Web層緩存對于提高應(yīng)用性能至關(guān)重要，它通過減少重復(fù)的數(shù)據(jù)處理和數(shù)據(jù)庫查詢來加快響應(yīng)時(shí)間。例如，如果一個(gè)用戶請求的數(shù)據(jù)已經(jīng)緩存，服務(wù)器可以直接從緩存中返回結(jié)果，避免了每次請求都進(jìn)行復(fù)雜的計(jì)算或數(shù)據(jù)庫查詢。這不僅提高了應(yīng)用的響應(yīng)速度，還減輕了后端系統(tǒng)的負(fù)擔(dān)。

Redis是一個(gè)流行的內(nèi)存數(shù)據(jù)結(jié)構(gòu)存儲系統(tǒng)，常用于實(shí)現(xiàn)高效的緩存層。它支持各種數(shù)據(jù)結(jié)構(gòu)，如字符串、哈希、列表、集合等，能夠迅速存取數(shù)據(jù)。通過將常用的數(shù)據(jù)緩存到Redis中，應(yīng)用可以大幅度降低數(shù)據(jù)庫負(fù)擔(dān)，同時(shí)提升用戶體驗(yàn)。

緩存問題詳解

在本章中，我們將不深入探討Redis的基本緩存機(jī)制，而是專注于如何防范Redis失效可能帶來的不必要損失。我們將詳細(xì)討論緩存穿透、緩存擊穿和緩存雪崩等問題的產(chǎn)生原因及其解決策略。讓我們開始深入了解這些內(nèi)容。

緩存穿透

緩存穿透指的是查詢一個(gè)根本不存在的數(shù)據(jù)時(shí)，緩存層和存儲層都未能命中。這種情況通常出于容錯(cuò)考慮，如果存儲層未能找到數(shù)據(jù)，系統(tǒng)通常不會將其寫入緩存層。結(jié)果就是每次請求不存在的數(shù)據(jù)時(shí)，系統(tǒng)都需要直接訪問存儲層進(jìn)行查詢，從而失去了緩存保護(hù)后端存儲的本質(zhì)意義。這不僅增加了存儲層的負(fù)擔(dān)，也降低了系統(tǒng)的整體性能。

造成緩存穿透的基本原因主要有兩個(gè)：

1. 自身業(yè)務(wù)代碼或數(shù)據(jù)問題：這類問題通常源于業(yè)務(wù)邏輯的缺陷或數(shù)據(jù)不一致。例如，如果業(yè)務(wù)代碼未能正確處理某些數(shù)據(jù)查詢，或數(shù)據(jù)源本身存在缺陷（如數(shù)據(jù)丟失、數(shù)據(jù)錯(cuò)誤等），可能導(dǎo)致請求的查詢始終無法在緩存或存儲層找到對應(yīng)的數(shù)據(jù)。這種情況下，緩存層無法有效地存儲和返回查詢結(jié)果，從而導(dǎo)致每次請求都需要直接訪問存儲層。
2. 惡意攻擊或爬蟲行為：惡意攻擊者或自動化爬蟲可能會發(fā)起大量的請求，嘗試查詢大量不存在的數(shù)據(jù)。由于這些請求不斷打擊緩存和存儲層，造成大量的空命中（即查詢結(jié)果始終為空），不僅會消耗大量系統(tǒng)資源，還可能導(dǎo)致緩存層和存儲層的壓力顯著增加，從而影響系統(tǒng)的整體性能和穩(wěn)定性。

解決方案——緩存空對象

解決緩存穿透的有效方案之一是緩存空對象。這種方法涉及在緩存層中存儲查詢結(jié)果為“空”的標(biāo)記或?qū)ο?，以表明特定?shù)據(jù)不存在。通過這種方式，當(dāng)后續(xù)請求查詢相同的數(shù)據(jù)時(shí)，系統(tǒng)可以直接從緩存層獲取“空對象”，而不必重新訪問存儲層。這不僅減少了對存儲層的頻繁訪問，還提高了系統(tǒng)的整體性能和響應(yīng)速度，從而有效緩解緩存穿透問題。

