分佈式之緩存系統

 

1、項目中緩存是如何使用的？爲何要用緩存？緩存使用不當會形成什麼後果？

　　這個問題，互聯網公司必問，要是一我的連緩存都不太清楚，那確實比較尷尬。

　　只要問到緩存，上來第一個問題，確定是先問問你項目哪裏用了緩存？爲啥要用？不用行不行？若是用了之後可能會有什麼不良的後果？

　　

爲何要用緩存？

　　用緩存，主要有兩個用途：高性能、高併發。

高性能

　　假設這麼個場景，你有個操做，一個請求過來，吭哧吭哧你各類亂七八糟操做 mysql，半天查出來一個結果，耗時 600ms。可是這個結果可能接下來幾個小時都不會變了，或者變了也能夠不用當即反饋給用戶。那麼此時咋辦？

　　緩存啊，折騰 600ms 查出來的結果，扔緩存裏，一個 key 對應一個 value，下次再有人查，別走 mysql 折騰 600ms 了，直接從緩存裏，經過一個 key 查出來一個 value，2ms 搞定。性能提高 300 倍。

　　就是說對於一些須要複雜操做耗時查出來的結果，且肯定後面不怎麼變化，可是有不少讀請求，那麼直接將查詢出來的結果放在緩存中，後面直接讀緩存就好。

高併發

　　mysql 這麼重的數據庫，壓根兒設計不是讓你玩兒高併發的，雖然也能夠玩兒，可是自然支持很差。mysql 單機支撐到 2000QPS 也開始容易報警了。

　　因此要是你有個系統，高峯期一秒鐘過來的請求有 1萬，那一個 mysql 單機絕對會死掉。你這個時候就只能上緩存，把不少數據放緩存，別放 mysql。緩存功能簡單，說白了就是 key-value 式操做，單機支撐的併發量輕鬆一秒幾萬十幾萬，支撐高併發 so easy。單機承載併發量是 mysql 單機的幾十倍。

　　緩存是走內存的，內存自然就支撐高併發。

　　常見的緩存問題有如下幾個：

• 緩存與數據庫雙寫不一致
• 緩存雪崩、緩存穿透
• 緩存併發競爭

2、redis 和 memcached 有什麼區別？redis 的線程模型是什麼？爲何 redis 單線程卻能支撐高併發？

redis 和 memcached 有啥區別？

　　redis 支持複雜的數據結構

　　redis 相比 memcached 來講，擁有更多的數據結構，能支持更豐富的數據操做。若是須要緩存可以支持更復雜的結構和操做， redis 會是不錯的選擇。

　　redis 原生支持集羣模式

　　在 redis3.x 版本中，便能支持 cluster 模式，而 memcached 沒有原生的集羣模式，須要依靠客戶端來實現往集羣中分片寫入數據。

　　性能對比

　　因爲 redis 只使用單核，而 memcached 可使用多核，因此平均每個核上 redis 在存儲小數據時比 memcached 性能更高。而在 100k 以上的數據中，memcached 性能要高於 redis。雖然 redis 最近也在存儲大數據的性能上進行優化，可是比起 memcached，仍是稍有遜色。

redis 的線程模型

　　redis 內部使用文件事件處理器 file event handler，這個文件事件處理器是單線程的，因此 redis 才叫作單線程的模型。它採用 IO 多路複用機制同時監聽多個 socket，將產生事件的 socket 壓入內存隊列中，事件分派器根據 socket 上的事件類型來選擇對應的事件處理器進行處理。

　　文件事件處理器的結構包含 4 個部分：

• 多個 socket
• IO 多路複用程序
• 文件事件分派器
• 事件處理器（鏈接應答處理器、命令請求處理器、命令回覆處理器）

　　多個 socket 可能會併發產生不一樣的操做，每一個操做對應不一樣的文件事件，可是 IO 多路複用程序會監聽多個 socket，會將產生事件的 socket 放入隊列中排隊，事件分派器每次從隊列中取出一個 socket，根據 socket 的事件類型交給對應的事件處理器進行處理。

　　來看客戶端與 redis 的一次通訊過程：

 

　　要明白，通訊是經過 socket 來完成的，不懂的同窗能夠先去看一看 socket 網絡編程。

　　首先，redis 服務端進程初始化的時候，會將 server socket 的 AE_READABLE 事件與鏈接應答處理器關聯。

　　客戶端 socket01 向 redis 進程的 server socket 請求創建鏈接，此時 server socket 會產生一個 AE_READABLE 事件，IO 多路複用程序監聽到 server socket 產生的事件後，將該 socket 壓入隊列中。文件事件分派器從隊列中獲取 socket，交給鏈接應答處理器。鏈接應答處理器會建立一個能與客戶端通訊的 socket01，並將該 socket01 的 AE_READABLE 事件與命令請求處理器關聯。

