什么是缓存
https://tech.meituan.com/2017/03/17/cache-about.html
Spring Data Redis
Spring Data Redis提供了从Spring应用程序轻松配置和访问Redis的功能。
引入依赖
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-data-redis</artifactId>
</dependency>
配置
# 数据源
spring.datasource.driver-class-name=com.mysql.cj.jdbc.Driver
spring.datasource.url=jdbc:mysql://localhost:3306/db01
spring.datasource.username=root
spring.datasource.password=root1234
# redis
spring.redis.host=database.coding-future.com
spring.redis.port=6379
spring.redis.password=codingfuture21
spring.redis.database=4
#日志
logging.level.com.codingfuture=debug
代码实现
Spring缓存管理
https://www.cnblogs.com/songjilong/p/12901397.html?spm=a2c6h.12873639.0.0.559a86a6S9mJIU
依赖
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-cache</artifactId>
</dependency>
@EnableCaching
开启缓存,在启动类添加注解
@Cacheable(“person_list”)
触发缓存写入的操作,将查询出来的数据存储到缓存中,查询时候使用
@CacheEvict(“person_list”,allEntries=true)
触发缓存删除的操作,只要增删改操作成功,就去缓存中把对应键的数据全部删除,增删改时候使用
缓存问题
缓存穿透
缓存穿透是指查询一个一定不存在的数据,由于缓存是不命中时被动写的,并且出于容错考虑,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。
解决方案
布隆过滤器
有很多种方法可以有效地解决缓存穿透问题,最常见的则是采用布隆过滤器,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。
空结果进行缓存
另外也有一个更为简单粗暴的方法(我们采用的就是这种),如果一个查询返回的数据为空(不管是数据不存在,还是系统故障),我们仍然把这个空结果进行缓存,但它的过期时间会很短,最长不超过五分钟。
缓存雪崩
- 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。
- 系统 A,假设每天高峰期每秒 5000 个请求,本来缓存在高峰期可以扛住每秒 4000 个请求,但是缓存机器意外发生了全盘宕机。 缓存挂了,此时 1 秒 5000 个请求全部落数据库,数据库必然扛不住,然后就挂了。如果重启数据库,数据库也会立马被新的流量给打死了。
解决方案
缓存失效时的雪崩效应对底层系统的冲击非常可怕。大多数系统设计者考虑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。这里分享一个简单方案就时讲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。
缓存击穿
对于一些设置了过 这些key可能会在某些时间点被超高并发地访问,是一种非常“热点”的数据。这个时候,需要考虑一个问题:缓存被“击穿”的问题,缓存击穿针对某一key缓存,缓存雪崩则是很多key。
缓存在某个时间点过期的时候,恰好在这个时间点对这个Key有大量的并发请求过来,这些请求发现缓存过期一般都会从后端DB加载数据并回设到缓存,这个时候大并发的请求可能会瞬间把后端DB压垮。
解决方案
热点数据“永不过期”。
Redis数据一致性问题
为什么会选Redis
- 基于内存存储,可以降低对关系型数据库的访问频次,从而缓解数据库压力
- 数据IO操作能支持更高级别的QPS,官方发布的指标是10W;
- 提供了比较多的数据存储结构,比如string、list、hash、set、zset等等
- 采用单线程实现IO操作,避免了并发情况下的线程安全问题。所以也快。
应用场景
- 缓存,作为Key-Value形态的内存数据库,Redis 最先会被想到的应用场景便是作为数据缓存
- 分布式锁,分布式环境下对资源加锁
- 分布式共享数据,在多个服务之间数据共享,存储token
- 消息队列,pub/sub功能也可以用作发布者 / 订阅者模型的消息
- 排行榜,自带排序的数据结构(zset)
数据一致性问题
作为缓存使用流程
数据性一致性问题
使用Redis来作为缓存时,让请求先访问到Redis,而不是直接访问数据库。
而在这种业务场景下,可能会出现缓存和数据库数据不一致性的问题
- 先删除缓存,再更新数据库
- 先更新数据库,再删除缓存
先删除缓存,再更新数据库
A用户:先删除缓存, 在更新。zs->ls
B用户:先查询没有,查数据库zs,放到缓存zs。
先更新数据库,再删除缓存
A用户:先更新数据库zs->ls, 在删除缓存zs
B用户:先查询缓存zs,返回,
数据库更新成功,而删除缓存失败了,那么数据库中就会是新数据,而缓存中是旧数据,数据就出现了不一致情况。
延迟双删
先进行删除缓存,再执行update,最后(延迟N秒)再执行缓存清除。进行两次删除,且中间需要延迟一段时间
延迟删除的时间需要大于 A用户执行流程的总时间。