String get(String key) {
    // 從緩存中獲取數(shù)據(jù)
    String cacheValue = cache.get(key);

    // 緩存命中
    if (cacheValue != null) {
        return cacheValue;
    }

    // 緩存未命中，從存儲中獲取數(shù)據(jù)
    String storageValue = storage.get(key);

    // 如果存儲中數(shù)據(jù)為空，則設(shè)置緩存并設(shè)定過期時(shí)間
    if (storageValue == null) {
        cache.set(key, "");  // 存儲空對象標(biāo)記
        cache.expire(key, 60 * 5);  // 設(shè)置過期時(shí)間（300秒）
    } else {
        // 存儲中數(shù)據(jù)存在，則緩存該數(shù)據(jù)
        cache.set(key, storageValue);
    }

    return storageValue;
}

解決方案——布隆過濾器

對于惡意攻擊中通過請求大量不存在的數(shù)據(jù)造成的緩存穿透問題，可以使用布隆過濾器來進(jìn)行初步過濾。布隆過濾器是一種空間效率極高的概率型數(shù)據(jù)結(jié)構(gòu)，它能有效地判斷一個(gè)元素是否可能存在于集合中。具體而言，當(dāng)布隆過濾器表示某個(gè)值可能存在時(shí)，實(shí)際情況可能是該值存在，也可能是布隆過濾器的誤判；但當(dāng)布隆過濾器表示某個(gè)值不存在時(shí)，則可以肯定該值確實(shí)不存在。

圖片

布隆過濾器是一種高效的概率型數(shù)據(jù)結(jié)構(gòu)，由一個(gè)大型位數(shù)組和多個(gè)獨(dú)立的無偏哈希函數(shù)組成。無偏哈希函數(shù)的特點(diǎn)是能夠?qū)⑤斎朐氐墓Ｖ稻鶆虻胤植嫉轿粩?shù)組中，減少哈希沖突。添加一個(gè)鍵（key）到布隆過濾器時(shí)，首先使用這些哈希函數(shù)對鍵進(jìn)行哈希運(yùn)算，每個(gè)哈希函數(shù)生成一個(gè)整數(shù)索引值。然后，這些索引值經(jīng)過對位數(shù)組長度的取模運(yùn)算，確定在位數(shù)組中的具體位置。接著，將這些位置的值設(shè)置為1，標(biāo)記該鍵的存在。

當(dāng)查詢布隆過濾器中某個(gè)鍵（key）是否存在時(shí)，操作過程與添加鍵時(shí)類似。首先，使用多個(gè)哈希函數(shù)對鍵進(jìn)行哈希運(yùn)算，得到多個(gè)位置索引。然后，檢查這些索引對應(yīng)的位數(shù)組位置。如果所有相關(guān)位置的值都是1，那么可以推測該鍵可能存在；否則，如果有任意一個(gè)位置的值為0，則可以確定該鍵一定不存在。值得注意的是，即使所有相關(guān)位置的值均為1，這也僅僅意味著該鍵“可能”存在，而不能絕對確認(rèn)，因?yàn)檫@些位置可能已經(jīng)被其他鍵置為1。通過調(diào)整位數(shù)組的大小和哈希函數(shù)的數(shù)量，可以優(yōu)化布隆過濾器的性能，達(dá)到較好的準(zhǔn)確性與效率平衡。

這種方法特別適用于數(shù)據(jù)命中率不高、數(shù)據(jù)集相對固定、對實(shí)時(shí)性要求不高的應(yīng)用場景，尤其是在數(shù)據(jù)集較大時(shí)，布隆過濾器可以顯著減少緩存空間的占用。盡管布隆過濾器的實(shí)現(xiàn)可能會增加代碼維護(hù)的復(fù)雜度，但其帶來的內(nèi)存效率和查詢速度的優(yōu)勢通常值得投入。

布隆過濾器在這類場景中的有效性得益于其能處理大規(guī)模數(shù)據(jù)集而只占用較少的內(nèi)存空間。為了實(shí)現(xiàn)布隆過濾器，可以使用Redisson，這是一個(gè)支持分布式布隆過濾器的Java客戶端。要在項(xiàng)目中引入Redisson，可以添加以下依賴項(xiàng)：