　　假設此時客戶端發送了一個 set key value 請求，此時 redis 中的 socket01 會產生 AE_READABLE 事件，IO 多路複用程序將 socket01 壓入隊列，此時事件分派器從隊列中獲取到 socket01 產生的 AE_READABLE 事件，因爲前面 socket01 的 AE_READABLE 事件已經與命令請求處理器關聯，所以事件分派器將事件交給命令請求處理器來處理。命令請求處理器讀取 socket01 的 key value 並在本身內存中完成 key value 的設置。操做完成後，它會將 socket01 的 AE_WRITABLE 事件與命令回覆處理器關聯。

　　若是此時客戶端準備好接收返回結果了，那麼 redis 中的 socket01 會產生一個 AE_WRITABLE 事件，一樣壓入隊列中，事件分派器找到相關聯的命令回覆處理器，由命令回覆處理器對 socket01 輸入本次操做的一個結果，好比 ok，以後解除 socket01 的 AE_WRITABLE 事件與命令回覆處理器的關聯。

這樣便完成了一次通訊。

爲啥 redis 單線程模型也能效率這麼高？

• 純內存操做
• 核心是基於非阻塞的 IO 多路複用機制
• 單線程反而避免了多線程的頻繁上下文切換問題

3、redis 都有哪些數據類型？分別在哪些場景下使用比較合適？

　　除非是面試官感受看你簡歷，是工做 3 年之內的比較初級的同窗，可能對技術沒有很深刻的研究，面試官纔會問這類問題。不然，在寶貴的面試時間裏，面試官實在不想多問。

其實問這個問題，主要有兩個緣由：

• 看看你到底有沒有全面的瞭解 redis 有哪些功能，通常怎麼來用，啥場景用什麼，就怕你別就會最簡單的 KV 操做；
• 看看你在實際項目裏都怎麼玩兒過 redis。

　　要是你回答的很差，沒說出幾種數據類型，也沒說什麼場景，你完了，面試官對你印象確定很差，以爲你平時就是作個簡單的 set 和 get。

 　　

redis 主要有如下幾種數據類型：

• string
• hash
• list
• set
• sorted set

string

　　這是最簡單的類型，就是普通的 set 和 get，作簡單的 KV 緩存。

hash

　　這個是相似 map 的一種結構，這個通常就是能夠將結構化的數據，好比一個對象（前提是這個對象沒嵌套其餘的對象）給緩存在 redis 裏，而後每次讀寫緩存的時候，能夠就操做 hash 裏的某個字段。

hset person name bingo
hset person age 20
hset person id 1
hget person name

person = {
    "name": "bingo",
    "age": 20,
    "id": 1
}

list

　　list 是有序列表，這個能夠玩兒出不少花樣。

　　好比能夠經過 list 存儲一些列表型的數據結構，相似粉絲列表、文章的評論列表之類的東西。

　　好比能夠經過 lrange 命令，讀取某個閉區間內的元素，能夠基於 list 實現分頁查詢，這個是很棒的一個功能，基於 redis 實現簡單的高性能分頁，能夠作相似微博那種下拉不斷分頁的東西，性能高，就一頁一頁走。

# 0開始位置，-1結束位置，結束位置爲-1時，表示列表的最後一個位置，即查看全部。
lrange mylist 0 -1

　　好比能夠搞個簡單的消息隊列，從 list 頭懟進去，從 list 尾巴那裏弄出來。

lpush mylist 1
lpush mylist 2
lpush mylist 3 4 5

# 1
rpop mylist

set

　　set 是無序集合，自動去重。

　　直接基於 set 將系統裏須要去重的數據扔進去，自動就給去重了，若是你須要對一些數據進行快速的全局去重，你固然也能夠基於 jvm 內存裏的 HashSet 進行去重，可是若是你的某個系統部署在多臺機器上呢？得基於 redis 進行全局的 set 去重。

