分布式之缓存击穿

电玩女神 2022-05-26 05:36 209阅读 0赞

![640?wx\_fmt=jpeg&wxfrom=5&wx\_lazy=1][640_wx_fmt_jpeg_wxfrom_5_wx_lazy_1]

## 什么是缓存击穿 ##

在谈论缓存击穿之前，我们先来回忆下从缓存中加载数据的逻辑，如下图所示  
![640?wx\_fmt=png&wxfrom=5&wx\_lazy=1][640_wx_fmt_png_wxfrom_5_wx_lazy_1]

因此，如果黑客每次故意查询一个在缓存内必然不存在的数据，导致每次请求都要去存储层去查询，这样缓存就失去了意义。如果在大流量下数据库可能挂掉。这就是缓存击穿。  
场景如下图所示:  
![640?wx\_fmt=png][640_wx_fmt_png]

我们正常人在登录首页的时候，都是根据userID来命中数据，然而黑客的目的是破坏你的系统，黑客可以随机生成一堆userID,然后将这些请求怼到你的服务器上，这些请求在缓存中不存在，就会穿过缓存，直接怼到数据库上,从而造成数据库连接异常。

## 解决方案 ##

在这里我们给出三套解决方案，大家根据项目中的实际情况，选择使用.

讲下述三种方案前，我们先回忆下redis的setnx方法

**SETNX** **key** **value**

将 key 的值设为 value ，当且仅当 key 不存在。

若给定的 key 已经存在，则 SETNX 不做任何动作。

SETNX 是『SET if Not eXists』(如果不存在，则 SET)的简写。

**可用版本**：>= 1.0.0

**时间复杂度：** O(1)

**返回值：** 设置成功，返回 1。设置失败，返回 0 。

效果如下

redis> EXISTS job                # job 不存在(integer) 0redis> SETNX job "programmer"    # job 设置成功(integer) 1redis> SETNX job "code-farmer"   # 尝试覆盖 job ，失败(integer) 0redis> GET job                   # 没有被覆盖"programmer"

### 1、使用互斥锁 ###

该方法是比较普遍的做法，即，在根据key获得的value值为空时，先锁上，再从数据库加载，加载完毕，释放锁。若其他线程发现获取锁失败，则睡眠50ms后重试。

至于锁的类型，单机环境用并发包的Lock类型就行，集群环境则使用分布式锁( redis的setnx)

集群环境的redis的代码如下所示:

String get(String key) {  
       String value = redis.get(key);  
       if (value  == null) {  
        if (redis.setnx(key_mutex, "1")) {  
            // 3 min timeout to avoid mutex holder crash  
            redis.expire(key_mutex, 3 * 60)  
            value = db.get(key);  
            redis.set(key, value);  
            redis.delete(key_mutex);  
        } else {  
            //其他线程休息50毫秒后重试  
            Thread.sleep(50);  
            get(key);  
        }  
      }  
    }

**优点:**

1.  思路简单
2.  保证一致性

**缺点**

1.  代码复杂度增大
2.  存在死锁的风险

### 2、异步构建缓存 ###

在这种方案下，构建缓存采取异步策略，会从线程池中取线程来异步构建缓存，从而不会让所有的请求直接怼到数据库上。该方案redis自己维护一个timeout，当timeout小于System.currentTimeMillis()时，则进行缓存更新，否则直接返回value值。  
集群环境的redis代码如下所示:

String get(final String key) {  
            V v = redis.get(key);  
            String value = v.getValue();  
            long timeout = v.getTimeout();  
            if (v.timeout <= System.currentTimeMillis()) {  
                // 异步更新后台异常执行  
                threadPool.execute(new Runnable() {  
                    public void run() {  
                        String keyMutex = "mutex:" + key;  
                        if (redis.setnx(keyMutex, "1")) {  
                            // 3 min timeout to avoid mutex holder crash  
                            redis.expire(keyMutex, 3 * 60);  
                            String dbValue = db.get(key);  
                            redis.set(key, dbValue);  
                            redis.delete(keyMutex);  
                        }  
                    }  
                });  
            }  
            return value;  
        }

