redis三大问题 终极解决方案

本文主要是介绍redis三大问题 终极解决方案，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

缓存失效

背景：通过key查询值，先查询缓存是否存在，如果存在返回，不存在查询数据库，然后更新缓存并返回，如果数据库不存在返回null
例如：订单号是从1自增开始，如果黑客或者其他服务传参为-1或者很大的参数

缓存穿透（db和缓存都没有）

问题：

当key为一个不符合业务场景的值，缓存和数据库都不存在，外部侵入者就可以一直请求，导致数据库和缓存压力大

解决：
1、业务判断，key值大小校验，不能为空或者大于0小于10000之类的；
2、缓存和数据库查询不出来时，设置key-value为null，设置超时时间为20秒（防止查询有效数据正常无法查询），可以防止某一用户通过key攻击
3、采用布隆过滤器，将所有可能存在的数据哈希到一个足够大的 bitmap 中，一个一定不存在的数据会被这个 bitmap 拦截掉，从而避免了对底层存储系统的查询压力

附加

对于空间的利用到达了一种极致，那就是Bitmap和布隆过滤器(Bloom Filter)。
Bitmap： 典型的就是哈希表
缺点是，Bitmap对于每个元素只能记录1bit信息，如果还想完成额外的功能，恐怕只能靠牺牲更多的空间、时间来完成了。

布隆过滤器（推荐）

就是引入了k(k>1)k(k>1)个相互独立的哈希函数，保证在给定的空间、误判率下，完成元素判重的过程。
它的优点是空间效率和查询时间都远远超过一般的算法，缺点是有一定的误识别率和删除困难。
Bloom-Filter算法的核心思想就是利用多个不同的Hash函数来解决“冲突”。
Hash存在一个冲突（碰撞）的问题，用同一个Hash得到的两个URL的值有可能相同。为了减少冲突，我们可以多引入几个Hash，如果通过其中的一个Hash值我们得出某元素不在集合中，那么该元素肯定不在集合中。只有在所有的Hash函数告诉我们该元素在集合中时，才能确定该元素存在于集合中。这便是Bloom-Filter的基本思想。
Bloom-Filter一般用于在大数据量的集合中判定某元素是否存在。

缓存击穿（单个热点key失效）

问题
缓存中没有，数据库存在，并发时都去查询数据库，导致数据库压力太大

解决
1、查询频繁的数据设置不过期；
2、限流
3、nignx层限制单个ip访问超过多次后拉黑
3、根据key做互斥锁判断，多进程使用分布式锁，见实现

缓存雪崩（多个热点key失效）

问题

缓存中大量数据达到过期时间，同时查询量巨大，导致数据库压力太大而宕机，和击穿不同在于击穿是并发查询一条过期数据，雪崩是不同的大量数据都过期了

解决
1、均匀分配redis key失效时间，防止同一时间大量数据过期现象发生；
2、分布式缓存数据库情况下，将热点数据均匀分布在不同的缓存数据库中
3、设置热点数据不过期
4、可以使用应用的一级缓存优化缓存查询
5、使用分布式锁或者本地锁保证只有一个线程在查数据库，这个方案性能太差，不推荐，小项目可以使用，但是也作为一种方案。

备注
一般避免以上情况发生我们从三个时间段去分析下：
事前：Redis 高可用，主从+哨兵，Redis cluster，避免全盘崩溃。
事中：本地 ehcache 缓存 + Hystrix 限流+降级，避免MySQL 被打死。
事后：Redis 持久化 RDB+AOF，一旦重启，自动从磁盘上加载数据，快速恢复缓存数据。
上面的几点我会在吊打系列Redis篇全部讲一下这个月应该可以吧Redis更完，限流组件，可以设置每秒的请求，有多少能通过组件，剩余的未通过的请求，怎么办？走降级！可以返回一些默认的值，或者友情提示，或者空白的值。

这篇关于redis三大问题 终极解决方案的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！