Redis的三种常见的使用问题
- 缓存穿透（缓存的数据DB中不存在，缓存中也不存在。但是高频次的无结果查询全部落在DB上，从而影响DB性能）
- 缓存击穿（当热点数据发生过期时。高频次的访问全部落在DB上，从而影响DB性能）
- 缓存雪崩（和缓存穿透相似。很多的热点数据同一时间过期。）
缓存穿透
描述：
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需要从数据库查询，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数据库去查询，进而给数据库带来压力。（来自百度百科）
解决方案：
1.缓存空值：
针对空结果查询进行数据缓存，将空结果存入缓存中（设置一个较短的随机过期时间）。
2.布隆过滤器：
是一种较为特殊的数据结构。它实际上是一个很长的二进制向量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合中。它的优点是空间效率和查询时间都比一般的算法要好的多，缺点是有一定的误识别率和删除困难。
布隆过滤器的简单介绍：他是将每一个key进行hash 算法的，然后存入一个二进制数组当中。
举例：（假设我们这个布隆过滤器的二进制数组只有10个长度）
- （我们首先将Alibaba加入到缓存当中）
- Alibaba ==hash==> 378 （我们将Alibaba进行hash计算后得到378）
- [0,1,2,3,4,5,6,7,8,9] （我就是一个数组下标，怕各位客官数乱了。）
- [0,0,0,1,0,0,0,1,1,0] （然后我们将3，7，8对应到数组中，将这几位标记为1。）
- （我们再将Baidu加入到缓存当中）
- Baidu ==hash==> 279 (我们在将Baidu进行hash计算得到279)
- [0,0,1,1,0,0,0,1,1,1] （然后我们将2，7，9也对应到数组中，将这几位也标记为1。）
- （如果这个时候Tencent过来进行查询）
- Tencent ==hash==> 359 (我们在将Tencent进行hash计算得到359)
- [0,0,1,1,0,0,0,1,1,1] （然后我们将3，5，9在数组中进行查询，发现第5位是0，未进行赋值，我们就可以认为 Tencent这个数据一定不在缓存中也一定不在DB当中，可以直接返回空了。）
缓存击穿
描述：
缓存击穿是指热点key在某个时间点过期的时候，而恰好在这个时间点对这个Key有大量的并发请求过来，从而大量的请求打到db。（来自百度百科）
解决方案：
1.后台刷新缓存：启动一个后台的定时任务来更新Key，从而变相的保证了Key 的永不过期。但是实际操作起来的时候维护相对比较困难。（不推荐）
2.加锁：当缓存过期时，增加分布式锁。来确保在多个访问中只有一个请求可以请求到DB，其余的请求等待缓存更新后再次获取缓存，来确保DB的安全。这个做法也有很多的缺点，当访问DB 的时候其他的请求都在等待，这样的用户感受就很不友好。并且，如此多的请求堆积，还可能引起更多莫名其妙的问题，例如OOM等等。（不推荐）
3.标记更新：在缓存当中额外增加一个逻辑的更新时间。当访问到这个缓存时，如果逻辑更新时间到达时，就去更新这个缓存。但是这中方式同样会导致，缓存击穿。（不推荐）
4.加锁+二级缓存：针对热点数据增加两个缓存。一级缓存可以按照缓存的正常过期时间相对缩短一点，二级缓存（可以根据需求判断是否允许支持短暂的缓存不一致，来决定缓存的时间长短）设置一个长于一级缓存的时间。当一级缓存过期时，进行添加分布式锁，来保证只有一次DB的访问，然后同时更新两级缓存。其他的未获得锁的访问直接访问二级缓存。（推荐）
缓存雪崩
描述：
缓存雪崩是指缓存中数据大批量到过期时间，而查询数据量巨大，引起数据库压力过大甚至down机。（来自百度百科）
解决方案：
首先需要借助缓存击穿，解决方案。针对热点数据进行二级缓存和加锁，防止影响DB。
然后针对大部分缓存的集中性过期，进行分散过期时间。对缓存的正常过期时间，增加随机数。来确保缓存的分散性过期。
