缓存

一 缓存的收益与成本

1.1 受益

1 加速读写

2 降低后端负载：后端服务器通过前端缓存降低负载，业务端使用redis降低后端mysql负载

1.2 成本

1 数据不一致：缓存层和数据层有时间窗口不一致，和更新策略有关

2 代码维护成本：多了一层缓存逻辑

3 运维成本：比如使用了Redis Cluster

1.3 使用场景

1 降低后端负载：对高消耗的sql，join结果集/分组统计的结果做缓存

2 加速请求响应：利用redis优化io响应时间

3 大量写合并为批量写：如计数器先redis累加再批量写入db

二 缓存更新策略

1 LRU/LFU/FIFO算法剔除：例如maxmemory-policy(到了最大内存，对应的应对策略)

​ LRU -Least Recently Used,没有被使用时间最长的

​ LFU -Least Frequenty User,一定时间段内使用次数最少的

​ FIFO -First In First Out

​ LIRS (Low Inter-reference Recency Set)是一个页替换算法，相比于LRU(Least Recently Used)和很多其他的替换算法，LIRS具有较高的性能。这是通过使用两次访问同一页之间的距离（本距离指中间被访问了多少非重复块）作为一种尺度去动态地将访问页排序，从而去做一个替换的选择

配置文件中设置：

1 2 3 4 5 6 7 8

># LRU配置 >maxmemory-policy:volatile-lru >（1）noeviction: 如果内存使用达到了maxmemory，client还要继续写入数据，那么就直接报错给客户端 >（2）allkeys-lru: 就是我们常说的LRU算法，移除掉最近最少使用的那些keys对应的数据，ps最长用的策略 >（3）volatile-lru: 也是采取LRU算法，但是仅仅针对那些设置了指定存活时间（TTL）的key才会清理掉 >（4）allkeys-random: 随机选择一些key来删除掉 >（5）volatile-random: 随机选择一些设置了TTL的key来删除掉 >（6）volatile-ttl: 移除掉部分keys，选择那些TTL时间比较短的keys

1 2 3 4 5 6 7 8

># LFU配置 Redis4.0之后为maxmemory_policy淘汰策略添加了两个LFU模式： >volatile-lfu：对有过期时间的key采用LFU淘汰算法 >allkeys-lfu：对全部key采用LFU淘汰算法 ># 还有2个配置可以调整LFU算法： >lfu-log-factor 10 >lfu-decay-time 1 ># lfu-log-factor可以调整计数器counter的增长速度，lfu-log-factor越大，counter增长的越慢。 ># lfu-decay-time是一个以分钟为单位的数值，可以调整counter的减少速度

2 超时剔除：例如expire，设置过期时间

3 主动更新：开发控制生命周期

策略	一致性	维护成本
LRU/LIRS算法剔除	最差	低
超时剔除	较差	低
主动更新	强	高

1 低一致性：最大内存和淘汰策略

2 高一致性：超时剔除和主动更新结合，最大内存和淘汰策略兜底

三 缓存粒度控制

1 从mysql获取用户信息：select * from user where id=100

2 设置用户信息缓存：set user:100 select * from user where id=100

3 缓存粒度：

​ 缓存全部属性

​ 缓存部分重要属性

1 通用性：全量属性更好

2 占用空间：部分属性更好

3 代码维护：表面上全量属性更好

四 缓存穿透，缓存击穿，缓存雪崩

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

### 缓存穿透 #描述： 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。这时的用户很可能是攻击者，攻击会导致数据库压力过大。 #解决方案： 1 接口层增加校验，如用户鉴权校验，id做基础校验，id<=0的直接拦截； 2 从缓存取不到的数据，在数据库中也没有取到，这时也可以将key-value对写为key-null，缓存有效时间可以设置短点，如30秒（设置太长会导致正常情况也没法使用）。这样可以防止攻击用户反复用同一个id暴力攻击 3 通过布隆过滤器实现 ### 缓存击穿 #描述： 缓存击穿是指缓存中没有但数据库中有的数据（一般是缓存时间到期），这时由于并发用户特别多，同时读缓存没读到数据，又同时去数据库去取数据，引起数据库压力瞬间增大，造成过大压力 #解决方案： 设置热点数据永远不过期。 ### 缓存雪崩 #描述： 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。 # 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。

