1、缓存更新策略
1、LRU/LFU/FIFO算法剔除：例如maxmemory-policy
2、超时剔除，过期时间expire，对于一些用户可以容忍延时更新的数据，例如文章简介内容改了几个字
3、主动更新：代码控制生命周期，对于一些必须实时更新的数据，例如金额
| 策略 | 一致性 | 维护成本 |
| LRU/LFU/FIFO算法剔除 | 最差 | 低 |
| 超时剔除 | 较差 | 低 |
| 主动更新 | 强 | 高 |
2、缓存粒度问题
1、通用性：全量属性最好
2、占用空间：部分属性最好
3、代码维护：表面上看全量属性最好
大部分应用来说都是缓存部分属性
3、缓存穿透
指查询一个一定不存在的数据，由于缓存是不命中时，出于容错考虑，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。
优化到极致的单机mysql的数据库连接为300-700之间，300为机械硬盘数据，700为固态硬盘数据
原因：
1、业务代码有问题，直接返回了，没有写cache层
2、恶意攻击、爬虫等
如何发现：
1、业务的响应时间，通过监控系统
2、业务本身的问题
3、相关指标：总调用数、缓存层命中数、存储层命中数
解决方法：
处理缓存穿透的方法有很多，其实无外乎就是对数据进行过滤筛选，把真正有效的数据进行访问，无效数据直接过滤掉。
1、缓存空对象
设置过期时间，过期时间会很短，最长不超过五分钟，用来减少storage压力，这样需要更多的键，缓存和存储层短期数据不一致
2、布隆过滤器拦截
将所有可能存在的数据哈希到一个足够大的bitmap中，一个一定不存在的数据会被这个bitmap拦截掉，从而避免了对底层存储系统的查询压力。
3、对所有可能查询的参数以hash形式存储，在控制层先进行校验，不符合则丢弃
4、缓存雪崩
缓存集中在一段时间内失效，新的缓存未到，或者Redis缓存宕机，发生大量的缓存穿透，所有的查询都落在数据库上，造成了缓存雪崩
优化方案：
1、保证缓存高可用性。master-slave、sentinel、cluster
2、依赖隔离组件（线程池/信号量组件）为后端限流，例如Hystrix，还有本地encache缓存
3、提前演练
4、Redis持久化，快速恢复缓存数据
解决办法：
1、在缓存失效后，通过加锁或者队列来控制读数据库写缓存的线程数量。比如对某个key只允许一个线程查询数据和写缓存，其他线程等待。
2、可以通过缓存reload机制，预先去更新缓存，再即将发生大并发访问前手动触发加载缓存 不同的key，设置不同的过期时间，让缓存失效
的时间点尽量均匀做二级缓存，或者双缓存策略。A1为原始缓存，A2为拷贝缓存，A1失效时，可以访问A2，A1缓存失效时间设置为短期，A2设置
为长期。
5、缓存预热
缓存预热就是系统上线后，将相关的缓存数据直接加载到缓存系统。这样避免，用户请求的时候，再去加载相关的数据。
解决思路：
1、直接写个缓存刷新页面，上线时手工操作下。
2、数据量不大，可以在WEB系统启动的时候加载。
3、定时刷新缓存。
6、缓存过期策略
除了缓存服务器自带的缓存失效策略之外（Redis默认的有6中策略可供选择），我们还可以根据具体的业务需求进行自定义的缓存淘汰，常见的
策略有两种：
（1）定时删除
Redis将每个设置过期时间的key放到一个独立的字典中，以后定期遍历字典删除过期的key
Redis默认100ms进行一次过期扫描，不会扫描字典中所有的key，而是采用贪心算法。从字典中随机20个key，删除20个key里面过期的key，如果
过期的key的比率超过1/4就重复之前的步骤
（2）惰性删除
当有用户请求过来时，再判断这个请求所用到的缓存是否过期，过期的话就去底层系统得到新数据并更新缓存
对比：
两者各有优劣，第一种的缺点是维护大量缓存的key是比较麻烦的，第二种的缺点就是每次用户请求过来都要判断缓存失效，逻辑相对比较复杂
！可以采用定期删除+惰性删除两种策略
7、内存淘汰策略
Redis的数据都是放在内存中的，如果Redis能使用10G内存，但是数据却有20G，这时候就需要干掉10G数据，去掉不常用的数据，保留常用的数据
Redis提供的内存淘汰策略有如下几种：
1、no-eviction 不会继续服务写请求 (DEL 请求可以继续服务)，读请求可以继续进行。这样可以保证不会丢失数据，但是会让线上的业务不能
持续进行。这是默认的淘汰策略。
2、volatile-lru 尝试淘汰设置了过期时间的 key，最少使用的 key 优先被淘汰。没有设置过期时间的 key 不会被淘汰，这样可以保证需要持
久化的数据不会突然丢失。（这个是使用最多的）
3、volatile-ttl 跟上面一样，除了淘汰的策略不是 LRU，而是 key 的剩余寿命 ttl 的值，ttl 越小越优先被淘汰。
4、volatile-random 跟上面一样，不过淘汰的 key 是过期 key 集合中随机的 key。
5、allkeys-lru 区别于 volatile-lru，这个策略要淘汰的 key 对象是全体的 key 集合，而不只是过期的 key 集合。这意味着没有设置过期
时间的 key 也会被淘汰。
6、allkeys-random 跟上面一样，不过淘汰的策略是随机的 key。allkeys-random 跟上面一样，不过淘汰的策略是随机的 key。
lru策略可以保证Redis中的数据都是近期使用频率比较高的数据，也就是热点数据
策略使用规则：
1、如果数据访问分布差别很大，就是用allkeys-lru
2、如果数据访问分布均匀，访问频率差不多，使用allkeys-random
7、缓存降级
当访问量剧增、服务出现问题（如响应时间慢或不响应）或非核心服务影响到核心流程的性能时，仍然需要保证服务还是可用的，即使是有损
服务。系统可以根据一些关键数据进行自动降级，也可以配置开关实现人工降级。
降级的最终目的是保证核心服务可用，即使是有损的。而且有些服务是无法降级的（如加入购物车、结算）。
在进行降级之前要对系统进行梳理，看看系统是不是可以丢卒保帅；从而梳理出哪些必须誓死保护，哪些可降级；
比如可以参考日志级别设置预案：
（1）一般：比如有些服务偶尔因为网络抖动或者服务正在上线而超时，可以自动降级
（2）警告：有些服务在一段时间内成功率有波动（如在95~100%之间），可以自动降级或人工降级，并发送告警
（3）错误：比如可用率低于90%，或者数据库连接池被打爆了，或者访问量突然猛增到系统能承受的最大阀值，此时可以根据情况自动降级或
者人工降级
（4）严重错误：比如因为特殊原因数据错误了，此时需要紧急人工降级
8、无底洞问题
由Facebook产生的，有3000个memcache节点，性能却下降了，例如mget、mset等时间复杂度从O(1)到O(Node)
优化：
1、优化命令：keys、hgetall、bigkey
2、减少网络通信时间
3、降低接入成本：例如客户端长连接、连接池、NIO等
4、热点key重建优化：高并发情况下，可能出现很多线程重建缓存的情况
热点key+较长的重建时间
1、三个目标：
减少重缓存的次数
数据尽可能一致
减少潜在危险
2、两个解决
互斥锁(mutext key)
setex、setnx能够保证原子性
永远不过期：给每个value设置逻辑过期时间