**优点:**

1.  性价最佳，用户无需等待

**缺点**

1.  无法保证缓存一致性

### 3、布隆过滤器 ###

#### 1、原理 ####

布隆过滤器的巨大用处就是，能够迅速判断一个元素是否在一个集合中。因此他有如下三个使用场景:

1.  网页爬虫对URL的去重，避免爬取相同的URL地址
2.  反垃圾邮件，从数十亿个垃圾邮件列表中判断某邮箱是否垃圾邮箱（同理，垃圾短信）
3.  缓存击穿，将已存在的缓存放到布隆过滤器中，当黑客访问不存在的缓存时迅速返回避免缓存及DB挂掉。

OK，接下来我们来谈谈布隆过滤器的原理  
其内部维护一个全为0的bit数组，需要说明的是，布隆过滤器有一个误判率的概念，误判率越低，则数组越长，所占空间越大。误判率越高则数组越小，所占的空间越小。

假设，根据误判率，我们生成一个10位的bit数组，以及2个hash函数（f 1 ,f 2  f1,f2 ），如下图所示(生成的数组的位数和hash函数的数量，我们不用去关心是如何生成的，有数学论文进行过专业的证明)。  
![640?wx\_fmt=png][640_wx_fmt_png 1]

假设输入集合为(N 1 ,N 2  N1,N2 ),经过计算f 1 (N 1 ) f1(N1) 得到的数值得为2，f 2 (N 1 ) f2(N1) 得到的数值为5，则将数组下标为2和下表为5的位置置为1，如下图所示  
![640?wx\_fmt=png][640_wx_fmt_png 2]

同理，经过计算f 1 (N 2 ) f1(N2) 得到的数值得为3，f 2 (N 2 ) f2(N2) 得到的数值为6，则将数组下标为3和下表为6的位置置为1，如下图所示  
![640?wx\_fmt=png][640_wx_fmt_png 3]

这个时候，我们有第三个数N 3  N3 ，我们判断N 3  N3 在不在集合(N 1 ,N 2  N1,N2 )中，就进行f 1 (N 3 )，f 2 (N 3 ) f1(N3)，f2(N3) 的计算

1.  若值恰巧都位于上图的红色位置中，我们则认为，N 3  N3 在集合(N 1 ,N 2  N1,N2 )中
2.  若值有一个不位于上图的红色位置中，我们则认为，N 3  N3 不在集合(N 1 ,N 2  N1,N2 )中

以上就是布隆过滤器的计算原理，下面我们进行性能测试，

#### 2、性能测试 ####

代码如下:

(1)新建一个maven工程，引入guava包

<dependencies>  
            <dependency>  
                <groupId>com.google.guava</groupId>  
                <artifactId>guava</artifactId>  
                <version>22.0</version>  
            </dependency>  
        </dependencies>

(2)测试一个元素是否属于一个百万元素集合所需耗时

package bloomfilter;import com.google.common.hash.BloomFilter;import com.google.common.hash.Funnels;import java.nio.charset.Charset;public class Test {    private static int size = 1000000;    private static BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), size);    public static void main(String[] args) {        for (int i = 0; i < size; i++) {
                bloomFilter.put(i);
            }        long startTime = System.nanoTime(); // 获取开始时间
            
            //判断这一百万个数中是否包含29999这个数
            if (bloomFilter.mightContain(29999)) {
                System.out.println("命中了");
            }        long endTime = System.nanoTime();   // 获取结束时间
    
            System.out.println("程序运行时间： " + (endTime - startTime) + "纳秒");
    