　　能夠基於 set 玩兒交集、並集、差集的操做，好比交集吧，能夠把兩我的的粉絲列表整一個交集，看看倆人的共同好友是誰？對吧。

　　把兩個大 V 的粉絲都放在兩個 set 中，對兩個 set 作交集。

#-------操做一個set-------
# 添加元素
sadd mySet 1

# 查看所有元素
smembers mySet

# 判斷是否包含某個值
sismember mySet 3

# 刪除某個/些元素
srem mySet 1
srem mySet 2 4

# 查看元素個數
scard mySet

# 隨機刪除一個元素
spop mySet

#-------操做多個set-------
# 將一個set的元素移動到另一個set
smove yourSet mySet 2

# 求兩set的交集
sinter yourSet mySet

# 求兩set的並集
sunion yourSet mySet

# 求在yourSet中而不在mySet中的元素
sdiff yourSet mySet

sorted set

　　sorted set 是排序的 set，去重但能夠排序，寫進去的時候給一個分數，自動根據分數排序。

zadd board 85 zhangsan
zadd board 72 lisi
zadd board 96 wangwu
zadd board 63 zhaoliu

# 獲取排名前三的用戶（默認是升序，因此須要 rev 改成降序）
zrevrange board 0 3

# 獲取某用戶的排名
zrank board zhaoliu

4、redis 的過時策略都有哪些？內存淘汰機制都有哪些？手寫一下 LRU 代碼實現？

　　常見的有兩個問題：

• 往 redis 寫入的數據怎麼沒了？

　　可能有同窗會遇到，在生產環境的 redis 常常會丟掉一些數據，寫進去了，過一下子可能就沒了。個人天，同窗，你問這個問題就說明 redis 你就沒用對啊。redis 是緩存，你給當存儲了是吧？

　　啥叫緩存？用內存當緩存。內存是無限的嗎，內存是很寶貴並且是有限的，磁盤是廉價並且是大量的。可能一臺機器就幾十個 G 的內存，可是能夠有幾個 T 的硬盤空間。redis 主要是基於內存來進行高性能、高併發的讀寫操做的。

　　那既然內存是有限的，好比 redis 就只能用 10G，你要是往裏面寫了 20G 的數據，會咋辦？固然會幹掉 10G 的數據，而後就保留 10G 的數據了。那幹掉哪些數據？保留哪些數據？固然是幹掉不經常使用的數據，保留經常使用的數據了。

• 數據明明過時了，怎麼還佔用着內存？

　　這是由 redis 的過時策略來決定。

redis 過時策略

　　redis 過時策略是：按期刪除+惰性刪除。

　　所謂按期刪除，指的是 redis 默認是每隔 100ms 就隨機抽取一些設置了過時時間的 key，檢查其是否過時，若是過時就刪除。

　　假設 redis 裏放了 10w 個 key，都設置了過時時間，你每隔幾百毫秒，就檢查 10w 個 key，那 redis 基本上就死了，cpu 負載會很高的，消耗在你的檢查過時 key 上了。注意，這裏可不是每隔 100ms 就遍歷全部的設置過時時間的 key，那樣就是一場性能上的災難。實際上 redis 是每隔 100ms 隨機抽取一些 key 來檢查和刪除的。

　　可是問題是，按期刪除可能會致使不少過時 key 到了時間並無被刪除掉，那咋整呢？因此就是惰性刪除了。這就是說，在你獲取某個 key 的時候，redis 會檢查一下 ，這個 key 若是設置了過時時間那麼是否過時了？若是過時了此時就會刪除，不會給你返回任何東西。

獲取 key 的時候，若是此時 key 已通過期，就刪除，不會返回任何東西。

　　可是實際上這仍是有問題的，若是按期刪除漏掉了不少過時 key，而後你也沒及時去查，也就沒走惰性刪除，此時會怎麼樣？若是大量過時 key 堆積在內存裏，致使 redis 內存塊耗盡了，咋整？

　　答案是：走內存淘汰機制。

內存淘汰機制

　　redis 內存淘汰機制有如下幾個：

• noeviction: 當內存不足以容納新寫入數據時，新寫入操做會報錯，這個通常沒人用吧，實在是太噁心了。
• allkeys-lru：當內存不足以容納新寫入數據時，在鍵空間中，移除最近最少使用的 key（這個是最經常使用的）。
• allkeys-random：當內存不足以容納新寫入數據時，在鍵空間中，隨機移除某個 key，這個通常沒人用吧，爲啥要隨機，確定是把最近最少使用的 key 給幹掉啊。
• volatile-lru：當內存不足以容納新寫入數據時，在設置了過時時間的鍵空間中，移除最近最少使用的 key（這個通常不太合適）。
• volatile-random：當內存不足以容納新寫入數據時，在設置了過時時間的鍵空間中，隨機移除某個 key。
• volatile-ttl：當內存不足以容納新寫入數據時，在設置了過時時間的鍵空間中，有更早過時時間的 key 優先移除。

