5、一线大厂Redis高并发缓存架构实战与性能优化

1、中小公司Redis缓存架构及线上问题分析

简单缓存

2、缓存数据冷热分离

比如说京东、淘宝的每天查询的商品数据不到1%，其他大量的商品缓存数据就是对缓存的一种浪费。所以在维护缓存的时候，对缓存数据加一个超时时间，比如1天。读取缓存的时候给缓存延期。

3、缓存击穿/缓存失效

比如淘宝、京东小二在上架商品的时候是批量上架，过期时间可能是一致，导致一批商品缓存数据同时失效。
给过期时间加一个随机数（以一个固定时间为基数），来避免同一时间大量缓存失效

4、缓存穿透

4.1、缓存空对象

放一个空缓存，并且设置过期时间。几分钟即可，可以再加一个延期

4.2、布隆过滤器

对于恶意攻击，向服务器请求大量不存在的数据造成的缓存穿透，还可以用布隆过滤器先做一次过滤，对于不存在的数据布隆过滤器一般都能够过滤掉，不让请求再往后端发送。当布隆过滤器说某个值存在时，这个值可能不存在；当它说不存在时，那就肯定不存在。

布隆过滤器就是一个大型的位数组和几个不一样的无偏 hash 函数。所谓无偏就是能够把元素的 hash 值算得比较均匀。
向布隆过滤器中添加 key 时，会使用多个 hash 函数对 key 进行 hash 算得一个整数索引值然后对位数组长度进行取模运算得到一个位置，每个 hash 函数都会算得一个不同的位置。再把位数组的这几个位置都置为 1 就完成了 add 操作。
向布隆过滤器询问 key 是否存在时，跟 add 一样，也会把 hash 的几个位置都算出来，看看位数组中这几个位置是否都为 1，只要有一个位为 0，那么说明布隆过滤器中这个key 不存在。如果都是 1，这并不能说明这个 key 就一定存在，只是极有可能存在，因为这些位被置为 1 可能是因为其它的 key 存在所致。如果这个位数组长度比较大，存在概率就会很大，如果这个位数组长度比较小，存在概率就会降低。
这种方法适用于数据命中不高、 数据相对固定、 实时性低（通常是数据集较大） 的应用场景， 代码维护较为复杂， 但是缓存空间占用很少。


注意：布隆过滤器不能删除数据，如果要删除得重新初始化数据

5、突发性热点缓存重建导致系统压力暴增问题分析|| 热点缓存key重建优化

比如带货直播将一些冷门商品上架，没有建立缓存，大量请求同时过来，很可能将数据库打穿

双重检测锁（分布式锁）

6、缓存与数据库双写不一致问题

或

解决方法

更新和查询的时候加分布式锁

7、大促压力暴增导致分布式锁串行争用问题优化实战

解决方法：读写锁

7.1、读锁源码

7.2、写锁源码

8、大促压力暴增导致分布式锁串行争用问题优化实战

分布式锁串行转并发优化，

大部分交易在1s中可以完成，锁失效，直接读取缓存，不再持有锁

问题：如果请求在1s内没有处理完，大量请求直接到数据库，把数据库打穿

9、一次微博明星热点事件导致系统崩溃原因分析

缓存雪崩

10、利用多级缓存架构解决Redis线上集群缓存雪崩问题

互联网中有热点推荐系统

Redis开发规范与性能优化

一、键值设计
(1)【建议】: 可读性和可管理性
以业务名(或数据库名)为前缀(防止key冲突)，用冒号分隔，比如业务名:表名:id
trade:order:1

(2)【建议】：简洁性
保证语义的前提下，控制key的长度，当key较多时，内存占用也不容忽视，例如：
user:{uid}:friends:messages:{mid} 简化为 u:{uid}🇫🇷m:{mid}

(3)【强制】：不要包含特殊字符
反例：包含空格、换行、单双引号以及其他转义字符

2. value设计
   
   bigkey的危害：
   1.导致redis阻塞
   2.网络拥塞
   bigkey也就意味着每次获取要产生的网络流量较大，假[[设一个bigkey为1MB，客户端每秒访问量为1000，那么每秒产生1000MB的流量，对于普通的千兆网卡(按照字节算是128MB/s)的服务器来说简直是灭顶之灾，而且一般服务器会采用单机多实例的方式来部署，也就是说一个bigkey可能会对其他实例也造成影响，其后果不堪设想。
3. 过期删除
   有个bigkey，它安分守己（只执行简单的命令，例如hget、lpop、zscore等），但它设置了过期时间，当它过期后，会被删除，如果没有使用Redis 4.0的过期异步删除(lazyfree-lazy-expire yes)，就会存在阻塞Redis的可能性。

bigkey的产生：
一般来说，bigkey的产生都是由于程序设计不当，或者对于数据规模预料不清楚造成的，来看几个例子：
(1) 社交类：粉丝列表，如果某些明星或者大v不精心设计下，必是bigkey。
(2) 统计类：例如按天存储某项功能或者网站的用户集合，除非没几个人用，否则必是bigkey。
(3) 缓存类：将数据从数据库load出来序列化放到Redis里，这个方式非常常用，但有两个地方需要注意，第一，是不是有必要把所有字段都缓存；第二，有没有相关关联的数据，有的同学为了图方便把相关数据都存一个key下，产生bigkey。

