5.1说说什么是缓存穿透？
缓存穿透是用户要访问的数据，既不在缓存中，也不在数据库中，导致请求在访问时，发生缓存缺失，再去访问数据库时，发现数据库中也没有要访问的数据，没办法构建缓存数据，来服务后续的请求。那么如果有大量这样的请求到来时，数据库的压力剧增，这就是缓存穿透。
【发生场景】：
（1）业务误操作，把数据库和缓存中的数据都误删除了，所以导致缓存和数据库中都没有数据；
（2）黑客恶意攻击，故意大量访问业务中不存在的数据。
【解决方案】：
（1）非法请求的限制：当有大量恶意请求访问不存在的数据的时候，也会发生缓存穿透，因此在API入口我们要判断请求参数是否合理，请求参数是否含有非法值、请求字段是否存在等。如果判断出是恶意请求就直接返回错误，避免进一步访问缓存和数据库。
（2）缓存空值或者默认值：当用户第一次访问的时候，如果在缓存中不存在该数据，在数据库中也没有该数据，就直接在缓存中缓存一个空值，这样后续请求可以从缓存中读取到空值或者默认值，返回给应用，而不会继续查询数据库。
（3）使用布隆过滤器快速判断数据是否存在，避免通过查询数据库来判断数据是否存在：我们可以在写入数据库数据时，使用布隆过滤器做个标记，然后在用户请求到来时，业务线程确认缓存失效后，可以通过查询布隆过滤器快速判断数据是否存在，如果不存在，就不用通过查询数据库来判断数据是否存在了。即使发生了缓存穿透，大量请求只会查询Redis和布隆过滤起，而不会查询数据库，保证了数据库能正常运行，Redis自身也是支持布隆过滤器的。
【布隆过滤器的工作流程】：
布隆过滤器由初始值都为0的位图数组和N个哈希函数两部分组成。当我们在写入数据库数据时，在布隆过滤器里做个标记，这样下次查询数据是否在数据库时，只需要查询布隆过滤器，如果查询到数据没有被标记，说明不在数据库中。
（1）使用N个哈希函数分别对数据做哈希计算，得到N个哈希值。
（2）将第一步得到的N个哈希值对位图数组的长度取模，得到每个哈希值在位图数组的对应位置。
（3）将每个哈希值在位图数组的位置位置的值设为1。
打个比方，以位图数组长度为8，哈希函数为3个的情况为例，在数据库写入x数据时，把数据x标记在布隆过滤器时，对x数据分别计算3个哈希函数取哈希值，然后取模数组的长度，得到位图数组的下标，然后将这些下标对应的值标记为1。当下次查询布隆过滤器时，直接使用这三个哈希函数，来求得位图中的下标数组是否为1，如果有一个不为1说明该数据不在数据库中，就可以直接返回错误信息给客户端。
布隆过滤器由于是基于哈希函数实现的，所以会存在哈希冲突的问题。查询布隆过滤器说数据存在，不一定证明数据库中真的存在这个数据，但是如果布隆过滤器说这个数据不存在，那就一定不存在这个数据。
5.2说说什么是缓存击穿
如果缓存中的某个热点数据过期了，此时大量的请求访问了该热点数据，无法从缓存中读取的话，就会去访问数据库，数据库很容易就被高并发的请求压垮，这就是缓存击穿。
【解决方案】：
（1）不给热点数据设置过期时间，由后台异步更新缓存，或者在热点数据准备要过期时，提前通知后台线程更新缓存以及重新设置过期时间。
（2）互斥锁方案，保证同一时间只有一个业务线程更新缓存，没能取得互斥锁的线程，要么等待锁释放重新读取缓存，要么就返回空值或者默认值。
5.3说说什么是缓存雪崩
通常我们为了保证缓存中的数据与数据库中数据的一致性，会给Redis里的数据设置过期时间，当缓存数据过期后，用户访问的数据如果不在缓存里，业务系统需要重新生成缓存，因此就会访问数据库，并将数据更新到Redis里，这样后续请求都可以直接命中缓存。
当大量缓存数据在同一时间过期(失效)或者Redis实例故障宕机时，如果此时有大量的用户请求，都无法在Redis中处理，请求全部直接访问数据库，导致数据库的压力骤增，严重的会造成数据库宕机，这就是缓存雪崩。
【大量数据同时过期】：
（1）均匀设置过期时间：如果要给缓存数据设置过期时间，应该避免大量的数据在同一时刻过期。可以在数据进行缓存时，给这些数据的过期时间加上一个随机数，保证数据不会在同一时间过期。
（2）互斥锁：比如使用ReenTrantLock的trylock()，如果尝试获取锁成功，就让这一个业务线程从数据库中去获取数据并写入到缓存中，在finally块中释放锁。其他的线程让他睡上个100ms，然后再去执行读Redis的逻辑。
（3）后台更新缓存：业务线程不负责更新缓存，缓存也不设置有效期，而是让缓存永久有效，把更新缓存的工作交给后台线程来完成。事实上，缓存数据不设置有效期，并不意味着数据一直能在内存中，因为当系统内存紧张的时候，有些缓存数据会被淘汰。所以解决方案是，如果业务线程发现缓存数据失效后，通过消息队列通知后台线程更新缓存，后台线程收到消息后，在更新缓存前可以判断缓存中是否存在该数据，不存在就读取数据库加载缓存。
