程去读数据库,更新缓存,需要做缓存预热(项目启动前,先加载缓存)操作;
- 提供一个能迅速判断请求是否有效的拦截机制,比如利用布隆过滤器,内部维护一系列合法有效的Key,迅速判断出,请求所携带的Key是否合法有效,如果不合法,则直接返回。
2、应对缓存雪崩
缓存雪崩,即缓存同一时间大面积的失效,这个时候又来了一波请求,结果请求都怼到数据库上,从而导致数据库连接异常。
解决方案:
- 给缓存的失效时间加上一个随机值,避免集体失效;
- 使用互斥锁,但是该方案吞吐量明显下降了;
- 双缓存。我们有两个缓存,缓存A和缓存B。缓存A的失效时间为20分钟,缓存B不设失效时间,自己做缓存预热操作。然后细分以下几个小点:a. 从缓存A读数据库,有则直接返回;b. A 没有数据,直接从B读数据,直接返回,并且异步启动一个更新线程;c. 更新线程同时更新缓存A和缓存B。
八、如何解决Redis并发竞争Key问题
这个问题大致就是同时有多个子系统去Set一个Key。这个时候要注意什么呢?本人提前百度了一下,发现大家思考的答案基本都是推荐用Redis事务机制。但本人不推荐使用Redis的事务机制。因为我们的生产环境,基本都是Redis集群环境,做了数据分片操作。你一个事务中有涉及到多个Key操作的时候,这多个Key不一定都存储在同一个Redis-Server上。因此,Redis的事务机制,十分鸡肋。
解决方法如下:
如果对这个Key操作不要求顺序
这种情况下,准备一个分布式锁,大家去抢锁,抢到锁就做Set操作即可,比较简单。
如果对这个Key操作要求顺序
假设有一个Key1,系统A需要将Key1设置为ValueA,系统B需要将Key1设置为ValueB,系统C需要将Key1设置为ValueC。期望按照Key1的Value值按照 ValueA→ValueB→ValueC的顺序变化。这种时候我们在数据写入数据库的时候,需要保存一个时间戳。假设时间戳如下:
- 系统A Key 1 {ValueA 3:00}
- 系统B Key 1 {ValueB 3:05}
- 系统C Key 1 {ValueC 3:10}
那么,假设这会系统B先抢到锁,将Key1设置为{ValueB 3:05}。接下来系统A抢到锁,发现自己的ValueA的时间戳早于缓存中的时间戳,那就不做Set操作了。以此类推。
其他方法,比如利用队列,将Set方法变成串行访问也可以。总之,灵活变通。
完毕!~!!
内容来源:
![9fa7c6221f080de5bc598df4f57f54a9.png](https://i-blog.csdnimg.cn/blog_migrate/bd5814d65230f5199e7313e607daa987.jpeg)
作者:孤独烟
其它文章:
Java高效率代码
SpringMVC参数统一验证方法
SpringBoot多数据源配置详解
SpringCloud Nacos 整合feign
SpringBoot开发自己的Starter
springboot mybatis jpa 实现读写分离
SpringBoot RabbitMQ消息可靠发送与接收
Restful API设计规范
zookeeper实现分布式缓存
Java线上CPU100% 问题排查
分布式事务框架Seata之AT模式