手寫一個 LRU 算法

　　你能夠現場手寫最原始的 LRU 算法，那個代碼量太大了，彷佛不太現實。

　　不求本身純手工從底層開始打造出本身的 LRU，可是起碼要知道如何利用已有的 JDK 數據結構實現一個 Java 版的 LRU。

class LRUCache<K, V> extends LinkedHashMap<K, V> {
    private final int CACHE_SIZE;

    /**
     * 傳遞進來最多能緩存多少數據
     *
     * @param cacheSize 緩存大小
     */
    public LRUCache(int cacheSize) {
        // true 表示讓 linkedHashMap 按照訪問順序來進行排序，最近訪問的放在頭部，最老訪問的放在尾部。
        super((int) Math.ceil(cacheSize / 0.75) + 1, 0.75f, true);
        CACHE_SIZE = cacheSize;
    }

    @Override
    protected boolean removeEldestEntry(Map.Entry<K, V> eldest) {
        // 當 map中的數據量大於指定的緩存個數的時候，就自動刪除最老的數據。
        return size() > CACHE_SIZE;
    }
}

5、redis 的持久化有哪幾種方式？不一樣的持久化機制都有什麼優缺點？持久化機制具體底層是如何實現的？

　　redis 若是僅僅只是將數據緩存在內存裏面，若是 redis 宕機了再重啓，內存裏的數據就所有都弄丟了啊。你必須得用 redis 的持久化機制，將數據寫入內存的同時，異步的慢慢的將數據寫入磁盤文件裏，進行持久化。

　　若是 redis 宕機重啓，自動從磁盤上加載以前持久化的一些數據就能夠了，也許會丟失少量數據，可是至少不會將全部數據都弄丟。

　　這個其實同樣，針對的都是 redis 的生產環境可能遇到的一些問題，就是 redis 要是掛了再重啓，內存裏的數據不就全丟了？能不能重啓的時候把數據給恢復了？

　　持久化主要是作災難恢復、數據恢復，也能夠歸類到高可用的一個環節中去，好比你 redis 整個掛了，而後 redis 就不可用了，你要作的事情就是讓 redis 變得可用，儘快變得可用。

　　重啓 redis，儘快讓它對外提供服務，若是沒作數據備份，這時候 redis 啓動了，也不可用啊，數據都沒了。

　　極可能說，大量的請求過來，緩存所有沒法命中，在 redis 里根本找不到數據，這個時候就死定了，出現緩存雪崩問題。全部請求沒有在 redis 命中，就會去 mysql 數據庫這種數據源頭中去找，一會兒 mysql 承接高併發，而後就掛了...

　　若是你把 redis 持久化作好，備份和恢復方案作到企業級的程度，那麼即便你的 redis 故障了，也能夠經過備份數據，快速恢復，一旦恢復當即對外提供服務。

redis 持久化的兩種方式

• RDB：RDB 持久化機制，是對 redis 中的數據執行週期性的持久化。
• AOF：AOF 機制對每條寫入命令做爲日誌，以 append-only 的模式寫入一個日誌文件中，在 redis 重啓的時候，能夠經過回放 AOF 日誌中的寫入指令來從新構建整個數據集。

　　RDB 或 AOF，均可以將 redis 內存中的數據給持久化到磁盤上面來，而後能夠將這些數據備份到別的地方去，好比說阿里雲等雲服務。

　　若是 redis 掛了，服務器上的內存和磁盤上的數據都丟了，能夠從雲服務上拷貝回來以前的數據，放到指定的目錄中，而後從新啓動 redis，redis 就會自動根據持久化數據文件中的數據，去恢復內存中的數據，繼續對外提供服務。

　　若是同時使用 RDB 和 AOF 兩種持久化機制，那麼在 redis 重啓的時候，會使用 AOF 來從新構建數據，由於 AOF 中的數據更加完整。

RDB 優缺點

• RDB 會生成多個數據文件，每一個數據文件都表明了某一個時刻中 redis 的數據，這種多個數據文件的方式，很是適合作冷備，能夠將這種完整的數據文件發送到一些遠程的安全存儲上去，好比說 Amazon 的 S3 雲服務上去，在國內能夠是阿里雲的 ODPS 分佈式存儲上，以預約好的備份策略來按期備份 redis 中的數據。

• RDB 對 redis 對外提供的讀寫服務，影響很是小，可讓 redis 保持高性能，由於 redis 主進程只須要 fork 一個子進程，讓子進程執行磁盤 IO 操做來進行 RDB 持久化便可。

