关于：缓存穿透、缓存击穿、缓存雪崩、热点数据失效

来自Wikioe
跳到导航 跳到搜索


关于

项目通常会引入NoSQL技术（即：基于内存的数据库，如redis），来应对大数据量的需求，以规避磁盘读/写速度比较慢的问题而存在的性能弊端；
但是，引入redis等又有可能出现缓存穿透，缓存击穿，缓存雪崩等问题，并需要开发对这些问题进行考量并作出应对。

缓存穿透（请求一个“一定不存在的数据”）

缓存穿透：请求一个不存在的数据，缓存和数据库都查不到这个数据，每次都会去数据库查询。

比如：用一个不存在的用户id获取用户信息，不论缓存还是数据库都没有，若黑客利用此漏洞进行攻击可能压垮数据库。

解决方案

有很多种方法可以有效地解决缓存穿透问题：

  1. BloomFilter：（“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：每次查询的时候都先去BloomFilter判断，如果没有就直接返回null；如果存在再进行查缓存、DB查询；
  2. 缓存空值：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），仍然为这些key在缓存中设置对应的值为null。
    • 要对这些key设置过期时间，以防止真的有数据；
    //伪代码
public object GetProductListNew() {
    int cacheTime = 30;
    String cacheKey = "product_list";

    String cacheValue = CacheHelper.Get(cacheKey);
    if (cacheValue != null) {
        return cacheValue;
    }

    cacheValue = CacheHelper.Get(cacheKey);
    if (cacheValue != null) {
        return cacheValue;
    } else {
        //数据库查询不到，为空
        cacheValue = GetProductListFromDB();
        if (cacheValue == null) {
            //如果发现为空，设置个默认值，也缓存起来
            cacheValue = string.Empty;
        }
        CacheHelper.Add(cacheKey, cacheValue, cacheTime);
        return cacheValue;
    }
}
  • BloomFilter可以结合缓存空值用；
  • 针对于一些恶意攻击，攻击带过来的大量key是不存在的，可以考虑使用BloomFilter进行过滤。

缓存击穿（被大量请求的“单个热点数据”过期）

缓存击穿：大量的请求同时查询同一个key时，此时这个key正好失效了，就会导致同一时间，这些请求都会去查询数据库，这样的现象我们称为缓存击穿。

解决方案

针对“热点数据过期”：

  1. 设置热点数据永不过期：
    • 物理不过期，针对热点key不设置过期时间；
    • 逻辑过期，把过期时间存在 key 对应的 value 里，如果发现要过期了，通过一个后台的异步线程进行缓存的构建；


针对“大量请求”：

  1. 采用分布式锁，只有拿到锁的第一个线程去请求数据库，然后插入缓存，当然每次拿到锁的时候都要去查询一下缓存有没有； 
    //伪代码
public object GetProductListNew() {
    int cacheTime = 30;
    String cacheKey = "product_list";
    String lockKey = cacheKey;

    String cacheValue = CacheHelper.get(cacheKey);
    if (cacheValue != null) {
        return cacheValue;
    } else {
        synchronized(lockKey) {
            cacheValue = CacheHelper.get(cacheKey);
            if (cacheValue != null) {
                return cacheValue;
            } else {
                // 这里一般是sql查询数据
                cacheValue = GetProductListFromDB(); 
                CacheHelper.Add(cacheKey, cacheValue, cacheTime);
            }
        }
        return cacheValue;
    }
}

缓存雪崩（缓存数据“集体过期”）

缓存雪崩：当某一时刻发生大规模的缓存失效的情况。

可能出现的情况：

  1. 数据过期时间相同，
  2. 缓存服务宕机。

解决方案

针对服务器宕机：

  1. 采用集群，降低服务宕机的概率；
  2. ehcache本地缓存 + Hystrix限流&降级；【？？？】
    • ehcache 本地缓存：在 Redis Cluster 完全不可用的时候，ehcache 本地缓存做临时支持；
    • Hystrix进行限流 & 降级 ，比如一秒来了5000个请求，我们可以设置假设只能有一秒 2000个请求能通过这个组件，那么其他剩余的 3000 请求就会走限流逻辑；


针对过期时间相同：

  • 事前：
    1. 均匀过期：设置不同的过期时间。
    2. 分级缓存：第一级缓存失效的基础上，访问二级缓存，每一级缓存的失效时间都不同。
    3. 热点数据缓存永远不过期。
      • 物理不过期，针对热点key不设置过期时间
      • 逻辑过期，把过期时间存在 key 对应的 value 里，如果发现要过期了，通过一个后台的异步线程进行缓存的构建
  • 事中：
    1. 互斥锁（或分布式锁）：在缓存失效后，通过互斥锁或者队列来控制读数据写缓存的线程数量。降低系统的吞吐量，以减小数据库压力。
    2. 使用熔断机制，限流降级：当流量达到一定的阈值，直接返回“系统拥挤”之类的提示，防止过多的请求打在数据库上将数据库击垮，至少能保证一部分用户是可以正常使用，其他用户多刷新几次也能得到结果。

