49.Redis缓存设计与性能优化

缓存与数据库双写不一致小概率事件

//线程1 写数据库stock = 5 ---------------》更新缓存

//线程2 写数据库stock = 4 -----》更新缓存

//线程1 ------》写数据库stock = 10 -----》删除缓存

//线程2 -----------------------------------------------------------------------------------------------》写数据库stock = 9 -----》删除缓存

//线程3 -------------------------------------------------》查缓存（空）----》查数据库stock = 10------------------------------------------------------------------------》写缓存

使用 redisson 的 RReadWriteLock，让修改 stock 的地方串行执行，源码还是使用 lua 脚本实现。

开发规范与性能优化

key名设计

• 可读性和可管理性: 以业务名(或数据库名)为前缀(防止key冲突)，用冒号分隔，比如业务名:表名:id
• 简洁性: 控制key的长度，不要包含特殊字符

vlaue设计原则

• 拒绝bigkey
  • 字符串类型：它的big体现在单个value值很大，一般认为超过10KB就是bigkey
  • 非字符串类型：哈希、列表、集合、有序集合，它们的big体现在元素个数太多。一般来说，string类型控制在10KB以内，hash、list、set、zset元素个数不要超过5000。
  • 非字符串的bigkey，不要使用del删除，使用hscan、sscan、zscan方式渐进式删除，同时要注意防止bigkey过期时间自动删除问题(例如一个200万的zset设置1小时过期，会触发del操作，造成阻塞）
  • bigkey的危害
    • 导致redis阻塞
    • 网络拥塞
    • 过期删除
      • 默认异步删除

bigkey的产生

一般来说，bigkey的产生都是由于程序设计不当，或者对于数据规模预料不清楚造成的，来看几个例子：

(1) 社交类：粉丝列表，如果某些明星或者大v不精心设计下，必是bigkey。

(2) 统计类：例如按天存储某项功能或者网站的用户集合，除非没几个人用，否则必是bigkey。

(3) 缓存类：将数据从数据库load出来序列化放到Redis里，这个方式非常常用，但有两个地方需要注意，第一，是不是有必要把所有字段都缓存；第二，有没有相关关联的数据，有的同学为了图方便把相关数据都存一个key下，产生bigkey。

如何优化bigkey

• 拆
  • big list： list1、list2、…listN
  • big hash：可以讲数据分段存储，比如一个大的key，假设存了1百万的用户数据，可以拆分成200个key，每个key下面存放5000个用户数据
  • 如果bigkey不可避免，也要思考一下要不要每次把所有元素都取出来(例如有时候仅仅需要hmget，而不是hgetall)
• 选择适合的数据类型
• 控制key的生命周期

命令使用

• hgetall、lrange、smembers、zrange、sinter等并非不能使用，但是需要明确N的值。有遍历的需求可以使用hscan、sscan、zscan代替。
• 禁止线上使用keys、flushall、flushdb等，通过redis的rename机制禁掉命令，或者使用scan的方式渐进式处理。
• redis的多数据库较弱，使用数字进行区分，很多客户端支持较差，同时多业务用多数据库实际还是单线程处理，会有干扰。
• 使用批量操作提高效率
  • 原生命令：例如mget、mset。
  • 非原生命令：可以使用pipeline提高效率。
  • 但要注意控制一次批量操作的元素个数(例如500以内，实际也和元素字节数有关)。
  • 原生命令是原子操作，pipeline是非原子操作。
• Redis事务功能较弱，不建议过多使用，可以用lua替代

客户端使用

• 避免多个应用使用一个Redis实例
• 使用带有连接池的数据库，可以有效控制连接，同时提高效率
• 高并发下建议客户端添加熔断功能(例如sentinel、hystrix)
• 设置合理的密码，如有必要可以使用SSL加密访问
• redis的三种清除策略
  • 被动删除：当读/写一个已经过期的key时，会触发惰性删除策略，直接删除掉这个过期key
  • 主动删除：由于惰性删除策略无法保证冷数据被及时删掉，所以Redis会定期(默认每100ms)主动淘汰一批已过期的key，这里的一批只是部分过期key，所以可能会出现部分key已经过期但还没有被清理掉的情况，导致内存并没有被释放
  • 当前已用内存超过maxmemory限定时，触发主动清理策略，八种淘汰策略
    • 针对设置了过期时间的key做处理
      • volatile-ttl：在筛选时，会针对设置了过期时间的键值对，根据过期时间的先后进行删除，越早过期的越先被删除
      • volatile-random：就像它的名称一样，在设置了过期时间的键值对中，进行随机删除。
      • volatile-lru：会使用 LRU 算法筛选设置了过期时间的键值对删除。
      • volatile-lfu：会使用 LFU 算法筛选设置了过期时间的键值对删除。
    • 针对所有的key做处理
      • allkeys-random：从所有键值对中随机选择并删除数据。
      • allkeys-lru：使用 LRU 算法在所有数据中进行筛选删除。
      • allkeys-lfu：使用 LFU 算法在所有数据中进行筛选删除。
    • 不处理
      • noeviction：不会剔除任何数据，拒绝所有写入操作并返回客户端错误信息"(error) OOM command not allowed when used memory"，此时Redis只响应读操作

LRU 算法（Least Recently Used，最近最少使用）

淘汰很久没被访问过的数据，以最近一次访问时间作为参考。

LFU 算法（Least Frequently Used，最不经常使用）

淘汰最近一段时间被访问次数最少的数据，以次数作为参考。

maxmemory-policy(默认是noeviction)，推荐使用volatile-lru
当Redis运行在主从模式时，只有主结点才会执行过期删除策略，然后把删除操作”del key”同步到从结点删除数据。