• 相對於 AOF 持久化機制來講，直接基於 RDB 數據文件來重啓和恢復 redis 進程，更加快速。

• 若是想要在 redis 故障時，儘量少的丟失數據，那麼 RDB 沒有 AOF 好。通常來講，RDB 數據快照文件，都是每隔 5 分鐘，或者更長時間生成一次，這個時候就得接受一旦 redis 進程宕機，那麼會丟失最近 5 分鐘的數據。

• RDB 每次在 fork 子進程來執行 RDB 快照數據文件生成的時候，若是數據文件特別大，可能會致使對客戶端提供的服務暫停數毫秒，或者甚至數秒。

AOF 優缺點

• AOF 能夠更好的保護數據不丟失，通常 AOF 會每隔 1 秒，經過一個後臺線程執行一次fsync操做，最多丟失 1 秒鐘的數據。
• AOF 日誌文件以 append-only 模式寫入，因此沒有任何磁盤尋址的開銷，寫入性能很是高，並且文件不容易破損，即便文件尾部破損，也很容易修復。
• AOF 日誌文件即便過大的時候，出現後臺重寫操做，也不會影響客戶端的讀寫。由於在 rewrite log 的時候，會對其中的指令進行壓縮，建立出一份須要恢復數據的最小日誌出來。在建立新日誌文件的時候，老的日誌文件仍是照常寫入。當新的 merge 後的日誌文件 ready 的時候，再交換新老日誌文件便可。
• AOF 日誌文件的命令經過很是可讀的方式進行記錄，這個特性很是適合作災難性的誤刪除的緊急恢復。好比某人不當心用 flushall 命令清空了全部數據，只要這個時候後臺 rewrite 尚未發生，那麼就能夠當即拷貝 AOF 文件，將最後一條 flushall 命令給刪了，而後再將該 AOF 文件放回去，就能夠經過恢復機制，自動恢復全部數據。
• 對於同一份數據來講，AOF 日誌文件一般比 RDB 數據快照文件更大。
• AOF 開啓後，支持的寫 QPS 會比 RDB 支持的寫 QPS 低，由於 AOF 通常會配置成每秒 fsync 一第二天志文件，固然，每秒一次 fsync，性能也仍是很高的。（若是實時寫入，那麼 QPS 會大降，redis 性能會大大下降）
• 之前 AOF 發生過 bug，就是經過 AOF 記錄的日誌，進行數據恢復的時候，沒有恢復如出一轍的數據出來。因此說，相似 AOF 這種較爲複雜的基於命令日誌 / merge / 回放的方式，比基於 RDB 每次持久化一份完整的數據快照文件的方式，更加脆弱一些，容易有 bug。不過 AOF 就是爲了不 rewrite 過程致使的 bug，所以每次 rewrite 並非基於舊的指令日誌進行 merge 的，而是基於當時內存中的數據進行指令的從新構建，這樣健壯性會好不少。

RDB 和 AOF 到底該如何選擇

• 不要僅僅使用 RDB，由於那樣會致使你丟失不少數據；
• 也不要僅僅使用 AOF，由於那樣有兩個問題：第一，你經過 AOF 作冷備，沒有 RDB 作冷備來的恢復速度更快；第二，RDB 每次簡單粗暴生成數據快照，更加健壯，能夠避免 AOF 這種複雜的備份和恢復機制的 bug；
• redis 支持同時開啓開啓兩種持久化方式，咱們能夠綜合使用 AOF 和 RDB 兩種持久化機制，用 AOF 來保證數據不丟失，做爲數據恢復的第一選擇; 用 RDB 來作不一樣程度的冷備，在 AOF 文件都丟失或損壞不可用的時候，還可使用 RDB 來進行快速的數據恢復。

6、什麼是 redis 的雪崩、穿透和擊穿？redis 崩潰以後會怎麼樣？系統該如何應對這種狀況？如何處理 redis 的穿透？

緩存雪崩

　　對於系統 A，假設天天高峯期每秒 5000 個請求，原本緩存在高峯期能夠扛住每秒 4000 個請求，可是緩存機器意外發生了全盤宕機。緩存掛了，此時 1 秒 5000 個請求所有落數據庫，數據庫必然扛不住，它會報一下警，而後就掛了。此時，若是沒有采用什麼特別的方案來處理這個故障，DBA 很着急，重啓數據庫，可是數據庫立馬又被新的流量給打死了。

　　這就是緩存雪崩。

　　大約在 3 年前，國內比較知名的一個互聯網公司，曾由於緩存事故，致使雪崩，後臺系統所有崩潰，事故從當天下午持續到晚上凌晨 3~4 點，公司損失了幾千萬。

　　緩存雪崩的事前事中過後的解決方案以下。

• 事前：redis 高可用，主從+哨兵，redis cluster，避免全盤崩潰。
• 事中：本地 ehcache 緩存 + hystrix 限流&降級，避免 MySQL 被打死。
• 過後：redis 持久化，一旦重啓，自動從磁盤上加載數據，快速恢復緩存數據。