        }
    }

输出如下所示

命中了
    程序运行时间： 219386纳秒

也就是说，判断一个数是否属于一个百万级别的集合，只要0.219ms就可以完成，性能极佳。

(3)误判率的一些概念

首先，我们先不对误判率做显示的设置，进行一个测试，代码如下所示

package bloomfilter;import java.util.ArrayList;import java.util.List;import com.google.common.hash.BloomFilter;import com.google.common.hash.Funnels;public class Test {    private static int size = 1000000;    private static BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), size);    public static void main(String[] args) {        for (int i = 0; i < size; i++) {
                bloomFilter.put(i);
            }
            List<Integer> list = new ArrayList<Integer>(1000);  
            
            //故意取10000个不在过滤器里的值，看看有多少个会被认为在过滤器里
            for (int i = size + 10000; i < size + 20000; i++) {  
                if (bloomFilter.mightContain(i)) {  
                    list.add(i);  
                }  
            }  
            System.out.println("误判的数量：" + list.size()); 
    
        }
    }

输出结果如下

误判对数量：330

如果上述代码所示，我们故意取10000个不在过滤器里的值，却还有330个被认为在过滤器里，这说明了误判率为0.03.即，在不做任何设置的情况下，默认的误判率为0.03。  
下面上源码来证明：  
![640?wx\_fmt=png][640_wx_fmt_png 4]

接下来我们来看一下，误判率为0.03时，底层维护的bit数组的长度如下图所示  
![640?wx\_fmt=png][640_wx_fmt_png 5]

将bloomfilter的构造方法改为

private static BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), size,0.01);

即，此时误判率为0.01。在这种情况下，底层维护的bit数组的长度如下图所示  
![640?wx\_fmt=png][640_wx_fmt_png 6]  
由此可见，误判率越低，则底层维护的数组越长，占用空间越大。因此，误判率实际取值，根据服务器所能够承受的负载来决定，不是拍脑袋瞎想的。

#### 3、实际使用 ####

redis伪代码如下所示

String get(String key) {  
       String value = redis.get(key);  
       if (value  == null) {  
            if(!bloomfilter.mightContain(key)){            return null;
            }else{           value = db.get(key);  
               redis.set(key, value);  
            }
        } 
        return value；
    }

**优点:**

1.  思路简单
2.  保证一致性
3.  性能强

**缺点**

1.  代码复杂度增大
2.  需要另外维护一个集合来存放缓存的Key
3.  布隆过滤器不支持删值操作

**希望本文对你有帮助，求帮转，谢谢**

**公众号推荐：**

公众号：VOA英语每日一听

微信号: voahk01

可长按扫码关注，谢谢

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg]

[640_wx_fmt_jpeg_wxfrom_5_wx_lazy_1]: https://img-blog.csdnimg.cn/img_convert/1e9c79f0ae84fbbdeae45275aaaeb037.png;wxfrom=5&wx_lazy=1
[640_wx_fmt_png_wxfrom_5_wx_lazy_1]: https://img-blog.csdnimg.cn/img_convert/39b75f4f4849156a0c003e9e90267ad0.png;wxfrom=5&wx_lazy=1
[640_wx_fmt_png]: /images/20220526/6a2a624f2ada4f52b5e0bcb674e165c2.png
[640_wx_fmt_png 1]: /images/20220526/f41ca513668e47f28da8eeb78092cd2b.png
[640_wx_fmt_png 2]: /images/20220526/ffb135bd6f254ee1aa08c681b3c18f68.png
[640_wx_fmt_png 3]: /images/20220526/cfa9064f30e2462f808dd827a3934ace.png
[640_wx_fmt_png 4]: /images/20220526/84e833c4efe74af1aaf06512a1ba456f.png
[640_wx_fmt_png 5]: /images/20220526/c54b79e0ab1a4cc286cf098589786557.png
[640_wx_fmt_png 6]: /images/20220526/fbe7e1c750a94648aa3049573ec2e165.png
[640_wx_fmt_jpeg]: /images/20220526/3d6d7dadcdbf47d987aee4357a72d85e.png