如何优化bigkey

1. 拆
   big list： list1、list2、…listN
   big hash：可以讲数据分段存储，比如一个大的key，假设存了1百万的用户数据，可以拆分成200个key，每个key下面存放5000个用户数据
2. 如果bigkey不可避免，也要思考一下要不要每次把所有元素都取出来(例如有时候仅仅需要hmget，而不是hgetall)，删除也是一样，尽量使用优雅的方式来处理。

(2)【推荐】：选择适合的数据类型。
例如：实体类型(要合理控制和使用数据结构，但也要注意节省内存和性能之间的平衡)
反例：
set user:1:name tom
set user:1:age 19
set user:1:favor football
正例:
hmset user:1 name tom age 19 favor football

3.【推荐】：控制key的生命周期，redis不是垃圾桶。
建议使用expire设置过期时间(条件允许可以打散过期时间，防止集中过期)。

二、命令使用
1.【推荐】 O(N)命令关注N的数量
例如hgetall、lrange、smembers、zrange、sinter等并非不能使用，但是需要明确N的值。有遍历的需求可以使用hscan、sscan、zscan代替。

2.【推荐】：禁用命令
禁止线上使用keys、flushall、flushdb等，通过redis的rename机制禁掉命令，或者使用scan的方式渐进式处理。

3.【推荐】合理使用select
redis的多数据库较弱，使用数字进行区分，很多客户端支持较差，同时多业务用多数据库实际还是单线程处理，会有干扰。

4.【推荐】使用批量操作提高效率
原生命令：例如mget、mset。
非原生命令：可以使用pipeline提高效率。
但要注意控制一次批量操作的元素个数(例如500以内，实际也和元素字节数有关)。
注意两者不同：

1. 原生命令是原子操作，pipeline是非原子操作。
2. pipeline可以打包不同的命令，原生命令做不到
3. pipeline需要客户端和服务端同时支持。

5.【建议】Redis事务功能较弱，不建议过多使用，可以用lua替代

三、客户端使用

1.【推荐】
避免多个应用使用一个Redis实例
正例：不相干的业务拆分，公共数据做服务化。

2.【推荐】
使用带有连接池的数据库，可以有效控制连接，同时提高效率，标准使用方式：
连接池参数含义：

List<Jedis> minIdleJedisList = new ArrayList<Jedis>(jedisPoolConfig.getMinIdle());

for (int i = 0; i < jedisPoolConfig.getMinIdle(); i++) {
    Jedis jedis = null;
    try {
        jedis = pool.getResource();
        minIdleJedisList.add(jedis);
        jedis.ping();
    } catch (Exception e) {
        logger.error(e.getMessage(), e);
    } finally {
        //注意，这里不能马上close将连接还回连接池，否则最后连接池里只会建立1个连接。。
        //jedis.close();
    }
}
//统一将预热的连接还回连接池
for (int i = 0; i < jedisPoolConfig.getMinIdle(); i++) {
    Jedis jedis = null;
    try {
        jedis = minIdleJedisList.get(i);
        //将连接归还回连接池
        jedis.close();
    } catch (Exception e) {
        logger.error(e.getMessage(), e);
    } finally {
    }
}

Redis的三种过期策略

1、被动删除/惰性删除：是Redis默认的过期键删除策略
当读/写一个已经过期的key时，会触发惰性删除策略，直接删除这个过期的key。并返回空值，这种策略的优点是删除操作在需要时进行，减少了不必要的删除开销。但是如果大量过期键没有被再次访问过，这些键会一直占据内存。
2、定期删除/主动删除：
由于惰性删除策略无法保证冷数据被及时删除，一直占用内存，所以Redis会定期主动淘汰一批已经过期的key。
3、当前已用内存超过maxmemory限定时，触发主动清理策略，主动清理策略在Redis4.0之前一共实现6种内存淘汰策略，在之后用增加了2中。

Redis内存淘汰策略：

针对设置了过期时间的key做处理：
1、volatile-ttl:在筛选时，会针对设置了过期时间的键值对，根据过期时间的先后进行删除，越早过期的越先被删除；
2、volatile-random:在设置了过期时间的键值对中，进行随机删除；
3、volatile-lru:会使用LRU算法筛选设置了过期时间的键值对删除；
4、volatile-lfu：会使用LFU算法筛选设置了过期时间的键值对删除；

针对所有key做处理：
5、allkeys-random:从键值对中随机选择并删除数据；
6、allkeys-lru：使用LRU算法在所有数据中进行筛选删除；
7、allkeys-lfu:使用LFU算法在所有数据中进行筛选删除；
不处理：
noeviction:不会剔除任何数据，拒绝所有写入操作并返回客户端错误信息，此时Redis只响应读操作

LRU算法（Least Recently Used,最近最少使用）
淘汰很久没有被访问的数据，以最近一次访问时间作为参考
LFU算法（Lease Frequently Used,最不经常使用）
淘汰最近一段时间访问次数最少得数据，以次数作为参考

当存在热点数据时，LRU的效率好，但是偶发性的、周期性的批量操作会导致LRU的命中率急剧下降，混存污染情况比较严重，这只使用LFU可能会更好点。

根据自身业务类型，配置好maxmemory-policy(默认是noeviction)，推荐使用volatile-lru,如果不设置最大内存，当Redis内存超出物理内存限制时，内存的数据会开始和磁盘产生频繁的交换（swap）,Redis性能会极具下降。
当Redis运行在主从模式时，只有主节点才会执行过期删除策略，然后把删除操作“del key”同步到从节点删除数据