缓存一致性策略以及雪崩、穿透问题-解决缓存一致性

一. 缓存原理

高并发情境下首先考虑到的第一层优化方案就是增加缓存，尤其是通过Redis将原本在数据库中的数据复制一份放到内存中，可以减少对数据库的读操作，数据库的压力降低，同时也会加快系统的响应速度，但是同样的也会带来其他的问题，比如需要考虑数据的一致性、还需要预防可能的缓存击穿、穿透和雪崩问题等等。

[[260641]]

1. 实现步骤

先查询缓存中有没有要的数据，如果有，就直接返回缓存中的数据。如果缓存中没有要的数据，才去查询数据库，将得到数据更新到缓存再返回，如果数据库中也没有就可以返回空。

考虑数据一致性，缓存处的代码逻辑都较为标准化，首先取Redis，击中则返回，未击中则通过数据库来进行查询和同步。

public Result query(String id) { 
Result result = null; 
//1.从Redis缓存中取数据 
result = (Result)redisTemplate.opsForValue().get(id); 
if (null != result){ 
System.out.println("缓存中得到数据"); 
return result; 
} 
//2.通过DB查询，有则同步更新redis，否则返回空 
System.out.println("数据库中得到数据"); 
result = Dao.query(id); 
if (null != result){ 
redisTemplate.opsForValue().set(id,result); 
redisTemplate.expire(id,20000, TimeUnit.MILLISECONDS); 
} 
return result; 
}

其他的新增、删除和更新操作，可以直接采用先清空该Key下的缓存值再进行DB操作，这样逻辑清晰简单，维护的复杂度会降低，而付出代价就是多查询一次。

public void update(Entity entity) { 
redisTemplate.delete(entity.getId()); 
Dao.update(entity); 
return entity; 
} 
 
public Entity add(Entity entity) { 
redisTemplate.delete(entity.getId()); 
Dao.insert(entity); 
return entity; 
}

2. 缓存更新策略

适用于做缓存的场景一般都是：访问频繁、读场景较多而写场景少、对数据一致性要求不高。如果上面三个条件都不符合，那维护一套缓存数据的意义并不大了，实际应用中通常都需要针对业务场景来选择合适的缓存方案，下面给出了四种缓存策略，由上到下就是按照一致性由强到弱的顺序。

更新策略特点适用场景

实时更新同步更新保证强一致性，与业务强侵入强耦合金融转账业务等

弱实时异步更新(MQ/发布订阅/观察者模式)，业务解耦，弱一致性存在延迟不适合写频繁场景

失效机制设置缓存失效，有一定延迟，可能存在雪崩适用读多写少，能接受一定的延时

任务调度通过定时任务进行全量更新统计类业务，访问频繁且定期更新

二. 缓存雪崩和击穿

1. 缓存雪崩概念

缓存雪崩是指在我们设置缓存时采用了相同的过期时间，导致缓存在某一时刻同时失效，请求全部转发到DB，DB瞬时压力过重雪崩。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。

解决方案

将缓存失效时间分散开，比如我们可以在原有的失效时间基础上增加一个随机值，比如1-5分钟随机，这样每一个缓存的过期时间的重复率就会降低，就很难引发集体失效的事件。

用加锁或者队列的方式保证缓存的单线程(进程)写，从而避免失效时大量的并发请求落到底层存储系统上。

第一种方案比较容易实现，第二种的思路主要是从加阻塞式的排它锁来实现，在缓存查询不到的情况下，每此只允许一个线程去查询DB，这样可避免同一个ID的大量并发请求都落到数据库中。

public Result query(String id) { 
// 1.从缓存中取数据 
Result result = null; 
result = (Result)redisTemplate.opsForValue().get(id); 
if (result ! = null) { 
logger.info("缓存中得到数据"); 
return result; 
} 
 
//2.加锁排队，阻塞式锁 
doLock(id);//多少个id就可能有多少把锁 
try{ 
//一次只有一个线程 
//双重校验，第一次获取到后面的都可以从缓存中直接击中 
result = (Result)redisTemplate.opsForValue().get(id); 
if (result != null) { 
logger.info("缓存中得到数据"); 
return result;//第二个线程，这里返回 
} 
 
result = dao.query(id); 
// 3.从数据库查询的结果不为空，则把数据放入缓存中，方便下次查询 
if (null != result) { 
redisTemplate.opsForValue().set(id,result); 
redisTemplate.expire(id,20000, TimeUnit.MILLISECONDS); 
} 
return provinces; 
} catch(Exception e) { 
return null; 
} finally { 
//4.解锁 
releaseLock(provinceid); 
} 
} 
 
private void releaseLock(String userCode) { 
ReentrantLock oldLock = (ReentrantLock) locks.get(userCode); 
if(oldLock !=null && oldLock.isHeldByCurrentThread()){ 
oldLock.unlock(); 
} 
} 
 
private void doLock(String lockcode) { 
//id有不同的值 
//id相同的，加一个锁，不是同一个key，不能用同一个锁 
ReentrantLock newLock = new ReentrantLock();//创建一个锁 
//若已存在，则newLock直接丢弃 
Lock oldLock = locks.putIfAbsent(lockcode, newLock); 
if(oldLock == null){ 
newLock.lock(); 
}else{ 
oldLock.lock(); 
} 
} 
??

注意：加锁排队的解决方式在处理分布式环境的并发问题，有可能还要解决分布式锁的问题;线程还会被阻塞，用户体验很差!因此，在真正的高并发场景下很少使用!

2. 缓存击穿概念

一个存在的key，在缓存过期的一刻，同时有大量的请求，这些请求都会击穿到DB，造成瞬时DB请求量大、压力骤增。

解决方案

在访问key之前，采用SETNX(set if not exists)来设置另一个短期key来锁住当前key的访问，访问结束再删除该短期key。

三. 缓存穿透

1. 缓存穿透概念

缓存穿透是指缓存和数据库中都没有的数据，而用户不断发起请求，如发起为id为“-1”的数据或id为特别大不存在的数据。这时的用户很可能遭遇安全威胁，导致数据库压力过大。

解决方案：布隆过滤器

布隆过滤器的使用方法，类似java的SET集合，用来判断某个元素(key)是否在某个集合中。和一般的hash set不同的是，这个算法无需存储key的值，对于每个key，只需要k个比特位，每个存储一个标志，用来判断key是否在集合中。

使用步骤：

将List数据装载入布隆过滤器中

private BloomFilter<String> bf =null; 
 
//PostConstruct注解对象创建后，自动调用本方法 
@PostConstruct 
public void init(){ 
//在bean初始化完成后，实例化bloomFilter，并加载数据 
List<Entity> entities= initList(); 
//初始化布隆过滤器 
bf = BloomFilter.create(Funnels.stringFunnel(Charsets.UTF_8), entities.size()); 
for (Entity entity : entities) { 
bf.put(entity.getId()); 
} 
} 
??

访问经过布隆过滤器，存在才可以往db中查询

public Provinces query(String id) { 
//先判断布隆过滤器中是否存在该值，值存在才允许访问缓存和数据库 
if(!bf.mightContain(id)) { 
Log.info("非法访问"+System.currentTimeMillis()); 
return null; 
} 
Log.info("数据库中得到数据"+System.currentTimeMillis()); 
Entity entity= super.query(id); 
return entity; 
}

这样当外界有恶意威胁时，不存在的数据请求就可以直接拦截在过滤器层，而不会影响到底层数据库系统。