Redis与Mysql双写一致性方案解析

一 前言

首先，缓存由于其高并发和高性能的特性，已经在项目中被广泛使用。在读取缓存方面，大家没啥疑问，都是按照下图的流程来进行业务操作

但是在更新缓存方面，对于更新完数据库，是更新缓存呢，还是删除缓存。又或者是先删除缓存，再更新数据库，其实大家存在很大的争议

本文由以下三个部分组成 1、讲解缓存更新策略 2、对每种策略进行缺点分析 3、针对缺点给出改进方案

二 一致性方案

先做一个说明，从理论上来说，给缓存设置过期时间，是保证最终一致性的解决方案。这种方案下，我们可以对存入缓存的数据设置过期时间，所有的写操作以数据库为准，对缓存操作只是尽最大努力即可。也就是说如果数据库写成功，缓存更新失败，那么只要到达过期时间，则后面的读请求自然会从数据库中读取新值然后回填缓存。因此，接下来讨论的思路不依赖于给缓存设置过期时间这个方案。 在这里，我们讨论三种更新策略：

• 1. 先更新数据库，再更新缓存
• 2. 先删除缓存，再更新数据库
• 3. 先更新数据库，再删除缓存

三 先更新数据库，再更新缓存

这套方案，大家是普遍反对的。为什么呢？有如下两点原因。

原因一（线程安全角度） 同时有请求A和请求B进行更新操作，那么会出现

• （1）线程A更新了数据库
• （2）线程B更新了数据库
• （3）线程B更新了缓存
• （4）线程A更新了缓存

这就出现请求A更新缓存应该比请求B更新缓存早才对，但是因为网络等原因，B却比A更早更新了缓存。这就导致了脏数据，因此不考虑。

原因二（业务场景角度） 有如下两点：

• （1）如果你是一个写数据库场景比较多，而读数据场景比较少的业务需求，采用这种方案就会导致，数据压根还没读到，缓存就被频繁的更新，浪费性能。
• （2）如果你写入数据库的值，并不是直接写入缓存的，而是要经过一系列复杂的计算再写入缓存。那么，每次写入数据库后，都再次计算写入缓存的值，无疑是浪费性能的。显然，删除缓存更为适合。

接下来讨论的就是争议最大的，先删缓存，再更新数据库。还是先更新数据库，再删缓存的问题。

四 先删缓存，再更新数据库

该方案会导致不一致的原因是。同时有一个请求A进行更新操作，另一个请求B进行查询操作。那么会出现如下情形:

• （1）请求A进行写操作，删除缓存
• （2）请求B查询发现缓存不存在
• （3）请求B去数据库查询得到旧值
• （4）请求B将旧值写入缓存
• （5）请求A将新值写入数据库 上述情况就会导致不一致的情形出现。而且，如果不采用给缓存设置过期时间策略，该数据永远都是脏数据。

那么，如何解决呢？采用延时双删策略 伪代码如下

public void write(String key,Object data){
        redis.delKey(key);
        db.updateData(data);
        Thread.sleep(1000);
        redis.delKey(key);
    }

转化为中文描述就是

• （1）先淘汰缓存
• （2）再写数据库（这两步和原来一样）
• （3）休眠1秒，再次淘汰缓存 这么做，可以将1秒内所造成的缓存脏数据，再次删除。

那么，这个1秒怎么确定的，具体该休眠多久呢？

针对上面的情形，读者应该自行评估自己的项目的读数据业务逻辑的耗时。然后写数据的休眠时间则在读数据业务逻辑的耗时基础上，加几百ms即可。这么做的目的，就是确保读请求结束，写请求可以删除读请求造成的缓存脏数据。

如果你用了mysql的读写分离架构怎么办？

ok，在这种情况下，造成数据不一致的原因如下，还是两个请求，一个请求A进行更新操作，另一个请求B进行查询操作。

• （1）请求A进行写操作，删除缓存
• （2）请求A将数据写入数据库了，
• （3）请求B查询缓存发现，缓存没有值
• （4）请求B去从库查询，这时，还没有完成主从同步，因此查询到的是旧值
• （5）请求B将旧值写入缓存
• （6）数据库完成主从同步，从库变为新值 上述情形，就是数据不一致的原因。还是使用双删延时策略。只是，睡眠时间修改为在主从同步的延时时间基础上，加几百ms。

