缓存设计中的常见问题

缓存更新策略

1. LRU/LFU/FIFO算法剔除

   • 适用场景：缓存使用量超过了最大值
   • 一致性：清理具体哪些数据由具体算法决定，一致性较差
   • 维护成本：几乎不需要

2. 超时剔除

   • 适用场景：业务可以容忍一段时间内，缓存层数据域存储层数据不一致
   • 一致性：一段时间窗口内存在一致性问题
   • 维护成本：不是很高

3. 主动更新

   • 适用场景：真实数据更新后，立即更新缓存数据。例如利用消息系统或其他方式通知缓存更新
   • 一致性：高
   • 维护成本：最高。如果主动更新发生了问题，那么这条数据很可能很长时间不会更新，所以建议结合超时剔除一起使用效果会更好

4. 最佳实践

   • 低一致性业务建议配置最大内存和淘汰策略的方式使用
   • 高一致性业务结合使用超时剔除和主动更新，这样即使主动更新出了问题，也能保证数据过期时间后删除脏数据

缓存穿透

缓存穿透指查询一个根本不存在的数据，缓存层和存储层都不会命中，导致不存在的数据请求每次都要到存储层查询。

造成缓存穿透的基本原因有：

• 自身业务代码或数据出现问题
• 一些恶意攻击、爬虫等造成大量空命中

1.缓存空对象

当存储层不命中后，仍然将空对象保存到缓存层中，之后再访问这个数据将会从缓存中获取。

可能会引入的问题： - 空值缓存，需要更多的内存空间：针对这类数据设置一个较短的过期时间，让其自动剔除 - 不一致问题：存储层和数据层存在不一致。可用消息系统或其他方式清掉缓存中的空对象

2.布隆滤波器过滤

将存在的 key 用布隆滤波器提前保存起来，做第一层拦截。

无底洞优化

“无底洞”现象：为了满足业务要求添加了大量新的节点，但是性能不但没有好转反而下降了。

原因：键值数据库通常采用哈希函数将 key 映射到各个节点上，造成key 的分布与业务无关，由于数据量和访问量的持续增长，造成需要添加大量节点做水平扩容，导致键值分布到更多节点上。批量操作通常需要从不同节点上获取，相当于单机批量操作只涉及一次网络操作，分布式批量操作会涉及多次网络时间。

假设批量获取n个字符串为例：

1.串行命令

逐次执行n个get命令，操作时间=n次网络时间+n次命令时间

2.串行IO

Smart客户端会保存 slot 和节点的对应关系，有了这两个数据可将属于同一个节点的 key 进行归档，得到每个节点的key子列表，之后对每个节点执行 mget 或 Pipeline 操作。操作时间=node次网络事件+n次命令时间。

3.并行IO

将上面串行IO的最后一步改为多线程执行，使用多线程网络事件变为O(1)，操作时间变为：

max_slow(node网络事件) + n次命令时间

4.hash_tag实现

将多个 key 强制分配到一个节点上，操作时间=1次网络事件+n次命令时间

雪崩

缓存雪崩：缓存层由于某些原因不能提供服务，于是所有请求都会达到存储层，存储层调用量暴增，造成存储层级联宕机的情况。

解决思路：

• 保证缓存层服务高可用性：
• 依赖隔离组件为后端限流并降级。Hystrix依赖隔离
• 提前演练：演练缓存层宕掉后，可能出现的问题，做一些预案设定。

热点key重建优化

如果有两个问题同时出现：

• key 是一个热点 key ，并发量大
• 重建缓存不能在短时间完成，可能是一个复杂计算

在缓存失效瞬间，有大量线程重建缓存，造成后端负载加大，甚至可能会让应用崩溃。

解决思路：

1. 互斥锁：只允许一个线程重建缓存，其他线程等待重建缓存的线程执行完，重新从缓存获取数据即可。
2. 永远不过期：

两层意思：

• 缓存层面看：没有设置过期时间，“物理”不过期。存在一定隐患，可能会存在死锁和线程池阻塞的风险。
• 功能层面看：为每个 value 设置一个逻辑过期时间，当发现超过逻辑过期时间，会使用单独的线程来构建缓存。会存在数据不一致的情况，且代码复杂度会增大。

redis缓存常见问题