热点数据失效

热点数据失效：缓存的“热点数据”“集体过期”；【击穿 + 雪崩？？？】

解决方案

针对缓存过期：

  1. 为缓存设置不同的失效时间（原有的失效时间基础上增加一个随机值），避免集体失效；
  2. 采用加锁或队列，来保证不会有大量的线程对数据库一次性进行读写；（缓存击穿的解决办法）
    • 加锁排队只是为了减轻数据库的压力，并没有提高系统吞吐量。甚至可能带来分布式锁的问题，因此，在真正的高并发场景下很少使用！
  3. 永不失效，就是采用定时任务对快要失效的缓存进行更新缓存和失效时间；
  4. （设置过期标志更新缓存：） 
    //伪代码
public object GetProductListNew() {
    int cacheTime = 30;
    String cacheKey = "product_list";
    //缓存标记
    String cacheSign = cacheKey + "_sign";

    String sign = CacheHelper.Get(cacheSign);
    //获取缓存值
    String cacheValue = CacheHelper.Get(cacheKey);
    if (sign != null) {
        return cacheValue;   //未过期，直接返回
    } else {
        CacheHelper.Add(cacheSign, "1", cacheTime);
        ThreadPool.QueueUserWorkItem((arg) -> {
            //这里一般是 sql查询数据
            cacheValue = GetProductListFromDB(); 
            //日期设缓存时间的2倍，用于脏读
            CacheHelper.Add(cacheKey, cacheValue, cacheTime * 2);                 
        });
        return cacheValue;
    }
}
    • 缓存标记：记录缓存数据是否过期，如果过期会触发通知另外的线程在后台去更新实际key的缓存；
    • 缓存数据：它的过期时间比缓存标记的时间延长1倍，例：标记缓存时间30分钟，数据缓存设置为60分钟。这样，当缓存标记key过期后，实际缓存还能把旧数据返回给调用端，直到另外的线程在后台更新完成后，才会返回新缓存。

其他缓存概念

缓存预热

缓存预热是指系统上线后，提前将相关的缓存数据加载到缓存系统。避免在用户请求的时候，先查询数据库，然后再将数据缓存的问题，用户直接查询事先被预热的缓存数据。

  • 如果不进行预热，那么Redis初始状态数据为空，系统上线初期，对于高并发的流量，都会访问到数据库中， 对数据库造成流量的压力。


缓存预热解决方案：

  1. 数据量不大的时候，工程启动的时候进行加载缓存动作；
  2. 数据量大的时候，设置一个定时任务脚本，进行缓存的刷新；
  3. 数据量太大的时候，优先保证热点数据进行提前加载到缓存。

缓存降级

当访问量剧增、服务出现问题（如响应时间慢或不响应）或非核心服务影响到核心流程的性能时，仍然需要保证服务还是可用的，即使是有损服务。系统可以根据一些关键数据进行自动降级，也可以配置开关实现人工降级。 降级的最终目的是保证核心服务可用，即使是有损的。

  • 降级一般是有损的操作，所以尽量减少降级对于业务的影响程度。
  • 而且有些服务是无法降级的（如加入购物车、结算）。


以参考日志级别设置预案：

  1. 一般：比如有些服务偶尔因为网络抖动或者服务正在上线而超时，可以自动降级；
  2. 警告：有些服务在一段时间内成功率有波动（如在95~100%之间），可以自动降级或人工降级，并发送告警；
  3. 错误：比如可用率低于90%，或者数据库连接池被打爆了，或者访问量突然猛增到系统能承受的最大阀值，此时可以根据情况自动降级或者人工降级；
  4. 严重错误：比如因为特殊原因数据错误了，此时需要紧急人工降级。


服务降级的目的，是为了防止Redis服务故障，导致数据库跟着一起发生雪崩问题。因此，对于不重要的缓存数据，可以采取服务降级策略。

例如一个比较常见的做法就是，Redis出现问题，不去数据库查询，而是直接返回默认数据（或访问服务的内存数据）给用户。
  • 在项目实战中通常会将部分热点数据缓存到服务的内存中，这样一旦缓存出现异常，可以直接使用服务的内存数据，从而避免数据库遭受巨大压力。
取自“http://wiki.eijux.com/index.php?title=关于：缓存穿透、缓存击穿、缓存雪崩、热点数据失效&oldid=3171”