采用这种同步淘汰策略，吞吐量降低怎么办？

ok，那就将第二次删除作为异步的。自己起一个线程，异步删除。这样，写的请求就不用沉睡一段时间后了，再返回。这么做，加大吞吐量。

第二次删除,如果删除失败怎么办？

这是个非常好的问题，因为第二次删除失败，就会出现如下情形。还是有两个请求，一个请求A进行更新操作，另一个请求B进行查询操作，为了方便，假设是单库：

• （1）请求A进行写操作，删除缓存
• （2）请求B查询发现缓存不存在
• （3）请求B去数据库查询得到旧值
• （4）请求B将旧值写入缓存
• （5）请求A将新值写入数据库
• （6）请求A试图去删除请求B写入对缓存值，结果失败了。 ok,这也就是说。如果第二次删除缓存失败，会再次出现缓存和数据库不一致的问题。 如何解决呢？ 具体解决方案，且看博主对第(3)种更新策略的解析。

五 先更新数据库，再删缓存

首先，先说一下。老外提出了一个缓存更新套路，名为《Cache-Aside pattern》。其中就指出

1. 失效：应用程序先从cache取数据，没有得到，则从数据库中取数据，成功后，放到缓存中。
2. 命中：应用程序从cache中取数据，取到后返回。
3. 更新：先把数据存到数据库中，成功后，再让缓存失效。

另外，知名社交网站facebook也在论文《Scaling Memcache at Facebook》中提出，他们用的也是先更新数据库，再删缓存的策略。

这种情况不存在并发问题么？

不是的。假设这会有两个请求，一个请求A做查询操作，一个请求B做更新操作，那么会有如下情形产生

（1）缓存刚好失效

（2）请求A查询数据库，得一个旧值

（3）请求B将新值写入数据库

（4）请求B删除缓存

（5）请求A将查到的旧值写入缓存 ok，如果发生上述情况，确实是会发生脏数据。

然而，发生这种情况的概率又有多少呢？

发生上述情况有一个先天性条件，就是步骤（3）的写数据库操作比步骤（2）的读数据库操作耗时更短，才有可能使得步骤（4）先于步骤（5）。

可是，大家想想，数据库的读操作的速度远快于写操作的（不然做读写分离干嘛，做读写分离的意义就是因为读操作比较快，耗资源少），因此步骤（3）耗时比步骤（2）更短，这一情形很难出现。 假设，有人非要抬杠，有强迫症，一定要解决怎么办？

如何解决上述并发问题？

首先，给缓存设有效时间是一种方案。其次，采用策略（2）里给出的异步延时删除策略，保证读请求完成以后，再进行删除操作。

还有其他造成不一致的原因么？

有的，这也是缓存更新策略（2）和缓存更新策略（3）都存在的一个问题，如果删缓存失败了怎么办，那不是会有不一致的情况出现么。比如一个写数据请求，然后写入数据库了，删缓存失败了，这会就出现不一致的情况了。这也是缓存更新策略（2）里留下的最后一个疑问。

如何解决？ 提供一个保障的重试机制即可，这里给出两套方案。

方案一： 如下图所示

流程如下所示

• （1）更新数据库数据；
• （2）缓存因为种种问题删除失败
• （3）将需要删除的key发送至消息队列
• （4）自己消费消息，获得需要删除的key
• （5）继续重试删除操作，直到成功 然而，该方案有一个缺点，对业务线代码造成大量的侵入。于是有了方案二，在方案二中，启动一个订阅程序去订阅数据库的binlog，获得需要操作的数据。在应用程序中，另起一段程序，获得这个订阅程序传来的信息，进行删除缓存操作。

方案二：

流程如下图所示：

• （1）更新数据库数据
• （2）数据库会将操作信息写入binlog日志当中
• （3）订阅程序提取出所需要的数据以及key
• （4）另起一段非业务代码，获得该信息
• （5）尝试删除缓存操作，发现删除失败
• （6）将这些信息发送至消息队列
• （7）重新从消息队列中获得该数据，重试操作。

备注说明：上述的订阅binlog程序在mysql中有现成的中间件叫canal，可以完成订阅binlog日志的功能。至于oracle中，博主目前不知道有没有现成中间件可以使用。另外，重试机制，博主是采用的是消息队列的方式。如果对一致性要求不是很高，直接在程序中另起一个线程，每隔一段时间去重试即可，这些大家可以灵活自由发挥，只是提供一个思路。