　　用戶發送一個請求，系統 A 收到請求後，先查本地 ehcache 緩存，若是沒查到再查 redis。若是 ehcache 和 redis 都沒有，再查數據庫，將數據庫中的結果，寫入 ehcache 和 redis 中。

　　限流組件，能夠設置每秒的請求，有多少能經過組件，剩餘的未經過的請求，怎麼辦？走降級！能夠返回一些默認的值，或者友情提示，或者空白的值。

　　好處：

• 數據庫絕對不會死，限流組件確保了每秒只有多少個請求能經過。
• 只要數據庫不死，就是說，對用戶來講，2/5 的請求都是能夠被處理的。
• 只要有 2/5 的請求能夠被處理，就意味着你的系統沒死，對用戶來講，可能就是點擊幾回刷不出來頁面，可是多點幾回，就能夠刷出來一次。

緩存穿透

　　對於系統A，假設一秒 5000 個請求，結果其中 4000 個請求是黑客發出的惡意攻擊。

　　黑客發出的那 4000 個攻擊，緩存中查不到，每次你去數據庫裏查，也查不到。

　　舉個栗子。數據庫 id 是從 1 開始的，結果黑客發過來的請求 id 所有都是負數。這樣的話，緩存中不會有，請求每次都「視緩存於無物」，直接查詢數據庫。這種惡意攻擊場景的緩存穿透就會直接把數據庫給打死。

　　解決方式很簡單，每次系統 A 從數據庫中只要沒查到，就寫一個空值到緩存裏去，好比 set -999 UNKNOWN。而後設置一個過時時間，這樣的話，下次有相同的 key 來訪問的時候，在緩存失效以前，均可以直接從緩存中取數據。

緩存擊穿

　　緩存擊穿，就是說某個 key 很是熱點，訪問很是頻繁，處於集中式高併發訪問的狀況，當這個 key 在失效的瞬間，大量的請求就擊穿了緩存，直接請求數據庫，就像是在一道屏障上鑿開了一個洞。

　　解決方式也很簡單，能夠將熱點數據設置爲永遠不過時；或者基於 redis or zookeeper 實現互斥鎖，等待第一個請求構建完緩存以後，再釋放鎖，進而其它請求才能經過該 key 訪問數據。

7、如何保證緩存與數據庫的雙寫一致性？

你只要用緩存，就可能會涉及到緩存與數據庫雙存儲雙寫，你只要是雙寫，就必定會有數據一致性的問題，那麼你如何解決一致性問題？

　　通常來講，若是容許緩存能夠稍微的跟數據庫偶爾有不一致的狀況，也就是說若是你的系統不是嚴格要求 「緩存+數據庫」 必須保持一致性的話，最好不要作這個方案，即：讀請求和寫請求串行化，串到一個內存隊列裏去。

串行化能夠保證必定不會出現不一致的狀況，可是它也會致使系統的吞吐量大幅度下降，用比正常狀況下多幾倍的機器去支撐線上的一個請求。

最經典的緩存+數據庫讀寫的模式，就是 Cache Aside Pattern。

• 讀的時候，先讀緩存，緩存沒有的話，就讀數據庫，而後取出數據後放入緩存，同時返回響應。
• 更新的時候，先更新數據庫，而後再刪除緩存。

爲何是刪除緩存，而不是更新緩存？

緣由很簡單，不少時候，在複雜點的緩存場景，緩存不僅僅是數據庫中直接取出來的值。

　　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。

另外更新緩存的代價有時候是很高的。是否是說，每次修改數據庫的時候，都必定要將其對應的緩存更新一份？也許有的場景是這樣，可是對於比較複雜的緩存數據計算的場景，就不是這樣了。若是你頻繁修改一個緩存涉及的多個表，緩存也頻繁更新。可是問題在於，這個緩存到底會不會被頻繁訪問到？

　　舉個栗子，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，那麼緩存更新 20 次、100 次；可是這個緩存在 1 分鐘內只被讀取了 1 次，有大量的冷數據。實際上，若是你只是刪除緩存的話，那麼在 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。用到緩存纔去算緩存。

