01.redis雪崩&穿透&击穿

1.1 缓存穿透

查询一个不存在的key

• 1）定义

  • 缓存穿透是指查询一个一定不存在的数据，由于缓存不命中，接着查询数据库也无法查询出结果
  • 虽然也不会写入到缓存中，但是这将会导致每个查询都会去请求数据库，造成缓存穿透；

• 2）解决方法 ：布隆过滤

  • 对所有可能查询的参数以hash形式存储，在控制层先进行校验，不符合则丢弃，从而避免了对底层存储系统的查询压力；

1.2 缓存击穿

热点key突然失效,导致直接查询mysql

• 1）定义：

  • 1.缓存击穿，就是说某个 key 非常热点，访问非常频繁，处于集中式高并发访问的情况
  • 2. 当这个 key 在失效的瞬间，大量的请求就击穿了缓存，直接请求数据库，就像是在一道屏障上凿开了一个洞。

• 2）解决方法

  • 1.解决方式也很简单，可以将热点数据设置为永远不过期；
  • 2.或者基于 redis or zookeeper 实现互斥锁，等待第一个请求构建完缓存之后，再释放锁，进而其它请求才能通过该 key 访问数据。

1.3 缓存雪崩

缓存层全部失效

• 1）定义

  • 缓存雪崩是指，由于缓存层承载着大量请求，有效的保护了存储层，但是如果缓存层由于某些原因整体不能提供服务
  • 于是所有的请求都会达到存储层，存储层的调用量会暴增，造成存储层也会挂掉的情况。

• 2）解决方法

  • **保证缓存层服务高可用性：**比如 Redis Sentinel 和 Redis Cluster 都实现了高可用
  • **依赖隔离组件为后端限流并降级：**比如对某个key只允许一个线程查询数据和写缓存，其他线程等待。

02.布隆过滤器

2.1 布隆过滤器是什么？

判断某个key一定不存在

• 1.本质上布隆过滤器是一种数据结构，比较巧妙的概率型数据结构

• 2.特点是高效地插入和查询，可以用来告诉你 “某样东西一定不存在或者可能存在”。

• 3.相比于传统的 List、Set、Map 等数据结构，它更高效、占用空间更少，但是缺点是其返回的结果是概率性的，而不是确切的。

• 使用：

  • 1.布隆过滤器在NoSQL数据库领域中应用的非常广泛
  • 2.当用户来查询某一个row时，可以先通过内存中的布隆过滤器过滤掉大量不存在的row请求，然后去再磁盘进行查询
  • 3.布隆过滤器说某个值不存在时，那肯定就是不存在，可以显著降低数据库IO请求数量

2.2 应用场景

• 1）场景1（给用户推荐新闻）

  • 1.当用户看过的新闻，肯定会被过滤掉，对于没有看多的新闻，可能会过滤极少的一部分（误判）。
  • 2.这样可以完全保证推送给用户的新闻都是无重复的。

• 2）场景2（爬虫url去重）

  • 1.在爬虫系统中，我们需要对url去重，已经爬取的页面不再爬取

  • 2.当url高达几千万时，如果一个集合去装下这些URL地址非常浪费空间

  • 3.使用布隆过滤器可以大幅降低去重存储消耗，只不过也会使爬虫系统错过少量页面

2.3 布隆过滤器原理

• 1.每个布隆过滤器对应到Redis的数据结构是一个大型的数组和几个不一样的无偏hash函数

• 2.如下图：f、g、h就是这样的hash函数（无偏差指让hash映射到数组的位置比较随机）

• **添加：**值到布隆过滤器

  • 1）向布隆过滤器添加key,会使用 f、g、h hash函数对key算出一个整数索引，然后对长度取余
  • 2）每个hash函数都会算出一个不同的位置，把算出的位置都设置成1就完成了布隆过滤器添加过程

• **查询：**布隆过滤器值

  • 1）当查询某个key时，先用hash函数算出一个整数索引，然后对长度取余
  • 2）当你有一个不为1时肯定不存在这个key，当全部都为1时可能有这个key
  • 3）这样内存中的布隆过滤器过滤掉大量不存在的row请求，然后去再磁盘进行查询，减少IO操作

• 删除：不支持

  • 1）目前我们知道布隆过滤器可以支持 add 和 isExist 操作
  • 2）如何解决这个问题，答案是计数删除，但是计数删除需要存储一个数值，而不是原先的 bit 位，会增大占用的内存大小。
  • 3）增加一个值就是将对应索引槽上存储的值加一，删除则是减一，判断是否存在则是看值是否大于0。