探讨缓存技术中的几大问题及其预防措施

绝地灬酷狼 2022-11-10 10:47 181阅读 0赞

我们知道，缓存使用中有常见的三大问题：1.[缓存穿透，2.缓存击穿，3.缓存雪崩][2._3.]，本文总结列出常见的解决方案，以供参考。

1.  ## **缓存穿透** ##

缓存穿透是指查询一个一定不存在的数据，由于缓存是不命中时被动写，并且处于容错考虑，如果从存储层查不到数据则不写入缓存，这将导致这个不存在的数据每次请求都要到存储层去查询，失去了缓存的意义。在流量大时，可能DB就挂掉了，要是有人利用不存在的key频繁攻击我们的应用，这就是漏洞。缓存穿透意味着当用户查询数据库不存在数据时，返回的结果为空，并且结果不会在缓存中存储。假设用户不断发起这样的请求，它将永远不会访问缓存，导致所有查询都落在数据库上，从而导致数据库被压死。

例子:

public Object getProducts(Long goodsId) {
         //从 Redis 获取 goods 信息
        Object goodsInfo = redisTemplate.opsForValue()
                    .get(String.valueOf(goodsId));
            if (goodsInfo != null) { 
                return goodsInfo;
            }
     
        //从数据库查询 products 信息，并存入 Redis
        goodsInfo = goodsDao.selectByGoodsId(goodsId);
            if (goodsInfo != null) { 
            redisTemplate.opsForValue()
                    .set(String.valueOf(goodsId), goodsInfo);
            }
        return goodsInfo;
    }

**  **假设 goodsId 没有负数情况，如果发起一个参数 goodsId = -1 的请求，这个数据在缓存中肯定不会存在，每次它都会进入查询数据库，并且数据查询结果也是 null，并且不会缓存结果到 Redis。

### **解决方案** ###

**1）** 通过用户认证、参数验证等，在上层拦截这些不合理的请求；还有使用布隆过滤器拦截。

BloomFilter 类似于一个hbase set 用来判断某个元素（key）是否存在于某个集合中。这种方式在大数据场景应用比较多，比如 Hbase 中使用它去判断数据是否在磁盘上。还有在爬虫场景判断url 是否已经被爬取过。这种方案可以加在第一种方案中，在缓存之前在加一层 BloomFilter ，在查询的时候先去 BloomFilter 去查询 key 是否存在，如果不存在就直接返回，存在再走查缓存 -> 查 DB，流程如下。

![https://img2.sycdn.imooc.com/5c9cccac00019f7c05040380.jpg][https_img2.sycdn.imooc.com_5c9cccac00019f7c05040380.jpg]

**2）** 当数据库查询结果为空时，数据也被缓存，但缓存有效期设置较短，以免影响正常数据的缓存。

public Object getGoods(Long goodsId) {
     
        //从 Redis 获取 goods 信息
        Object goodsInfo = redisTemplate.opsForValue()
                .get(String.valueOf(goodsId));
        if (goodsInfo != null) { 
            return goodsInfo;
        }
     
        //从数据库查询 goods 信息，并存入 Redis
        goodsInfo = goodsDao.selectByGoodsId(goodsId);
             if (goodsInfo != null) { 
                redisTemplate.opsForValue()
                    .set(String.valueOf(goodsId), goodsInfo
                        , 60, TimeUnit.MINUTES);
             } else { //查询为 null 同样存储
                redisTemplate.opsForValue()
                    .set(String.valueOf(goodsId), null, 60, 
                        TimeUnit.SECONDS);
        }
        return goodsInfo;
    }

##  方案讨论 ##

针对于一些恶意攻击，攻击带过来的大量key 是不存在的，那么我们采用第一种方案就会缓存大量不存在key的数据。此时我们采用第一种方案就不合适了，我们完全可以先对使用第二种方案进行过滤掉这些key。针对这种key异常多、请求重复率比较低的数据，我们就没有必要进行缓存，使用第二种方案直接过滤掉。而对于空数据的key有限的，重复率比较高的，我们则可以采用第一种方式进行缓存。

## 2. [缓存击穿][2._3.] ##

缓存击穿是我们可能遇到的第二个使用缓存方案可能遇到的问题。在平常高并发的系统中，大量的请求同时查询一个 key 时，此时这个key正好失效了，就会导致大量的请求都打到数据库上面去。这种现象我们称为**缓存击穿**。对于一些设置了过期时间的key，如果这些key可能在某些时间点被超高并发地访问，是一种非常“热点”的数据。

缓存在某个点过期的时候，恰好在这个时间点对这个key有大量的并发请求过来，这些请求发现缓存过期一般都会从后端加载数据并回设到缓存，这个时候大并发的请求可能瞬间把后端DB压垮。

### **解决方案** ###

1.  设置热点数据永远不过期。
2.  加互斥锁，互斥锁参考代码如下

![70][]

## 3. [缓存雪崩][2._3.] ##

缓存雪崩是指缓存中数据大批量到过期时间，而查询数据量巨大，引起数据库压力过大甚至down机。和缓存击穿不同的是，缓存击穿指并发查同一条数据，缓存雪崩是不同数据都过期了，很多数据都查不到从而查数据库。

一个简单的雪崩过程：

**1）** Redis 集群的大面积故障；

**2）** 缓存失败，但仍有大量请求访问缓存服务 Redis；

**3）** 在大量 Redis 请求失败后，请求转向数据库；

**4）** 数据库请求急剧增加，导致数据库被打死；

**5）** 由于你应用程序服务大部分都依赖于数据库和 Redis 服务，它很快就会导致服务器集群的雪崩，最后整个系统将彻底崩溃。

**解决方案**

1. 缓存数据的过期时间设置随机，防止同一时间大量数据过期现象发生。  
2. 如果缓存数据库是分布式部署，将热点数据均匀分布在不同搞得缓存数据库中。  
3. 设置热点数据永远不过期。

一个best practice方案如下：

**事前：高可用的缓存**

高可用的缓存是防止出现整个缓存故障。即使个别节点，机器甚甚至机房都关闭，系统仍然可以提供服务，Redis 哨兵(Sentinel) 和 Redis 集群(Cluster) 都可以做到高可用。

**事中：缓存降级（临时支持）**

当访问次数急剧增加导致服务出现问题时，我们如何确保服务仍然可用。在国内使用比较多的是Hystrix，它通过熔断、降级、限流三个手段来降低雪崩发生后的损失。只要确保数据库不死，系统总可以响应请求。

**事后：Redis 备份和快速预热**

**1）** Redis 数据备份和恢复

**2）** 快速缓存预热

参考文档：

1. [缓存三大问题及解决方案(理论)][Link 1]

[2._3.]: https://segmentfault.com/a/1190000017003053
[https_img2.sycdn.imooc.com_5c9cccac00019f7c05040380.jpg]: /images/20221023/cf661bf2343d4abab4a3e377deb7d8be.png
[70]: /images/20221023/438ef648699d4dfd9d2a86a7745109ae.png
[Link 1]: https://blog.csdn.net/qq_29677867/article/details/90052769