<dependency>
    <groupId>org.redisson</groupId>
    <artifactId>redisson</artifactId>
    <version>3.16.2</version> <!-- 請根據(jù)需要選擇合適的版本 -->
</dependency>

示例偽代碼：

package com.redisson;

import org.redisson.Redisson;
import org.redisson.api.RBloomFilter;
import org.redisson.api.RedissonClient;
import org.redisson.config.Config;

public class RedissonBloomFilter {

    public static void main(String[] args) {
        // 配置Redisson客戶端，連接到Redis服務(wù)器
        Config config = new Config();
        config.useSingleServer().setAddress("redis://localhost:6379");

        // 創(chuàng)建Redisson客戶端
        RedissonClient redisson = Redisson.create(config);

        // 獲取布隆過濾器實(shí)例，名稱為 "nameList"
        RBloomFilter<String> bloomFilter = redisson.getBloomFilter("nameList");

        // 初始化布隆過濾器，預(yù)計(jì)元素?cái)?shù)量為100,000,000，誤差率為3%
        bloomFilter.tryInit(100_000_000L, 0.03);

        // 將元素 "zhuge" 插入到布隆過濾器中
        bloomFilter.add("xiaoyu");

        // 查詢布隆過濾器，檢查元素是否存在
        System.out.println("Contains 'huahua': " + bloomFilter.contains("huahua")); // 應(yīng)為 false
        System.out.println("Contains 'lin': " + bloomFilter.contains("lin")); // 應(yīng)為 false
        System.out.println("Contains 'xiaoyu': " + bloomFilter.contains("xiaoyu")); // 應(yīng)為 true

        // 關(guān)閉Redisson客戶端
        redisson.shutdown();
    }
}

使用布隆過濾器時(shí)，首先需要將所有預(yù)期的數(shù)據(jù)元素提前插入布隆過濾器中，以便它能夠通過其位數(shù)組結(jié)構(gòu)和哈希函數(shù)有效地檢測元素的存在性。在進(jìn)行數(shù)據(jù)插入時(shí)，也必須實(shí)時(shí)更新布隆過濾器，以保證其數(shù)據(jù)的準(zhǔn)確性。

以下是布隆過濾器緩存過濾的偽代碼示例，展示了如何在初始化和數(shù)據(jù)添加過程中操作布隆過濾器：

// 初始化布隆過濾器
RBloomFilter<String> bloomFilter = redisson.getBloomFilter("nameList");

// 設(shè)置布隆過濾器的期望元素?cái)?shù)量和誤差率
bloomFilter.tryInit(100_000_000L, 0.03);

// 將所有數(shù)據(jù)插入布隆過濾器
void init(List<String> keys) {
    for (String key : keys) {
        bloomFilter.add(key);  
    }
}

// 從緩存中獲取數(shù)據(jù)
String get(String key) {
    // 檢查布隆過濾器中是否存在 key
    if (!bloomFilter.contains(key)) {
        return ""; // 如果布隆過濾器中不存在，返回空字符串
    }

    // 從緩存中獲取數(shù)據(jù)
    String cacheValue = cache.get(key);

    // 如果緩存值為空，則從存儲中獲取
    if (StringUtils.isBlank(cacheValue)) {
        String storageValue = storage.get(key);
        if (storageValue != null) {
            cache.set(key, storageValue); // 存儲非空數(shù)據(jù)到緩存
        } else {
            cache.expire(key, 300); // 設(shè)置過期時(shí)間為300秒
        }
        return storageValue;
    } else {
        // 緩存值非空，直接返回
        return cacheValue;
    }
}

注意：布隆過濾器不能刪除數(shù)據(jù)，如果要?jiǎng)h除得重新初始化數(shù)據(jù)。

緩存失效(擊穿)