　　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。像 mybatis，hibernate，都有懶加載思想。查詢一個部門，部門帶了一個員工的 list，沒有必要說每次查詢部門，都裏面的 1000 個員工的數據也同時查出來啊。80% 的狀況，查這個部門，就只是要訪問這個部門的信息就能夠了。先查部門，同時要訪問裏面的員工，那麼這個時候只有在你要訪問裏面的員工的時候，纔會去數據庫裏面查詢 1000 個員工。

最初級的緩存不一致問題及解決方案

　　問題：先更新數據庫，再刪除緩存。若是刪除緩存失敗了，那麼會致使數據庫中是新數據，緩存中是舊數據，數據就出現了不一致。

　　解決思路：先刪除緩存，再更新數據庫。若是數據庫更新失敗了，那麼數據庫中是舊數據，緩存中是空的，那麼數據不會不一致。由於讀的時候緩存沒有，因此去讀了數據庫中的舊數據，而後更新到緩存中。

比較複雜的數據不一致問題分析

　　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。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。隨後數據變動的程序完成了數據庫的修改。完了，數據庫和緩存中的數據不同了...

　　爲何上億流量高併發場景下，緩存會出現這個問題？

　　只有在對一個數據在併發的進行讀寫的時候，纔可能會出現這種問題。其實若是說你的併發量很低的話，特別是讀併發很低，天天訪問量就 1 萬次，那麼不多的狀況下，會出現剛纔描述的那種不一致的場景。可是問題是，若是天天的是上億的流量，每秒併發讀是幾萬，每秒只要有數據更新的請求，就可能會出現上述的數據庫+緩存不一致的狀況。

　　解決方案以下：

　　更新數據的時候，根據數據的惟一標識，將操做路由以後，發送到一個 jvm 內部隊列中。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+更新緩存的操做，根據惟一標識路由以後，也發送同一個 jvm 內部隊列中。

　　一個隊列對應一個工做線程，每一個工做線程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，沒有讀到緩存，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。

　　這裏有一個優化點，一個隊列中，其實多個更新緩存請求串在一塊兒是沒意義的，所以能夠作過濾，若是發現隊列中已經有一個更新緩存的請求了，那麼就不用再放個更新請求操做進去了，直接等待前面的更新操做請求完成便可。

　　待那個隊列對應的工做線程完成了上一個操做的數據庫的修改以後，纔會去執行下一個操做，也就是緩存更新的操做，此時會從數據庫中讀取最新的值，而後寫入緩存中。

　　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。

　　高併發的場景下，該解決方案要注意的問題：

• 讀請求長時阻塞

　　因爲讀請求進行了很是輕度的異步化，因此必定要注意讀超時的問題，每一個讀請求必須在超時時間範圍內返回。

　　該解決方案，最大的風險點在於說，可能數據更新很頻繁，致使隊列中積壓了大量更新操做在裏面，而後讀請求會發生大量的超時，最後致使大量的請求直接走數據庫。務必經過一些模擬真實的測試，看看更新數據的頻率是怎樣的。

　　另一點，由於一個隊列中，可能會積壓針對多個數據項的更新操做，所以須要根據本身的業務狀況進行測試，可能須要部署多個服務，每一個服務分攤一些數據的更新操做。若是一個內存隊列裏竟然會擠壓 100 個商品的庫存修改操做，每隔庫存修改操做要耗費 10ms 去完成，那麼最後一個商品的讀請求，可能等待 10 * 100 = 1000ms = 1s 後，才能獲得數據，這個時候就致使讀請求的長時阻塞。

　　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。

　　若是一個內存隊列中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。像這種針對讀高併發、讀緩存架構的項目，通常來講寫請求是很是少的，每秒的 QPS 能到幾百就不錯了。

　　咱們來實際粗略測算一下。

　　若是一秒有 500 的寫操做，若是分紅 5 個時間片，每 200ms 就 100 個寫操做，放到 20 個內存隊列中，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，通常是在 20ms 左右就完成，那麼針對每一個內存隊列的數據的讀請求，也就最多 hang 一下子，200ms 之內確定能返回了。

　　通過剛纔簡單的測算，咱們知道，單機支撐的寫 QPS 在幾百是沒問題的，若是寫 QPS 擴大了 10 倍，那麼就擴容機器，擴容 10 倍的機器，每一個機器 20 個隊列。

• 讀請求併發量太高

　　這裏還必須作好壓力測試，確保恰巧碰上上述狀況的時候，還有一個風險，就是忽然間大量讀請求會在幾十毫秒的延時 hang 在服務上，看服務能不能扛的住，須要多少機器才能扛住最大的極限狀況的峯值。

