【緩存】redis緩存設計

1：緩存技術和框架的重要性

互聯網的一些高併發，高性能的項目和系統中，緩存技術是起着功不可沒的做用。緩存不只僅是key-value的簡單存取，它在具體的業務場景中，仍是很複雜的，須要很強的架構設計能力。我曾經就遇到過由於緩存架構設計不到位，致使了系統崩潰的案例。

2：緩存的技術方案分類

1）是作實時性比較高的那塊數據，好比說庫存，銷量之類的這種數據，咱們採起的實時的緩存+數據庫雙寫的技術方案，雙寫一致性保障的方案。

2）是作實時性要求不高的數據，好比說商品的基本信息，等等，咱們採起的是三級緩存架構的技術方案，就是說由一個專門的數據生產的服務，去獲取整個商品詳情頁須要的各類數據，通過處理後，將數據放入各級緩存中。

3：高併發以及高可用的複雜系統中的緩存架構都有哪些東西

1）在大型的緩存架構中，redis是最最基礎的一層。高併發，緩存架構中除了redis，還有其餘的組成部分，可是redis相當重要。

• 若是你的數據量不大（10G之內），單master就能夠。redis持久化+備份方案+容災方案+replication（主從+讀寫分離）+sentinal（哨兵集羣，3個節點，高可用性）

• 若是你的數據量很大（1T+），採用redis cluster。多master分佈式存儲數據，水平擴容,自動進行master -> slave的主備切換。

2）最經典的緩存+數據庫讀寫的模式，cache aside pattern。讀的時候，先讀緩存，緩存沒有的話，那麼就讀數據庫。更新緩存分如下兩種方式：

• 數據發生變化時，先更新緩存，而後再更新數據庫。這種適用於緩存的值相對簡單，和數據庫的值一一對應，這樣更新比較快。

• 數據發生變化時，先刪除緩存，而後再更新數據庫，讀數據的時候再設置緩存。這種適用於緩存的值比較複雜的場景。好比可能更新了某個表的一個字段，而後其對應的緩存，是須要查詢另外兩個表的數據，並進行運算，才能計算出緩存最新的值的。這樣更新緩存的代價是很高的。若是你頻繁修改一個緩存涉及的多個表，那麼這個緩存會被頻繁的更新，頻繁的更新緩存代價很高。並且這個緩存的值若是不是被頻繁訪問，就得不償失了。

大部分狀況下，建議適用刪除更新的方式。其實刪除緩存，而不是更新緩存，就是一個lazy計算的思想，不要每次都從新作複雜的計算，無論它會不會用到，而是讓它到須要被使用的時候再從新計算。

舉個例子，一個緩存涉及的表的字段，在1分鐘內就修改了20次，或者是100次，那麼緩存跟新20次，100次; 可是這個緩存在1分鐘內就被讀取了1次，有大量的冷數據。28黃金法則，20%的數據，佔用了80%的訪問量。實際上，若是你只是刪除緩存的話，那麼1分鐘內，這個緩存不過就從新計算一次而已，開銷大幅度下降。每次數據過來，就只是刪除緩存，而後修改數據庫，若是這個緩存，在1分鐘內只是被訪問了1次，那麼只有那1次，緩存是要被從新計算的。

3）數據庫與緩存雙寫不一致問題的解決方案

問題：併發請求的時候，數據發生了變動，先刪除了緩存，而後要去修改數據庫，此時還沒修改。另外一個請求過來，去讀緩存，發現緩存空了，去查詢數據庫，查到了修改前的舊數據，放到了緩存中。

方案：數據庫與緩存更新與讀取操做進行異步串行化。（引入隊列）

更新數據的時候，將相應操做發送到一個jvm內部的隊列中。讀取數據的時候，若是發現數據不在緩存中，那麼將從新讀取數據的操做也發送到同一個jvm內部的隊列中。隊列消費者串行拿到對應的操做，而後一條一條的執行。這樣的話，一個數據變動的操做，先執行刪除緩存，而後再去更新數據庫，可是還沒完成更新。此時若是一個讀請求過來，讀到了空的緩存，那麼能夠先將緩存更新的請求發送到隊列中，此時會在隊列中積壓，而後同步等待緩存更新完成。

這裏有兩個能夠優化的點：

• 一個隊列中，其實多個讀緩存，更新緩存的請求串在一塊兒是沒意義的，並且若是讀同一緩存的大量請求到來時，會依次進入隊列等待，這樣會致使隊列最後一個的請求響應時間超時。所以能夠作過濾，若是發現隊列中已經有一個讀緩存，更新緩存的請求了，那麼就不用再放個新請求操做進去了，直接等待前面的更新操做請求完成便可。若是請求還在等待時間範圍內，不斷輪詢發現能夠取到值了，那麼就直接返回; 若是請求等待的時間超過必定時長，那麼這一次直接從數據庫中讀取當前的舊值。

• 若是請求量特別大的時候，能夠用多個隊列，每一個隊列對應一個線程。每一個請求來時能夠根據請求的標識id進行hash路由進入到不一樣的隊列。

最後，必定要作根據實際業務系統的運行狀況，去進行一些壓力測試，和模擬線上環境，去看看最繁忙的時候，內存隊列可能會擠壓多少更新操做，可能會致使最後一個更新操做對應的讀請求，會hang多少時間，若是讀請求在200ms返回，若是你計算事後，哪怕是最繁忙的時候，積壓10個更新操做，最多等待200ms，那還能夠的。若是一個內存隊列可能積壓的更新操做特別多，那麼你就要加機器，讓每一個機器上部署的服務實例處理更少的數據，那麼每一個內存隊列中積壓的更新操做就會越少。其實根據以前的項目經驗，通常來講數據的寫頻率是很低的，所以實際上正常來講，在隊列中積壓的更新操做應該是不多的。

