【redis】缓存 更新策略(定期、实时生存)，缓存预热、穿透、雪崩、击穿详解

什么是缓存

redis 最常用的场景

核心思路就是把一些常用的数据，放到触手可及（访问速度更快）的地方

• ⽐如我需要去⾼铁站坐⾼铁. 我们知道坐⾼铁是需要反复刷⾝份证的 (进⼊⾼铁站, 检票, 上⻋,乘⻋过程中, 出站…)
• 正常来说, 我的⾝份证是放在⽪箱⾥的(⽪箱的存储空间⼤, ⾜够能装). 但是每次刷⾝份证都需要开⼀次⽪箱找⾝份证, 就⾮常不⽅便.
• 因此我就可以把⾝份证先放到⾐服⼝袋⾥. ⼝袋虽然空间⼩, 但是访问速度⽐⽪箱快很多.
• 这样的话每次刷⾝份证我只需要从⼝袋⾥掏⾝份证就⾏了, 就不必开⽪箱了.
• 此时 “⼝袋” 就是 “⽪箱” 的缓存. 使⽤缓存能够⼤ 提⾼访问效率

速度快的设备，可以作为速度慢的设备的缓存

• CPU 寄存器 > 内存 > 硬盘 > 网络

最常见的是，使用内存作为硬盘的缓存（redis 定位）

硬盘也可以作为网络的缓存——浏览器的缓存

• 浏览器通过 http/https 从服务器上获取到数据（html、css、js、图片、视频、音频、字体…）并进行展示
  • 从服务器上获取：网络
  • 图片、音频、视频等等这样体积大，又不太会改变的数据，就可以保存到浏览器本地（浏览器所在主机的硬盘上），后续再打开这个页面，就不必重新从网络获取上述数据了

缓存能够有意义，二八定律

• 缓存虽然快，但是空间小
• 20% 的数据，可以应对 80% 的请求

使用 redis 作为缓存

通常是使用 redis 作为数据库的缓存（MySQL）

• 数据库是一个非常重要的组件，绝大部分商业项目中都会涉及到
• 并且 MySQL 的速度又比较慢

为什么说关系型数据库性能不高？

1. 数据库把数据存储在硬盘上，硬盘的 IO 速度并不快，尤其是随机访问
2. 如果查询不能命中索引，就需要进行表的遍历，这就会大大增加硬盘 IO 次数
3. 关系型数据库对于 SQL 的执行会做一系列的解析，校验，优化工作
4. 如果是一些复杂查询，比如联合查询，需要进行笛卡尔积操作，效率更是降低很多
5. …

因为 MySQL 等数据库，效率比较低，多以承担的并发量就有限，一旦请求数多了，数据库的压力就会很大，甚至很容易就宕机了

• 服务器每次处理一个请求，一定都要消耗一些硬件资源（CPU、内存、硬盘、网络…）任意一种资源的消耗超出了机器能提供的上限，机器就很容易出现故障了

如何提高 MySQL 能承担的并发量？（客观需求）

1. 开源：引入更多的机器，构成数据库集群
2. 节流：引入缓存，就是典型的方案，把一些频繁读取的数据，保存到缓存上。后续在查询数据的时候，如果缓存中已经存在了，就不再访问 MySQL 了

• 虽然 redis 上只能存少数数据，但是大部分请求都是使用的这少数的热点数据
• 实际业务中，3:7，1:9 无所谓，基本思想是一致的

缓存更新策略

如何知道 redis 中应该存储哪些数据？
如何知道哪些数据是热点数据呢？

这里就要谈到“缓存的更新策略“

1. 定期生成

会把访问的数据，以日志的形式记录下来

比如一个搜索引擎，“查询词”就是要关注的“访问的数据”

• 我们可以通过日志，把搜索框里面都用到了哪些词，给记录下来，就可以针对这些日志进行统计了
• 统计这一天，每个词出现的频率，再根据频率降序来排序，再取出前 20% 的词，就可以把这些词认为是“热点词”
  • 数据量可能大到说，一台机器存不下，就需要使用分布式的系统来存储这些日志（HDFS）
  • 再使用 Hadoop 的 map-reduce 来写代码进行统计；也可以基于 HDFS 的 HBASE 这样的数据库来写 SQL 统计
  • 这些就是大数据工程师的日常工作
• 接下来就可以把这些热点词，涉及到的搜索结果，提前拎出来，就可以放到类似于“redis”这样的缓存中了