可是由於並非全部的數據都在同一時間更新，緩存也不會同一時間失效，因此每次可能也就是少數數據的緩存失效了，而後那些數據對應的讀請求過來，併發量應該也不會特別大。

• 多服務實例部署的請求路由

　　可能這個服務部署了多個實例，那麼必須保證說，執行數據更新操做，以及執行緩存更新操做的請求，都經過 Nginx 服務器路由到相同的服務實例上。

好比說，對同一個商品的讀寫請求，所有路由到同一臺機器上。能夠本身去作服務間的按照某個請求參數的 hash 路由，也能夠用 Nginx 的 hash 路由功能等等。

• 熱點商品的路由問題，致使請求的傾斜

　　萬一某個商品的讀寫請求特別高，所有打到相同的機器的相同的隊列裏面去了，可能會形成某臺機器的壓力過大。就是說，由於只有在商品數據更新的時候纔會清空緩存，而後纔會致使讀寫併發，因此其實要根據業務系統去看，若是更新頻率不是過高的話，這個問題的影響並非特別大，可是的確可能某些機器的負載會高一些。

8、redis 的併發競爭問題是什麼？如何解決這個問題？瞭解 redis 事務的 CAS 方案嗎？

　　這個也是線上很是常見的一個問題，就是多客戶端同時併發寫一個 key，可能原本應該先到的數據後到了，致使數據版本錯了；或者是多客戶端同時獲取一個 key，修改值以後再寫回去，只要順序錯了，數據就錯了。

　　並且 redis 本身就有自然解決這個問題的 CAS 類的樂觀鎖方案。

　　某個時刻，多個系統實例都去更新某個 key。能夠基於 zookeeper 實現分佈式鎖。每一個系統經過 zookeeper 獲取分佈式鎖，確保同一時間，只能有一個系統實例在操做某個 key，別人都不容許讀和寫。

　　你要寫入緩存的數據，都是從 mysql 裏查出來的，都得寫入 mysql 中，寫入 mysql 中的時候必須保存一個時間戳，從 mysql 查出來的時候，時間戳也查出來。

　　每次要寫以前，先判斷一下當前這個 value 的時間戳是否比緩存裏的 value 的時間戳要新。若是是的話，那麼能夠寫，不然，就不能用舊的數據覆蓋新的數據。

9、生產環境中的 redis 是怎麼部署的？

　　你的 redis 是主從架構？集羣架構？用了哪一種集羣方案？有沒有作高可用保證？有沒有開啓持久化機制確保能夠進行數據恢復？線上 redis 給幾個 G 的內存？設置了哪些參數？壓測後大家 redis 集羣承載多少 QPS？

　　redis cluster，10 臺機器，5 臺機器部署了 redis 主實例，另外 5 臺機器部署了 redis 的從實例，每一個主實例掛了一個從實例，5 個節點對外提供讀寫服務，每一個節點的讀寫高峯qps可能能夠達到每秒 5 萬，5 臺機器最可能是 25 萬讀寫請求/s。

　　機器是什麼配置？32G 內存+ 8 核 CPU + 1T 磁盤，可是分配給 redis 進程的是10g內存，通常線上生產環境，redis 的內存儘可能不要超過 10g，超過 10g 可能會有問題。

5 臺機器對外提供讀寫，一共有 50g 內存。

　　由於每一個主實例都掛了一個從實例，因此是高可用的，任何一個主實例宕機，都會自動故障遷移，redis 從實例會自動變成主實例繼續提供讀寫服務。

　　你往內存裏寫的是什麼數據？每條數據的大小是多少？商品數據，每條數據是 10kb。100 條數據是 1mb，10 萬條數據是 1g。常駐內存的是 200 萬條商品數據，佔用內存是 20g，僅僅不到總內存的 50%。目前高峯期每秒就是 3500 左右的請求量。

　　其實大型的公司，會有基礎架構的 team 負責緩存集羣的運維。

　　RT：響應時間是指系統對請求做出響應的時間。

　　TPS：吞吐量是指系統在單位時間內處理請求的數量。

　　併發用戶數 ：併發用戶數是指系統能夠同時承載的正常使用系統功能的用戶的數量。

　　QPS：每秒查詢率QPS是對一個特定的查詢服務器在規定時間內所處理流量多少的衡量標準。

10、如何保證 redis 的高併發和高可用？redis 的主從複製原理能介紹一下麼？redis 的哨兵原理能介紹一下麼？

　　redis 的高併發和高可用

11、redis 集羣模式的工做原理能說一下麼？在集羣模式下，redis 的 key 是如何尋址的？分佈式尋址都有哪些算法？瞭解一致性 hash 算法嗎？

　　redis 集羣模式的工做原理