緩存穿透，緩存雪崩的四種解決方案

前言

設計一個緩存系統，不得不要考慮的問題就是：緩存穿透、緩存擊穿與失效時的雪崩效應。

緩存穿透

緩存穿透是指查詢一個必定不存在的數據，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。

解決方案

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。

緩存雪崩

緩存雪崩是指在咱們設置緩存時採用了相同的過時時間，致使緩存在某一時刻同時失效，請求所有轉發到DB，DB瞬時壓力太重雪崩。

解決方案

緩存失效時的雪崩效應對底層系統的衝擊很是可怕。大多數系統設計者考慮用加鎖或者隊列的方式保證緩存的單線 程（進程）寫，從而避免失效時大量的併發請求落到底層存儲系統上。這裏分享一個簡單方案就時講緩存失效時間分散開，好比咱們能夠在原有的失效時間基礎上增長一個隨機值，好比1-5分鐘隨機，這樣每個緩存的過時時間的重複率就會下降，就很難引起集體失效的事件。

緩存擊穿

對於一些設置了過時時間的key，若是這些key可能會在某些時間點被超高併發地訪問，是一種很是「熱點」的數據。這個時候，須要考慮一個問題：緩存被「擊穿」的問題，這個和緩存雪崩的區別在於這裏針對某一key緩存，前者則是不少key。

緩存在某個時間點過時的時候，剛好在這個時間點對這個Key有大量的併發請求過來，這些請求發現緩存過時通常都會從後端DB加載數據並回設到緩存，這個時候大併發的請求可能會瞬間把後端DB壓垮。

解決方案

咱們的目標是：儘可能少的線程構建緩存(甚至是一個) + 數據一致性 + 較少的潛在危險，下面會介紹四種方法來解決這個問題：

一、使用互斥鎖(mutex key): 這種解決方案思路比較簡單，就是隻讓一個線程構建緩存，其餘線程等待構建緩存的線程執行完，從新從緩存獲取數據就能夠了（以下圖）

若是是單機，能夠用synchronized或者lock來處理，若是是分佈式環境能夠用分佈式鎖就能夠了（分佈式鎖，能夠用memcache的add, redis的setnx, zookeeper的添加節點操做）。

下面是Tim yang博客的代碼，是memcache的僞代碼實現

1. if (memcache.get(key) == null) {  

2.    // 3 min timeout to avoid mutex holder crash  

3.    if (memcache.add(key_mutex, 3 * 60 * 1000) == true) {  

4.        value = db.get(key);  

5.        memcache.set(key, value);  

6.        memcache.delete(key_mutex);  

7.    } else {  

8.        sleep(50);  

9.        retry();  

10.    }  

11. }  

若是換成redis，就是：

1. String get(String key) {  

2.   String value = redis.get(key);  

3.   if (value  == null) {  

4.    if (redis.setnx(key_mutex, "1")) {  

5.        // 3 min timeout to avoid mutex holder crash  

6.        redis.expire(key_mutex, 3 * 60)  

7.        value = db.get(key);  

8.        redis.set(key, value);  

9.        redis.delete(key_mutex);  

10.    } else {  

11.        //其餘線程休息50毫秒後重試  

12.        Thread.sleep(50);  

13.        get(key);  

14.    }  

15.  }  

16. }  

二、"提早"使用互斥鎖(mutex key)：

在value內部設置1個超時值(timeout1), timeout1比實際的memcache timeout(timeout2)小。當從cache讀取到timeout1發現它已通過期時候，立刻延長timeout1並從新設置到cache。而後再從數據庫加載數據並設置到cache中。僞代碼以下：

1. v = memcache.get(key);  

2. if (v == null) {  

3.    if (memcache.add(key_mutex, 3 * 60 * 1000) == true) {  

4.        value = db.get(key);  

5.        memcache.set(key, value);  

6.        memcache.delete(key_mutex);  

7.    } else {  

8.        sleep(50);  

9.        retry();  

10.    }  

11. } else {  

12.    if (v.timeout <= now()) {  

13.        if (memcache.add(key_mutex, 3 * 60 * 1000) == true) {  

14.            // extend the timeout for other threads  

15.            v.timeout += 3 * 60 * 1000;  

16.            memcache.set(key, v, KEY_TIMEOUT * 2);  

17.            // load the latest value from db  

18.            v = db.get(key);  

19.            v.timeout = KEY_TIMEOUT;  

20.            memcache.set(key, value, KEY_TIMEOUT * 2);  

21.            memcache.delete(key_mutex);  

22.        } else {  

23.            sleep(50);  

24.            retry();  

25.        }  

26.    }  

27. }  

三、"永遠不過時"：

這裏的「永遠不過時」包含兩層意思：

一、從redis上看，確實沒有設置過時時間，這就保證了，不會出現熱點key過時問題，也就是「物理」不過時。

二、從功能上看，若是不過時，那不就成靜態的了嗎？因此咱們把過時時間存在key對應的value裏，若是發現要過時了，經過一個後臺的異步線程進行緩存的構建，也就是「邏輯」過時

從實戰看，這種方法對於性能很是友好，惟一不足的就是構建緩存時候，其他線程(非構建緩存的線程)可能訪問的是老數據，可是對於通常的互聯網功能來講這個仍是能夠忍受。

1. String get(final String key) {  

2.        V v = redis.get(key);  

3.        String value = v.getValue();  

4.        long timeout = v.getTimeout();  

5.        if (v.timeout <= System.currentTimeMillis()) {  

6.            // 異步更新後臺異常執行  

7.            threadPool.execute(new Runnable() {  

8.                public void run() {  

9.                    String keyMutex = "mutex:" + key;  

10.                    if (redis.setnx(keyMutex, "1")) {  

11.                        // 3 min timeout to avoid mutex holder crash  

12.                        redis.expire(keyMutex, 3 * 60);  

13.                        String dbValue = db.get(key);  

14.                        redis.set(key, dbValue);  

15.                        redis.delete(keyMutex);  

16.                    }  

17.                }  

18.            });  

19.        }  

20.        return value;  

21.    }  

四、資源保護：

以前在緩存雪崩那篇文章提到了netflix的hystrix，能夠作資源的隔離保護主線程池，若是把這個應用到緩存的構建也何嘗不可。

3、四種方案對比：

做爲一個併發量較大的互聯網應用，咱們的目標有3個: 一、加快用戶訪問速度，提升用戶體驗。 二、下降後端負載，保證系統平穩。 三、保證數據「儘量」及時更新(要不要徹底一致，取決於業務，而不是技術。)

因此第二節中提到的四種方法，能夠作以下比較，仍是那就話：沒有最好，只有最合適。

解決方案

1、簡單分佈式鎖(Tim yang)

優勢

一、思路簡單 二、保證一致性

缺點

一、代碼複雜度增大 二、存在死鎖的風險 三、存在線程池阻塞的風險

2、加另一個過時時間(Tim yang)

優勢

一、保證一致性

缺點

一、代碼複雜度增大 二、存在死鎖的風險 三、存在線程池阻塞的風險

3、不過時(本文)

優勢

一、異步構建緩存，不會阻塞線程池

缺點

一、不保證一致性。 二、代碼複雜度增大(每一個value都要維護一個timekey)。 三、佔用必定的內存空間(每一個value都要維護一個timekey)。

4、不過時(本文)

優勢

一、hystrix技術成熟，有效保證後端。 二、hystrix監控強大。

缺點

一、部分訪問存在降級策略。

總結

熱點key + 過時時間 + 複雜的構建緩存過程 => mutex key問題 構建緩存一個線程作就能夠了。 四種解決方案：沒有最佳只有最合適。