目录

redis缓存预热

redis缓存雪崩

redis缓存击穿

redis缓存穿透

redis缓存预热

        Redis 缓存预热是指在系统启动或者缓存失效后，提前将部分数据加载到 Redis 缓存中，以便用户在访问时能够快速获取数据，提高系统性能和响应速度。

• 全量加载： 在系统启动时，将所有需要缓存的数据从数据库或其他数据源加载到 Redis 中，确保缓存中包含了所有可能被访问的数据。这种方式适用于数据量较小、变动频率低的场景。

• 按需加载： 根据访问模式和数据访问频率，预先加载部分热门数据到 Redis 缓存中，以及时满足用户请求。这种方式适用于数据量较大、热点数据集中的场景。

• 定时加载： 设置定时任务，在系统空闲时段或低峰期，定期从数据库加载数据到 Redis 缓存中，以确保缓存数据的及时性和完整性。

• 异步加载： 在系统启动后，通过异步任务的方式逐步将数据加载到 Redis 缓存中，避免系统启动时的压力过大。

redis缓存雪崩

        缓存雪崩是指在某个时间段，缓存中大量的数据同时失效或者因为某种原因都不可用，导致大量请求直接落到了后端数据库上，压力过大而导致数据库或其他服务崩溃，最终影响整个系统的稳定性和可用性。

缓存雪崩一般发生在以下情况：

• 缓存服务器宕机或故障
• 所有缓存数据在同一时间失效
• 缓存数据没有设置过期时间或者过期时间过短
• 大量请求访问热门数据，导致缓存击穿，无法承受巨大的并发请求

避免缓存雪崩，可以采取以下措施：

• 分布式缓存： 将缓存分散到多个节点上，避免所有节点同时失效导致缓存雪崩。比如使用 Redis Cluster、Memcached Cluster 等分布式缓存方案。

• 缓存预热： 在系统启动时，预先将热门数据加载到缓存中，避免缓存全部失效时，大量请求落到数据库上。

• 设置过期时间： 设置合理的缓存过期时间，避免所有缓存同时失效。

• 限流降级： 当请求量超过系统承受范围时，通过限流或者降级等措施，分流请求，保证系统的稳定性和可用性。

• 多级缓存： 使用多级缓存架构，将热门数据放到内存中的缓存，避免频繁读取数据库和外部接口。

redis缓存击穿

        缓存击穿是指当某个热点数据的缓存过期或不存在时，大量请求同时访问该数据，导致请求直接落到了后端数据库上，造成数据库压力过大，影响系统性能和可用性。

缓存击穿一般发生在以下情况：

• 热点数据缓存失效：由于缓存的过期时间到达或被手动删除等原因，导致热点数据不再存在于缓存中。
• 并发请求访问热点数据：大量并发请求同时访问热点数据，此时缓存未命中，导致请求直接访问数据库。

为了避免缓存击穿，可以采取以下措施：

1. 加锁机制： 当检测到缓存失效时，先进行加锁操作，只允许一个请求去查询数据库，其他请求等待结果。查询完毕后，更新缓存并释放锁，其他请求再从缓存获取数据。

2. 设置短暂的空值缓存： 在缓存失效时，先将空值（null）或者占位数据设置到缓存中，并给予较短的过期时间，避免大量请求同时访问数据库。同时，在缓存中设置一个较长的过期时间，以防止后续请求再次击穿。

3. 异步更新缓存： 当检测到缓存失效后，异步更新缓存，而不是在请求时即时更新缓存。这样可以避免大量请求同时访问数据库，在缓存更新完成后，后续请求再从缓存获取数据。

4. 使用互斥锁或分布式锁： 在多服务器环境下，使用互斥锁或者分布式锁来保证只有一个请求去查询数据库，其他请求等待结果，避免大量请求同时访问数据库。

redis缓存穿透

        缓存穿透是指恶意请求或者不存在的数据被请求，导致缓存无法命中，每次请求都直接访问数据库或其他数据源，造成数据库压力过大。

缓存穿透一般发生在以下情况：

• 恶意请求：恶意用户发送的请求，例如使用遍历查询参数、非法字符等，导致缓存无法命中，直接访问数据库。
• 数据不存在：请求查询的数据本身就不存在于数据库或其他数据源中，无论怎样的请求都无法在缓存中命中。

为了避免缓存穿透，可以采取以下措施：

1. 布隆过滤器（Bloom Filter）： 使用布隆过滤器来预先过滤掉不存在的数据，当请求到来时，首先经过布隆过滤器的检查，如果不在布隆过滤器中，则直接拒绝请求，避免直接访问数据库。