使用带有连接池的数据库，可以有效控制连接，同时提高效率，标准使用方式

• 连接池的最佳性能是maxTotal = maxIdle，这样就避免连接池伸缩带来的性能干扰。但是如果并发量不大或者maxTotal设置过高，会导致不必要的连接资源浪费。
• 计算资源池大小
  • 一次命令时间（borrow|return resource + Jedis执行命令(含网络) ）的平均耗时约为1ms，一个连接的QPS大约是1000
  • 业务期望的QPS是50000
  • 理论上需要的资源池大小是50000 / 1000 = 50个。但事实上这是个理论值，还要考虑到要比理论值预留一些资源，通常来讲maxTotal可以比理论值大一些。
• 可以给redis连接池做预热

JedisPoolConfig jedisPoolConfig = new JedisPoolConfig();JedisPool jedisPool;{System.out.println("=====初始化连接池=====");//资源池中最大连接数jedisPoolConfig.setMaxTotal(10);//资源池允许最大空闲的连接数jedisPoolConfig.setMaxIdle(10);//资源池确保最少空闲的连接数jedisPoolConfig.setMinIdle(2);//向资源池借用连接时是否做连接有效性检测(ping)，无效连接会被移除。业务量很大时候建议设置为false(多一次ping的开销)jedisPoolConfig.setTestOnBorrow(true);jedisPool = new JedisPool(jedisPoolConfig, "127.0.0.1", 6379, 3000, null);//连接池预热示例代码List<Jedis> minIdleJedisList = new ArrayList<Jedis>(jedisPoolConfig.getMinIdle());for (int i = 0; i < jedisPoolConfig.getMinIdle(); i++) {Jedis jedis = null;try {jedis = jedisPool.getResource();jedis.clientSetname("client:" + i);minIdleJedisList.add(jedis);jedis.ping();} catch (Exception e) {e.printStackTrace();} finally {//注意，这里不能马上close将连接还回连接池，否则最后连接池里只会建立1个连接。。//jedis.close();}}//统一将预热的连接还回连接池for (int i = 0; i < jedisPoolConfig.getMinIdle(); i++) {Jedis jedis = null;try {jedis = minIdleJedisList.get(i);//将连接归还回连接池jedis.close();System.out.println("连接" + jedis.clientGetname() + "归还成功");} catch (Exception e) {e.printStackTrace();} finally {}}}@GetMapping("pool")public String pool() {Jedis jedis = null;try {jedis = jedisPool.getResource();//具体的命令String set = jedis.set("pool:redis:", "1");System.out.println("使用连接：" + jedis.clientGetname() + " 执行" + " 结果:" + set);} catch (Exception e) {e.printStackTrace();} finally {//注意这里不是关闭连接，在JedisPool模式下，Jedis会被归还给资源池。if (jedis != null)jedis.close();}return "success";}

慢查询日志：slowlog

config get slow* #查询有关慢日志的配置信息
config set slowlog-log-slower-than 20000  #设置慢日志使时间阈值,单位微秒，此处为20毫秒，即超过20毫秒的操作都会记录下来，生产环境建议设置1000，也就是1ms，这样理论上redis并发至少达到1000，如果要求单机并发达到1万以上，这个值可以设置为100
config set slowlog-max-len 1024  #设置慢日志记录保存数量，如果保存数量已满，会删除最早的记录，最新的记录追加进来。记录慢查询日志时Redis会对长命令做截断操作，并不会占用大量内存，建议设置稍大些，防止丢失日志
config rewrite #将服务器当前所使用的配置保存到redis.conf
slowlog len #获取慢查询日志列表的当前长度
slowlog get 5 #获取最新的5条慢查询日志。慢查询日志由四个属性组成：标识ID，发生时间戳，命令耗时，执行命令和参数
slowlog reset #重置慢查询日志

布隆过滤器

布隆过滤器就是一个大型的位数组和几个不一样的无偏 hash 函数。所谓无偏就是能够把元素的 hash 值算得比较均匀。

布隆过滤器的实现原理

	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
k1					1			1			1
k2			1					1					1
k3			1		1					1

对 k1 进行多个 hash 计算获得数组索引值，add

对 k2 进行多个 hash 计算获得数组索引值，add

对 k3 进行多个 hash 计算获得数组索引值，exists，此时出现了 hash 碰撞，误判 k3 存在。

• 适用于数据命中不高、 数据相对固定、 实时性低（通常是数据集较大） 的应用场景， 代码维护较为复杂， 但是缓存空间占用很少。
• 根据预计元素、误差率生成数组的长度。
• 不能修改，只能重建。

布隆过滤器的代码示例

@GetMapping("bloom")
public String bloom() {Config config = new Config();List<String> nodes = Arrays.asList("redis://192.168.139.135:8001","redis://192.168.139.136:8002","redis://192.168.139.137:8003","redis://192.168.139.135:8004" ,"redis://192.168.139.136:8005","redis://192.168.139.137:8006");//集群配置config.useClusterServers().setNodeAddresses(nodes);config.useClusterServers().setPassword("yes");RedissonClient redisson = Redisson.create(config);RBloomFilter<String> nameFilter = redisson.getBloomFilter("nameFilter");//初始化布隆过滤器：预计元素为100000000L,误差率为3%,根据这两个参数会计算出底层的bit数组大小nameFilter.tryInit(100000000L,0.03);String[] nameList = { "a", "b", "c", "d", "e", "f", "g", "h", "i", "j", "k"};String[] checkList = { "a1", "b2", "c3", "d", "e4", "f5", "g6", "h7", "i8", "j", "k"};for (String name : nameList) {nameFilter.add(name);}//判断下面号码是否在布隆过滤器中for (String name : checkList) {boolean rs = nameFilter.contains(name);System.out.println(name + " 检查结果：" + rs);}return "success";
}