1. 簡介

如圖所示，一個正常的請求

1.客戶端請求張鐵牛的博客。

2.服務首先會請求redis，查看請求的內容是否存在。

3.redis將請求結果返回給服務，如果返回的結果有數據則執行7；如果沒有數據則會繼續往下執行。

4.服務從數據庫中查詢請求的數據。

5.數據庫將查詢的結果返回給服務。

6.如果數據庫有返回數據，則將返回的結果添加到redis。

7.將請求到的數據返回給客戶端。

2. 緩存穿透

2.1描述

通過接口訪問一個緩存和數據庫都不存在的數據。

因為服務出于容錯考慮，當請求從持久層查不到數據則不寫入緩存，這將導致請求這個不存在的數據每次都要到持久層去查詢，失去了緩存的意義。

此時，緩存起不到保護后端持久層的意義，就像被穿透了一樣。導致數據庫存在被打掛的風險。

2.2 解決方案

1.接口請求參數的校驗。對請求的接口進行鑒權，數據合法性的校驗等；比如查詢的userId不能是負值或者包含非法字符等。

2.當數據庫返回空值時，將空值緩存到redis，并設置合理的過期時間。

3.布隆過濾器。使用布隆過濾器存儲所有可能訪問的 key，不存在的 key 直接被過濾，存在的 key 則再進一步查詢緩存和數據庫。

3. 緩存擊穿

3.1 描述

某個熱點 key，在緩存過期的一瞬間，同時有大量的請求打進來，由于此時緩存過期了，所以請求最終都會走到數據庫，造成瞬時數據庫請求量大、壓力驟增，導致數據庫存在被打掛的風險。

3.2 解決方案

1.加互斥鎖。當熱點key過期后，大量的請求涌入時，只有第一個請求能獲取鎖并阻塞，此時該請求查詢數據庫，并將查詢結果寫入redis后釋放鎖。后續的請求直接走緩存。

2.設置緩存不過期或者后臺有線程一直給熱點數據續期。

4. 緩存雪崩

4.1 描述

大量的熱點數據過期時間相同，導致數據在同一時刻集體失效。造成瞬時數據庫請求量大、壓力驟增，引起雪崩，導致數據庫存在被打掛的風險。

4.1 解決方案

1.將熱點數據的過期時間打散。給熱點數據設置過期時間時加個隨機值。

2.加互斥鎖。當熱點key過期后，大量的請求涌入時，只有第一個請求能獲取鎖并阻塞，此時該請求查詢數據庫，并將查詢結果寫入redis后釋放鎖。后續的請求直接走緩存。

3.設置緩存不過期或者后臺有線程一直給熱點數據續期。

5. 布隆過濾器

5.1 描述

布隆過濾器是防止緩存穿透的方案之一。布隆過濾器主要是解決大規模數據下不需要精確過濾的業務場景，如檢查垃圾郵件地址，爬蟲URL地址去重， 解決緩存穿透問題等。

布隆過濾器：在一個存在一定數量的集合中過濾一個對應的元素，判斷該元素是否一定不在集合中或者可能在集合中。它的優點是空間效率和查詢時間都比一般的算法要好的多，缺點是有一定的誤識別率和刪除困難。

5.2 數據結構

布隆過濾器是基于bitmap和若干個hash算法實現的。如下圖所示：

1.元素tie經過hash1，hash2，hash3運算出對應的三個值落到了數組下標為4，6，8的位置上，并將其位置的默認值0，修改成1。

2.元素niu同理落到了數組下標為1，3，4的位置上，并將其位置的默認值0，修改成1。

此時bitmap中已經存儲了tie，niu數據元素。

當請求想通過布隆過濾器判斷tie元素在程序中是否存在時，通過hash運算結果到數組對應下標位置上發現值已經都被置為1，此時返回true。

5.3 “一定不在集合中”

如圖所示：

​ 元素zhang通過布隆過濾器判斷時，下標0，2都為0，則直接返回false。

也就是當判斷不在bitmap中的元素時，經過hash運算得到的結果在bitmap中只要有一個為0，則該數據一定不存在。

5.4 “可能在集合中”

如圖所示：

​ 元素shuaibi通過布隆過濾器判斷時，hash運算的結果落到了下標1,3,8上，此時對應下標位置的值都為1，則直接返回true。

這下就尷尬了，因為實際程序中并沒有數據shuaibi，但布隆過濾器返回的結果顯示有這個元素。這就是布隆過濾器的缺點，存在誤判情況。

5.5 ”刪除困難“

為什么布隆過濾器刪除困難呢，如圖所示：

如果刪除了“tie”元素，4號位被置為0，則會影響niu元素的判斷，因為4號位為0，進行數據校驗時返回0，則會認為程序中沒有niu元素。

那小伙伴會問，4號位不置為0，行不行？

如果刪除了元素，hash碰撞的數組下標不置為0，那么如果繼續驗證該元素的話，布隆過濾器會繼續返回true，但實際上元素已經刪除了。

所以布隆過濾器數據刪除困難，如果要刪除的話，可以參考Counting Bloom Filter。

5.6 為什么不使用HashMap呢？

如果用HashSet或Hashmap存儲的話，每一個用戶ID都要存成int，占4個字節即32bit。而一個用戶在bitmap中只需要1個bit，內存節省了32倍。

并且大數據量會產生大量的hash沖突，結果就是產生hash沖突的數據，仍然會進行遍歷挨個比對（即使轉成紅黑樹），這樣對內存空間和查詢效率的提升，仍然是有限的。

當然：數據量不大時，盡管使用。而且hashmap方便進行CRUD😂

到此這篇關于詳解緩存穿透/擊穿/雪崩原理及其解決方案的文章就介紹到這了,更多相關緩存穿透/擊穿/雪崩內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！