2. 空对象缓存： 当查询数据库为空时，在缓存中设置一个空对象（如null），并设置较短的过期时间，避免下次请求再次穿透到数据库。

3. 合法性检查： 对于用户发送的请求参数进行合法性检查，避免恶意请求导致缓存穿透，可以使用验证 token、接口鉴权等方式进行有效性验证。

4. 限流和监控： 对请求进行限流，避免大量的恶意请求进入系统，同时建立监控系统，及时发现异常请求并进行处理。

空对象缓存解决缓存穿透

    public Customer findCustomerById(Integer customerId) {
        Customer customer = null;
        // 缓存redis的key名称
        String key = CACHE_KEY_CUSTOMER + customerId;
        // 1.去redis上查询
        customer = (Customer) redisTemplate.opsForValue().get(key);

        // 2. 如果redis有，直接返回  如果redis没有，在mysql上查询
        if (customer == null) {
            // 3.对于高QPS的优化，进来就先加锁，保证一个请求操作，让外面的redis等待一下，避免击穿mysql（大公司的操作 ）
            synchronized (CustomerService.class) {
                // 3.1 第二次查询redis，加锁后
                customer = (Customer) redisTemplate.opsForValue().get(key);
                // 4.再去查询我们的mysql
                customer = customerMapper.selectByPrimaryKey(customerId);

                // 5.mysql有，redis无
                if (customer != null) {
                    // 6.把mysql查询到的数据会写到到redis， 保持双写一致性  7天过期
                    redisTemplate.opsForValue().set(key, customer, 7L, TimeUnit.DAYS);
                }else {
                    // defaultNull 规定为redis查询为空、MySQL查询也没有，缓存一个defaultNull标识为空，以防缓存穿透
                    redisTemplate.opsForValue().set(key, "defaultNull", 7L, TimeUnit.DAYS);
                }
            }
        }
        return customer;
    }

Google布隆过滤器Guava解决缓存穿透

添加pom文件

        <!--guava Google 开源的 Guava 中自带的布隆过滤器-->
        <dependency>
            <groupId>com.google.guava</groupId>
            <artifactId>guava</artifactId>
            <version>23.0</version>
        </dependency>

业务类

• GUavaBloomFilterController

import com.xfcy.service.GuavaBloomFilterService;
import io.swagger.annotations.Api;
import io.swagger.annotations.ApiOperation;
import lombok.extern.slf4j.Slf4j;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestMethod;
import org.springframework.web.bind.annotation.RestController;

import javax.annotation.Resource;


@Api(tags = "gogle工具Guava处理布隆过滤器")
@RestController
@Slf4j
public class GuavaBloomFilterController {

    @Resource
    private GuavaBloomFilterService guavaBloomFilterService;

    @ApiOperation("guava布隆过滤器插入100万样本数据，额外10w（110w）测试是否存在")
    @RequestMapping(value = "/guavafilter", method = RequestMethod.GET)
    public void guavaBloomFilter() {
        guavaBloomFilterService.guavaBloomFilter();
    }
}

• GUavaBloomFilterService 

import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;
import lombok.extern.slf4j.Slf4j;
import org.springframework.stereotype.Service;

import java.util.ArrayList;


@Slf4j
@Service
public class GuavaBloomFilterService {
    // 1.定义一个常量
    public static final int _1W = 10000;
    // 2.定义我们guava布隆过滤器，初始容量
    public static final int SIZE = 100 * _1W;
    // 3.误判率，它越小误判的个数也越少（思考：是否可以无限小？ 没有误判岂不是更好）
    public static double fpp = 0.01;  // 这个数越小所用的hash函数越多，bitmap占用的位越多  默认的就是0.03，5个hash函数   0.01，7个函数
    // 4.创建guava布隆过滤器
    private static BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), SIZE, fpp);

    public void guavaBloomFilter() {
        // 1.先让bloomFilter加入100w白名单数据
        for (int i = 0; i < SIZE; i++) {
            bloomFilter.put(i);
        }
        // 2.故意取10w个不在合法范围内的数据，来进行误判率的演示
        ArrayList<Integer> list = new ArrayList<>(10 * _1W);

        // 3.验证
        for (int i = SIZE + 1; i < SIZE + (10 * _1W); i++){
            if (bloomFilter.mightContain(i)){
                log.info("被误判了:{}", i);
                list.add(i);
            }
        }
        log.info("误判总数量：{}", list.size());
    }
}

缓存问题总结