HI！我是小小，咱們昨天沒有見面，是由於昨天小小一天都在火車上呆，準備去廣州的考試，因此脫稿一天，不過今天，小小的小blog已經開始恢復更新了。web
彙報一下進度
小小今天坐車路過武漢，武漢武昌的一張路過照片。redis
下面開始今天的正文，看見小小怎麼辛苦的份上，滑到底下，給個素質三連？數據庫
緩存雪崩
緩存雪崩是指在某一個時間段內，緩存集中過時失效，若是這個時間段內有大量請求，而查詢數據量巨大，全部的請求都會達到存儲層，存儲層的調用量會暴增，引發數據庫壓力過大甚至宕機。數組
緣由
-
Redis忽然宕機 -
大部分數據失效
舉個栗子
好比咱們基本上都經歷過購物狂歡節，假設商家舉辦 23:00-24:00 商品打骨折促銷活動。程序小哥哥在設計的時候，在 23:00 把商家打骨折的商品放到緩存中，並經過redis的expire設置了過時時間爲1小時。這個時間段許多用戶訪問這些商品信息、購買等等。可是恰好到了24:00點的時候，剛好還有許多用戶在訪問這些商品，這時候對這些商品的訪問都會落到數據庫上，致使數據庫要抗住巨大的壓力，稍有不慎會致使，數據庫直接宕機（over）。緩存
當商品沒有失效的時候是這樣的：
當緩存GG（失效）的時候倒是這樣的：
對於緩存雪崩有如下解決方案：
（1）redis高可用微信
redis有可能掛掉，多增長几臺redis實例，（一主多從或者多主多從），這樣一臺掛掉以後其餘的還能夠繼續工做，其實就是搭建的集羣。數據結構
（2）限流降級併發
在緩存失效後，經過加鎖或者隊列來控制讀數據庫寫緩存的線程數量，對某個key只容許一個線程查詢數據和寫緩存，其餘線程等待。編輯器
（3）數據預熱分佈式
數據加熱的含義就是在正式部署以前，我先把可能的數據先預先訪問一遍，這樣部分可能大量訪問的數據就會加載到緩存中。在即將發生大併發訪問前手動觸發加載緩存不一樣的key。
（4）不一樣的過時時間
設置不一樣的過時時間，讓緩存失效的時間點儘可能均勻。
緩存穿透
什麼是緩存穿透，當用戶在查詢一條數據的時候，而此時數據庫和緩存沒有任何關於這條數據的任何記錄的時候，當這條數據再緩存中沒找到數據，就會向數據庫請求數據，這樣就會對數據庫形成比較大的壓力。如：用戶查詢一個 id = -1 的商品信息，通常數據庫 id 值都是從 1 開始自增，很明顯這條信息是不在數據庫中，當沒有信息返回時，會一直向數據庫查詢，給當前數據庫的形成很大的訪問壓力。解決方案有倆個，分別爲緩存空對象，布隆過濾器。
緩存空對象
緩存空對象它就是指一個請求發送過來，若是此時緩存中和數據庫都不存在這個請求所要查詢的相關信息，那麼數據庫就會返回一個空對象，並將這個空對象和請求關聯起來存到緩存中，當下次仍是這個請求過來的時候，這時緩存就會命中，就直接從緩存中返回這個空對象，這樣能夠減小訪問數據庫的壓力，提升當前數據庫的訪問性能。咱們接下來能夠看下面這個流程而且爲了大量的空對象過多，致使緩存空對象也過多，因此須要利用Redis的過時機制，解決這個問題。
setex key seconds valule:設置鍵值對的同時指定過時時間(s)
在Java中
redisCache.put(Integer.toString(id), null, 60) //過時時間爲 60s
布隆過濾器
布隆過濾器用來過濾東西的。它是一種基於機率的數據結構，主要使用愛判斷當前某個元素是否在該集合中，運行速度快。咱們也能夠簡單理解爲是一個不怎麼精確的 set 結構（set 具備去重的效果）。可是有個小問題是：當你使用它的 contains 方法去判斷某個對象是否存在時，它可能會誤判。也就是說布隆過濾器不是特別不精確，可是隻要參數設置的合理，它的精確度能夠控制的相對足夠精確，只會有小小的誤判機率。當布隆過濾器說某個值存在時，這個值可能不存在；當它說不存在時，那就確定不存在。