由于在同一時(shí)間大量緩存失效可能會導(dǎo)致大量請求同時(shí)穿透緩存，直接訪問數(shù)據(jù)庫，這種情況可能會導(dǎo)致數(shù)據(jù)庫瞬間承受過大的壓力，甚至可能引發(fā)數(shù)據(jù)庫崩潰。

解決方案——隨機(jī)過期時(shí)間

為了緩解這一問題，我們可以采取一種策略：在批量增加緩存時(shí)，將這一批數(shù)據(jù)的緩存過期時(shí)間設(shè)置為一個(gè)時(shí)間段內(nèi)的不同時(shí)間。具體來說，可以對每個(gè)緩存項(xiàng)設(shè)置不同的過期時(shí)間，這樣可以避免所有緩存項(xiàng)在同一時(shí)刻失效，從而減少瞬時(shí)請求對數(shù)據(jù)庫的沖擊。

以下是具體的示例偽代碼：

String get(String key) {
    // 從緩存中獲取數(shù)據(jù)
    String cacheValue = cache.get(key);

    // 如果緩存為空
    if (StringUtils.isBlank(cacheValue)) {
        // 從存儲中獲取數(shù)據(jù)
        String storageValue = storage.get(key);
        
        // 如果存儲中的數(shù)據(jù)存在
        if (storageValue != null) {
            cache.set(key, storageValue);
            // 設(shè)置一個(gè)過期時(shí)間（300到600秒之間的隨機(jī)值）
            int expireTime = 300 + new Random().nextInt(301); // Random range: 300 to 600
            cache.expire(key, expireTime);
        } else {
            // 存儲中沒有數(shù)據(jù)時(shí)，設(shè)置緩存的默認(rèn)過期時(shí)間（300秒）
            cache.expire(key, 300);
        }
        return storageValue;
    } else {
        // 返回緩存中的數(shù)據(jù)
        return cacheValue;
    }
}

緩存雪崩

緩存雪崩是指在緩存層出現(xiàn)故障或負(fù)載過高的情況下，導(dǎo)致大量請求直接涌向后端存儲層，從而引發(fā)存儲層的過載或宕機(jī)現(xiàn)象。通常，緩存層的作用是有效地承載和分擔(dān)請求流量，保護(hù)后端存儲層免受高并發(fā)請求的壓力。

然而，當(dāng)緩存層由于某些原因無法繼續(xù)提供服務(wù)時(shí)，比如遇到超大并發(fā)的沖擊或者緩存設(shè)計(jì)不當(dāng)（例如，訪問一個(gè)極大的緩存項(xiàng) bigkey 導(dǎo)致緩存性能急劇下降），大量的請求將會轉(zhuǎn)發(fā)到存儲層。此時(shí)，存儲層的請求量會急劇增加，可能會導(dǎo)致存儲層也發(fā)生過載或宕機(jī)，從而引發(fā)系統(tǒng)級的故障。這種現(xiàn)象被稱為“緩存雪崩”。

解決方案

為了有效預(yù)防和解決緩存雪崩問題，可以從以下三個(gè)方面著手：

1. 保證緩存層服務(wù)的高可用性：確保緩存層的高可用性是避免緩存雪崩的關(guān)鍵措施。可以使用如 Redis Sentinel 或 Redis Cluster 等工具來實(shí)現(xiàn)緩存的高可用性。Redis Sentinel 提供自動故障轉(zhuǎn)移和監(jiān)控功能，可以在主節(jié)點(diǎn)出現(xiàn)問題時(shí)自動將從節(jié)點(diǎn)提升為新的主節(jié)點(diǎn)，從而保持服務(wù)的連續(xù)性。Redis Cluster 通過數(shù)據(jù)分片和節(jié)點(diǎn)間的復(fù)制，進(jìn)一步提高了系統(tǒng)的可用性和擴(kuò)展性。這樣，即使部分節(jié)點(diǎn)發(fā)生故障，系統(tǒng)仍能正常運(yùn)行并繼續(xù)處理請求。
2. 依賴隔離組件進(jìn)行限流、熔斷和降級：利用限流和熔斷機(jī)制來保護(hù)后端服務(wù)免受突發(fā)請求的沖擊，可以有效緩解緩存雪崩帶來的壓力。例如，使用 Sentinel 或 Hystrix 等限流和熔斷組件來實(shí)施流量控制和服務(wù)降級。針對不同類型的數(shù)據(jù)，可以采取不同的處理策略：

