redis缓存和数据库数据一致性、缓存穿透、缓存雪崩、redis并发问题分析

把redis作为缓存使用已经是司空见惯,但是使用redis后也可能会碰到一系列的问题,尤其是数据量很大的时候,经典的几个问题如下:

(一)缓存和数据库间数据一致性问题

分布式环境下(单机就不用说了)非常容易出现缓存和数据库间的数据一致性问题,针对这一点的话,只能说,如果你的项目对缓存的要求是强一致性的,那么请不要使用缓存。我们只能采取合适的策略来降低缓存和数据库间数据不一致的概率,而无法保证两者间的强一致性。合适的策略包括 合适的缓存更新策略,更新数据库后要及时更新缓存、缓存失败时增加重试机制,例如MQ模式的消息队列。

(二)缓存击穿问题

缓存击穿表示恶意用户模拟请求很多缓存中不存在的数据,由于缓存中都没有,导致这些请求短时间内直接落在了数据库上,导致数据库异常。这个我们在实际项目就遇到了,有些抢购活动、秒杀活动的接口API被大量的恶意用户刷,导致短时间内数据库宕机了,好在数据库是多主多从的,hold住了。

解决方案的话:

1、使用互斥锁排队

业界比价普遍的一种做法,即根据key获取value值为空时,锁上,从数据库中load数据后再释放锁。若其它线程获取锁失败,则等待一段时间后重试。这里要注意,分布式环境中要使用分布式锁,单机的话用普通的锁(synchronized、Lock)就够了。

publicString getWithLock(String key, Jedis jedis, String lockKey, String uniqueId,longexpireTime) {

// 通过key获取value

String value = redisService.get(key);

if(StringUtil.isEmpty(value)) {

//封装的tryDistributedLock包括setnx和expire两个功能,在低版本的redis中不支持

try{

booleanlocked = redisService.tryDistributedLock(jedis, lockKey, uniqueId, expireTime);

if(locked) {

value = userService.getById(key);

redisService.set(key, value);

redisService.del(lockKey);

returnvalue;

}else{

// 其它线程进来了没获取到锁便等待50ms后重试

Thread.sleep(50);

getWithLock(key, jedis, lockKey, uniqueId, expireTime);

}

}catch(Exception e) {

log.error("getWithLock exception="+ e);

returnvalue;

}finally{

redisService.releaseDistributedLock(jedis, lockKey, uniqueId);

}

}

returnvalue;

}

这样做思路比较清晰,也从一定程度上减轻数据库压力,但是锁机制使得逻辑的复杂度增加,吞吐量也降低了,有点治标不治本。

2、布隆过滤器(推荐)

bloomfilter就类似于一个hash set,用于快速判某个元素是否存在于集合中,其典型的应用场景就是快速判断一个key是否存在于某容器,不存在就直接返回。布隆过滤器的关键就在于hash算法和容器大小,下面先来简单的实现下看看效果,我这里用guava实现的布隆过滤器:

guava

23.0

publicclassBloomFilterTest {

privatestaticfinalintcapacity =1000000;

privatestaticfinalintkey =999998;

privatestaticBloomFilter bloomFilter = BloomFilter.create(Funnels.integerFunnel(), capacity);

static{

for(inti =; i

bloomFilter.put(i);

}

}

publicstaticvoidmain(String[] args) {

/*返回计算机最精确的时间,单位微妙*/

longstart = System.nanoTime();

if(bloomFilter.mightContain(key)) {

}

longend = System.nanoTime();

intsum =;

for(inti = capacity +20000; i

if(bloomFilter.mightContain(i)) {

sum = sum +1;

}

}

}

}

//输出结果

成功过滤到999998

布隆过滤器消耗时间:215518

错判率为:318

可以看到,100w个数据中只消耗了约0.2毫秒就匹配到了key,速度足够快。然后模拟了1w个不存在于布隆过滤器中的key,匹配错误率为318/10000,也就是说,出错率大概为3%,跟踪下BloomFilter的源码发现默认的容错率就是0.03:

publicstatic BloomFilter create(Funnel funnel,intexpectedInsertions/* n */) {

returncreate(funnel, expectedInsertions,0.03);// FYI, for 3%, we always get 5 hash functions

}

我们可调用BloomFilter的这个方法显式的指定误判率:

privatestaticBloomFilter bloomFilter = BloomFilter.create(Funnels.integerFunnel(), capacity,0.01);

我们断点跟踪下,误判率为0.02和默认的0.03时候的区别:

对比两个出错率可以发现,误判率为0.02时数组大小为8142363,0.03时为7298440,误判率降低了0.01,BloomFilter维护的数组大小也减少了843923,可见BloomFilter默认的误判率0.03是设计者权衡系统性能后得出的值。要注意的是,布隆过滤器不支持删除操作。用在这边解决缓存穿透问题就是:

publicString getByKey(String key) {

// 通过key获取value

String value = redisService.get(key);

if(StringUtil.isEmpty(value)) {

if(bloomFilter.mightContain(key)) {

value = userService.getById(key);

redisService.set(key, value);

returnvalue;

}else{

returnnull;

}

}

returnvalue;

}

(三)缓存雪崩问题

缓存在同一时间内大量键过期(失效),接着来的一大波请求瞬间都落在了数据库中导致连接异常。

解决方案:

1、也是像解决缓存穿透一样加锁排队,实现同上;

2、建立备份缓存,缓存A和缓存B,A设置超时时间,B不设值超时时间,先从A读缓存,A没有读B,并且更新A缓存和B缓存;

publicString getByKey(String keyA,String keyB) {

String value = redisService.get(keyA);

if(StringUtil.isEmpty(value)) {

value = redisService.get(keyB);

String newValue = getFromDbById();

redisService.set(keyA,newValue,31, TimeUnit.DAYS);

redisService.set(keyB,newValue);

}

returnvalue;

}

(四)缓存并发问题

这里的并发指的是多个redis的client同时set key引起的并发问题。比较有效的解决方案就是把redis.set操作放在队列中使其串行化,必须的一个一个执行,具体的代码就不上了,当然加锁也是可以的,至于为什么不用redis中的事务,留给各位看官自己思考探究。

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20180614G147AW00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券