舉個例子：一秒就100個寫操做。單臺機器，20個內存隊列，每一個內存隊列，可能就積壓5個寫操做，每一個寫操做性能測試後，通常在20ms左右就完成，那麼針對每一個內存隊列中的數據的讀請求，也就最多hang一下子，200ms之內確定能返回了。若是把寫QPS擴大10倍，可是通過剛纔的測算，就知道，單機支撐寫QPS幾百沒問題，那麼就擴容機器，擴容10倍的機器，10臺機器，每一個機器20個隊列，200個隊列。大部分的狀況下，應該是這樣的，大量的讀請求過來，都是直接走緩存取到數據的，少許狀況下，可能遇到讀跟數據更新衝突的狀況，如上所述，那麼此時更新操做若是先入隊列，以後可能會瞬間來了對這個數據大量的讀請求，可是由於作了去重的優化，因此也就一個更新緩存的操做跟在它後面。

4）大型緩存全量更新問題的解決方案

問題：緩存數據很大時，可能致使redis的吞吐量就會急劇降低，網絡耗費的資源大。若是不維度化，就致使多個維度的數據混合在一個緩存value中。並且不一樣維度的數據，可能更新的頻率都大不同。拿商品詳情頁來講，若是如今只是將1000個商品的分類批量調整了一下，可是若是商品分類的數據和商品自己的數據混雜在一塊兒。那麼可能致使須要將包括商品在內的大緩存value取出來，進行更新，再寫回去，就會很坑爹，耗費大量的資源，redis壓力也很大

方案：緩存維度化。舉個例子：商品詳情頁分三個維度：商品維度，商品分類維度，商品店鋪維度。將每一個維度的數據都存一份，好比說商品維度的數據存一份，商品分類的數據存一份，商品店鋪的數據存一份。那麼在不一樣的維度數據更新的時候，只要去更新對應的維度就能夠了。大大減輕了redis的壓力。

5）經過多級緩存，達到高併發極致，同時給緩存架構最後的安全保護層。具體能夠參照上一篇文章【億級流量的商品詳情頁架構分析】。

6）分佈式併發緩存重建的衝突問題的解決方案

問題：假如數據在全部的緩存中都不存在了（LRU算法弄掉了），就須要從新查詢數據寫入緩存。對於分佈式的重建緩存，在不一樣的機器上，不一樣的服務實例中，去作上面的事情，就會出現多個機器分佈式重建去讀取相同的數據，而後寫入緩存中。

方案：分佈式鎖：若是你有多個機器在訪問同一個共享資源，那麼這個時候，若是你須要加個鎖，讓多個分佈式的機器在訪問共享資源的時候串行起來。分佈式鎖固然有不少種不一樣的實現方案，redis分佈式鎖，zookeeper分佈式鎖。

zookeeper分佈式鎖的解決併發衝突的方案

• （1）變動緩存重建以及空緩存請求重建，更新redis以前，都須要先獲取對應商品id的分佈式鎖

• （2）拿到分佈式鎖以後，須要根據時間版本去比較一下，若是本身的版本新於redis中的版本，那麼就更新，不然就不更新

• （3）若是拿不到分佈式鎖，那麼就等待，不斷輪詢等待，直到本身獲取到分佈式的鎖

7）緩存冷啓動的問題的解決方案

問題：新系統第一次上線，此時在緩存裏多是沒有數據的。或者redis緩存全盤崩潰了，數據也丟了。致使全部請求打到了mysql。致使mysql直接掛掉。

方案：緩存預熱。

• 提早給redis中灌入部分數據，再提供服務

• 確定不可能將全部數據都寫入redis，由於數據量太大了，第一耗費的時間太長了，第二根本redis容納不下全部的數據，須要根據當天的具體訪問狀況，實時統計出訪問頻率較高的熱數據，而後將訪問頻率較高的熱數據寫入redis中，確定是熱數據也比較多，咱們也得多個服務並行讀取數據去寫，並行的分佈式的緩存預熱。

8）恐怖的緩存雪崩問題的解決方案

問題：緩存服務大量的資源所有耗費在訪問redis和源服務無果，最後本身被拖死，沒法提供服務。

方案：相對來講，考慮的比較完善的一套方案，分爲事前，事中，過後三個層次去思考怎麼來應對緩存雪崩的場景。

• 事前：高可用架構。主從架構，操做主節點，讀寫，數據同步到從節點，一旦主節點掛掉，從節點跟上。

• 事中：多級緩存。redis cluster已經完全崩潰了，緩存服務實例的ehcache的緩存還能起到做用。

• 過後：redis數據能夠恢復，作了備份，redis數據備份和恢復，redis從新啓動起來。

9）緩存穿透問題的解決方案

問題：緩存中沒有這樣的數據，數據庫中也沒有這樣的數據。因爲緩存是不命中時被動寫的，而且出於容錯考慮，若是從存儲層查不到數據則不寫入緩存，這將致使這個不存在的數據每次請求都要到存儲層去查詢，失去了緩存的意義。在流量大時，可能DB就掛掉了，要是有人利用不存在的key頻繁攻擊咱們的應用，這就是漏洞。

方案：有不少種方法能夠有效地解決緩存穿透問題，最多見的則是採用布隆過濾器，將全部可能存在的數據哈希到一個足夠大的bitmap中，一個必定不存在的數據會被 這個bitmap攔截掉，從而避免了對底層存儲系統的查詢壓力。另外也有一個更爲簡單粗暴的方法（咱們採用的就是這種），若是一個查詢返回的數據爲空（不論是數 據不存在，仍是系統故障），咱們仍然把這個空結果進行緩存，但它的過時時間會很短，最長不超過五分鐘。