舉個栗子
打個比方，當它說不認識你時，確定就不認識；當它說見過你時，可能根本就沒見過面，不過由於你的臉跟它認識的人中某臉比較類似 (某些熟臉的係數組合)，因此誤判之前見過你。在上面的使用場景中，布隆過濾器能準確過濾掉那些已經看過的內容，那些沒有看過的新內容，它也會過濾掉極小一部分 (誤判)，可是絕大多數新內容它都能準確識別。這樣就能夠徹底保證推薦給用戶的內容都是無重複的。
特色
-
一個很是大的二進制位數組（數組中只存在 0 和 1） -
擁有若干個哈希函數（Hash Function） -
在空間效率和查詢效率都很是高 -
布隆過濾器不會提供刪除方法，在代碼維護上比較困難。
每一個布隆過濾器對應到 Redis 的數據結構裏面就是一個大型的位數組和幾個不同的無偏 hash 函數。所謂無偏就是可以把元素的 hash 值算得比較均勻。向布隆過濾器中添加 key 時，會使用多個 hash 函數對 key 進行 hash 算得一個整數索引值而後對位數組長度進行取模運算獲得一個位置，每一個 hash 函數都會算得一個不一樣的位置。再把位數組的這幾個位置都置爲 1 就完成了 add 操做。（ 每個 key 都經過若干的hash函數映射到一個巨大位數組上，映射成功後，會在把位數組上對應的位置改成1。）
爲何存在誤判率
當 key1 和 key2 映射到位數組上的位置爲 1 時，假設這時候來了個 key3，要查詢是否是在裏面，剛好 key3 對應位置也映射到了這之間，那麼布隆過濾器會認爲它是存在的，這時候就會產生誤判（由於明明 key3 是不在的）。
提升準確率
-
哈希函數的好壞 -
存儲空間大小 -
哈希函數個數 hash函數的設計也是一個十分重要的問題，對於好的hash函數能大大下降布隆過濾器的誤判率。同時，對於一個布隆過濾器來講，若是其位數組越大的話，那麼每一個key經過hash函數映射的位置會變得稀疏許多，不會那麼緊湊，有利於提升布隆過濾器的準確率。同時，對於一個布隆過濾器來講，若是key經過許多hash函數映射，那麼在位數組上就會有許多位置有標誌，這樣當用戶查詢的時候，在經過布隆過濾器來找的時候，誤判率也會相應下降。
緩存擊穿
一個被常常訪問而且查詢到的key，常常有用戶訪問，可是這個時候，這個key正好到了失效時間，或者忽然變成冷門key，此時仍然有大量的關於這個的key的請求，這樣會形成大量的併發訪問到數據庫，形成數據庫的壓力劇增。致使緩存擊穿的產生。
緣由有兩條。
一個冷門的key，忽然有大量的用戶請求訪問。
一個熱門的key剛好到了過時的時間。
緩存擊穿問題的解決： 加鎖，對於key過時的時候，查詢數據庫的時候加鎖，可讓只有一個鏈接訪問到數據庫，而後獲取到key緩存到redis中，減小了緩存的壓力。在單機幻覺使用單機的鎖，在分佈式環境下使用分佈式鎖。
關於做者
一個生於二線，生存在一線的程序猿，佛系生活，佛系度日，我是小小，咱們下期再見。
小明菜市場
● 必備收藏 |詳解 | 求你別用效率低下的I/O了，要不試試這種I/O
● 明瞭 | 看了這篇文章，多年不能理解的分佈式事物，終於看懂了！
給我個好看再走好嗎？
本文分享自微信公衆號 - 小明菜市場（fileGeek）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。