此处的数据，就可以根据当前这里统计的未读，来定期更新

• 按照天级别统计，就每天更新一次
• 按照月级别统计，就每个月更新一次
  写一套离线的流程（往往使用 shell，Python 写脚本代码），可以通过定时任务来触发

1. 完成统计热词过程
2. 根据热词，找到搜索结果的数据（广告数据）
3. 把得到缓存数据同步到缓存服务器上
4. 控制这些缓存服务器自动启动

优点：上述过程，实际上实现起来比较简单，过程更可控（缓存中有什么是比较固定的），方便排查问题
缺点：实时性不够。如果出现一些突发性时间，有一些本来不是热词的内容，成了热词了，新的热词就可能会给后面的数据库什么的带来比较大的压力

• 比如，过年的时候，“春节晚会”就是突发性的热词

2. 实时生成

• 如果在 redis 查到了，就直接返回
• 如果 redis 中不存在，就从数据库查，把查到的结果同时也写入 redis

这样不停地写 redis，就会使 redis 的内存占用越来越多，就会逐渐达到内存上限

• 不一定是机器内存上限，redis 中也可以配置，最多使用多少内存（maxmermory 参数）

如果继续往里插入数据，就会触发问题，为了解决上述问题，redsi 就引入了“内存淘汰策略”

内存淘汰策略

#高频面试

先关策略

FIFO（First In First Out）先进先出
把缓存中存在时间最久的（也就是先来的数据）淘汰掉

LRU (Least Recently Used) 淘汰最久未使用的
记录每个 key 的最近访问时间，把最近访问时间最老的 key 都淘汰掉

LFU（Least Frequently Used）淘汰访问次数最少的
记录每个 key 最近一段时间的访问次数，把访问次数最少的淘汰掉

Random 随机淘汰
从所有的 key 中抽取幸运儿被随机淘汰

理解上述几种淘汰策略：
想象你是个皇帝，有后宫佳丽三千。虽然你是真龙天子，但是经常宠信的妃子也就那么寥寥数人（后宫佳丽散散，相当于数据库中的全量数据，经常宠信的妃子相当于热点数据，是放在缓存中的）
今年选秀的一批新的小主，其中一个被你看上了，宠信新人，自然就需要有旧人被冷落，到底谁是要被冷落的人呢？

• FIFO：皇后是最先受宠的，现在已经年老色衰了==>皇后失宠
• LRU：统计最近宠幸时间，皇后（一周前），熹妃（昨天），安答应（两周前），华妃（一个月前）==>华妃失宠
• LFU：统计最近一个月的宠幸次数，皇后（3 次），熹妃（15 次），安答应（1 次），华妃（10 次）==>安答应失宠（最合理）
• Random：随机挑选一个妃子失宠（最不合理）
  具体采取哪种策略，要结合实际场景来具体问题具体分析

相关配置项

redis 里面，有一个配置项，就可以设置 redis 采取上述哪种策略淘汰内存数据

• volatile-lru 当内存不⾜以容纳新写⼊数据时，从设置了过期时间的 key 中使⽤ LRU（最近最少使⽤）算法进⾏淘汰

  • 设置了过期时间的就算，包括过期时间还没到的

• allkeys-lru 当内存不⾜以容纳新写⼊数据时，从所有 key 中使⽤ LRU（最近最少使⽤）算法进⾏淘汰.

• volatile-lfu 4.0版本新增，当内存不⾜以容纳新写⼊数据时，在过期的 key 中，使⽤ LFU 算法进⾏删除 key.

• allkeys-lfu 4.0版本新增，当内存不⾜以容纳新写⼊数据时，从所有 key 中使⽤ LFU 算法进⾏淘汰.

• volatile-random 当内存不⾜以容纳新写⼊数据时，从设置了过期时间的 key 中，随机淘汰数据.

• allkeys-random 当内存不⾜以容纳新写⼊数据时，从所有 key 中随机淘汰数据.