非核心數(shù)據(jù)：例如電商平臺中的商品屬性或用戶信息。如果緩存中的這些數(shù)據(jù)丟失，應(yīng)用可以直接返回預(yù)定義的默認(rèn)降級信息、空值或錯(cuò)誤提示，而不是直接查詢后端存儲。這種方式可以減少對后端存儲的壓力，同時(shí)為用戶提供一些基本的反饋。

核心數(shù)據(jù)：例如電商平臺中的商品庫存。對于這些關(guān)鍵數(shù)據(jù)，仍然可以嘗試從緩存中查詢，如果緩存缺失，則通過數(shù)據(jù)庫讀取。這樣即使緩存不可用，核心數(shù)據(jù)的讀取仍可得到保證，避免了因緩存雪崩導(dǎo)致的系統(tǒng)功能喪失。

3. 提前演練和預(yù)案制定：在項(xiàng)目上線之前，進(jìn)行充分的演練和測試，模擬緩存層宕機(jī)后的應(yīng)用和后端負(fù)載情況，識別潛在問題并制定相應(yīng)的預(yù)案。這包括模擬緩存失效、后端服務(wù)過載等情況，觀察系統(tǒng)表現(xiàn)，并根據(jù)測試結(jié)果調(diào)整系統(tǒng)配置和策略。通過這些演練，可以發(fā)現(xiàn)系統(tǒng)的弱點(diǎn)，并制定相應(yīng)的應(yīng)急措施，以應(yīng)對實(shí)際生產(chǎn)環(huán)境中的突發(fā)情況。這不僅可以提升系統(tǒng)的魯棒性，還可以確保在緩存雪崩發(fā)生時(shí)，系統(tǒng)能夠迅速恢復(fù)正常運(yùn)行。

通過綜合運(yùn)用這些措施，可以顯著降低緩存雪崩帶來的風(fēng)險(xiǎn)，提升系統(tǒng)的穩(wěn)定性和性能。

總結(jié)

Web層緩存顯著提高了應(yīng)用性能，通過減少重復(fù)的數(shù)據(jù)處理和數(shù)據(jù)庫查詢來加快響應(yīng)時(shí)間。Redis作為高效的內(nèi)存數(shù)據(jù)結(jié)構(gòu)存儲系統(tǒng)，在實(shí)現(xiàn)緩存層中發(fā)揮了重要作用，它支持各種數(shù)據(jù)結(jié)構(gòu)，能夠迅速存取數(shù)據(jù)，從而減少數(shù)據(jù)庫負(fù)擔(dān)，提升用戶體驗(yàn)。

然而，緩存機(jī)制也面臨挑戰(zhàn)，如緩存穿透、緩存擊穿和緩存雪崩等問題。緩存穿透通過緩存空對象和布隆過濾器來解決，前者避免了每次查詢都訪問數(shù)據(jù)庫，后者有效減少了惡意請求的影響。緩存擊穿則通過設(shè)置隨機(jī)過期時(shí)間來緩解，這樣可以避免大量請求同時(shí)涌向數(shù)據(jù)庫。對于緩存雪崩，保證緩存層的高可用性、采用限流和熔斷機(jī)制，以及制定充分的預(yù)案是關(guān)鍵。

有效的緩存管理不僅提升了系統(tǒng)性能，還增強(qiáng)了系統(tǒng)的穩(wěn)定性。了解并解決這些緩存問題，能確保系統(tǒng)在高并發(fā)環(huán)境下保持高效、穩(wěn)定的運(yùn)行。精心設(shè)計(jì)和實(shí)施緩存策略是優(yōu)化應(yīng)用性能的基礎(chǔ)，持續(xù)關(guān)注和調(diào)整這些策略可以幫助系統(tǒng)應(yīng)對各種挑戰(zhàn)，保持良好的用戶體驗(yàn)。