• volatile-ttl 在设置了过期时间的 key 中，根据过期时间进⾏淘汰，越早过期的优先被淘汰.(相当于 FIFO, 只不过是局限于过期的 key)

  • 对于其他没有设置过期时间的 key，很可能是没有保存设置时间的

• noeviction 默认策略，当内存不⾜以容纳新写⼊数据时，新写⼊操作会报错.

  • 不适合于实时更新策略

---

经过一段时间的“动态平衡”，redis 中的 key 就逐渐都成了热点数据了

缓存预热（Cache preheating）

#高频面试
缓存中的数据

1. 定期生成（这种情况，不涉及“预热”）
2. 实时生成

redis 服务器首次接入之后，服务器里面是没有数据的

• 客户端先查询 redis，如果没有查到，就再查一次 MySQL，查到了之后，会把数据也写到 redis 中
• 服务器里没有数据，此时所有的请求都会打给 MySQL，随着时间的推移，redis 上的数据越积累越多，MySQL 承担的压力就逐渐减小了

缓存预热，就是用来解决上面问题的

把定期生成和实时生成结合一下。先通过离线的方式，通过一些统计的途径，先把热点数据找到一批，导入到 redis 中。此时导入的这批热点数据，就能帮 MySQL 承担很大的压力了。随着时间推移，逐渐就使用新的热点数据淘汰掉旧的数据

缓存穿透（Cache penetration）

#高频面试
查询的某个 key，在 redis 中没有，MySQL 中也没有，这个 key 肯定也不会被更新到 redis 中

• 这次查询：没有；下次查询：仍然没有…
• 如果像这样的数据，存在很多，并且还反复查询, 一样也会给 MySQL 带来很大的压力

---

为何产生？

• 业务涉及不合理。比如缺少必要的参数校验环节，导致非法的 key 也被进行查询了
  • 典型情况
• 开发/运维误操作。不小心把部分数据从数据库上误删了
  • 没那么典型，表现也是缓存穿透。误删操作，不一定能及时发现
• 黑客恶意攻击
  • 比较少见。黑客是很多的，一些中大厂，都有专门负责做安全的团队（有人负重前行）

---

如何解决？

通过改进业务/加强监控报警等方式，都是亡羊补牢

相比之下更靠谱的方案：（降低问题的严重性**）

1. 如果发现这个 key 在 redis 和 MySQL 上都不存在，仍然写入 redis 中，value 设成一个非法值（比如""）
2. 还可以引入布隆过滤器。每次查询 redis / MySQL 之前，都先判定一下 key 是否在布隆过滤器上存在（把所有的 key 都插入到布隆过滤器中）
   • 布隆过滤器，本质上是结合了 hash+bitmap，以比较小的空间开销，比较快的时间速度，实现针对 key 是否存在的判定

缓存雪崩（Cache avalanche）

#高频面试
由于在短时间内，redis 上大规模的 key 失效，导致缓存命中率陡然下降，并且 MySQL 的压力迅速上升，甚至直接宕机

1. redis 直接挂了
   • redis 宕机/ redis 集群模式下，大量节点宕机
2. redis 好着呢，但是可能之前短时间内设置了很多 key 给 redis，并且设置的过期时间是相同的
   • 给 redis 里设置 key 作为缓存的时候，有的时候为了考虑缓存的时效性，就会设置过期时间（和 redis 内存淘汰机制，是配合使用的）

如何解决？

1. 加强监控报警，加强 redis 集群可用性的保证
2. 不给 key 设置过期时间/过期时间的时候添加随机的因子（避免同一时刻过期）

缓存击穿（Cache breakdown）

#高频面试
相当于缓存雪崩的特殊情况。针对热点 key，突然过期了，导致大量的请求直接访问到数据库上，甚至引起数据库宕机

• 热点 key 访问频率高，影响更大

如何解决？

• 基于统计的方式发现热点 key，并设置永不过期
  • 往往需要服务器结构做出较大的调整
• 进行必要的服务降级。例如访问数据库的时候用分布式锁，限制同时请求数据库的并发数
  • 本身服务器的功能有十个，但是在特定的情况下，适当的关闭一些不重要的功能，只保留核心功能（服务降级）==>手机的省点模式
  • 通过分布式锁，限制数据库的访问频率

总结

1. 缓存的基本概念
2. 如何使用 redis 作为缓存
3. 缓存更新策略==> redis 内存淘汰机制
4. 缓存使用的注意事项