缓存预热：在业务刚上线的时候，我们最好是提前把数据缓存起来，而不是等待用户访问才触发缓存构建。
【Redis故障宕机】：
（1）服务熔断、降级或请求限流：因为Redis故障宕机而导致缓存雪崩时，可以启动服务熔断机制，暂停业务应用对缓存服务的访问，直接返回友好的提示信息，不再访问数据库从而降低数据库的压力。
请求限流：只将少部分请求发送到数据库进行处理，再多的请求来就在入口直接拒绝访问，等到Redis恢复正常再解除限流机制。
【构建Redis高可靠集群】
通过配置Redis的高可靠集群和哨兵集群，如果Redis从库发生故障时，整个业务系统还可以正常运行；如果Redis主库发生故障，由Leader哨兵进行选主、通知的过程，选择一个新主库继续访问用户的写请求。
5.4说说Redis的数据淘汰策略
Redis缓存使用内存来保存数据，避免应用直接从后端数据库中读取数据，提高应用的响应性能。根据八二定律：80%的请求实际上只访问了20%的部分，所以我们可以根据这个原理，来设置Redis缓存的最大容量。另外，当Redis的缓存被写满了以后，会不可避免得淘汰掉一部分数据。
Redis提供了8种数据的淘汰策略：分别是不进行数据淘汰的noevtction，设置了过期时间的数据进行淘汰的volatileRandom、volatileTTL、volatileLRU、volatileLFU，以及在所有数据范围内进行淘汰的allkeysRandom、allkeysLRU、allkeysLFU。
【noeviction策略】
如果设置的是noevicition策略，在默认情况下，即使Redis在使用的内存空间超过maxmemory值时，也不会淘汰数据。一旦缓存被写满，Redis就不再提供服务，而是直接返回错误信息给客户端。这种策略一般都不会生产环境中使用。
【带过期时间的策略】
这四种淘汰策略，它们筛选的候选数据范围，被限制在设置了过期时间的键值对上。也正是因为如此，即使缓存没有写满，这些数据过期了也会被删除。例如，我们使用expire命令对一批键值对设置了过期时间后，无论这些键值对的过期时间快到了还是Redis的内存使用量达到了阈值，Redis都会按照这四种策略进行数据淘汰。
- volatileRandom：在设置了过期时间的键值对中，进行随机删除；
- volatileTTL：在设置了过期时间的键值对中，根据过期时间的先后顺序进行删除，越早过期的越先删除；
- volatileLRU：在设置了过期时间的键值对中，根据LRU算法进行删除；
- volatileLFU：在设置了过期时间的键值对中，根据LFU算法进行删除；
【所有数据范围内的策略】
这三种淘汰策略的备选淘汰数据范围，扩大到了所有的键值对，不管它有没有设置过期时间。如果一个键值对被淘汰策略选中了，即使它的过期时间还没到，也需要被删除。当然，如果它的过期时间到了，但未被策略选中，同样也会被删除。
【AllKeysLRU】
根据LRU算法进行数据淘汰，需要维护所有的数据维护一个链表的数据结构，当键值对被访问时或者是插入新数据时，会移动到链表的头部；当Redis的缓存容量不够时，会优先淘汰掉链表末尾的数据。
LRU算法的想法非常朴素，它认为刚刚被访问的数据，将来肯定还是会再次被访问；长久不访问的数据可能以后也不会被访问了，所以在淘汰时优先删除它。不过LRU算法在具体的实现上，需要用链表来管理所有的缓存数据，会带来额外的空间开销，而且当数据被访问时需要频繁移动链表，这样的操作会影响Redis的性能。
Redis在LRU算法的具体实现上进行了简化，以减轻数据淘汰对缓存性能的影响。Redis默认会记录每个数据的最近一次访问的时间戳(由键值对数据结构中RedisObject中的lru字段记录)。然后Redis在决定淘汰的数据时，第一次会随机选出N个数据，把它们作为一个候选集合。接下来在进行数据淘汰的时候，会比较这N个数据的lru字段，把lru字段最小的值从缓存中删除掉。
当需要再次淘汰数据时，Redis需要挑选第一次进行数据淘汰的候选集合，这时挑选数据的标准是：能进入候选集合的数据的lru字段值必须小于候选集合中最小的lru值，然后如果缓存满了就把lru值最小的键值对从缓存中删除。
【应用场景】：
（1）优先使用AllKeys-LRU策略。这样可以充分利用经典LRU算法，把最常访问的数据留在缓存中，把最少访问的数据淘汰出去，提升应用的响应速度。如果业务数据中有冷热数据区分的话，使用AllKeys-LRU策略是最合适的。
（2）如果业务中有置顶的需求，希望一部分数据尽量不要被淘汰，例如置顶新闻、置顶视频等等。可以使用volatile-LRU策略，同时不给置顶的数据设置过期时间。而其他的数据在内存不足或到期时会根据LRU规则进行数据淘汰。
（3）如果业务中的数据访问频率都差不多，且没有明显的冷热数据区分的话，可以使用AllKeysRandom策略，随机淘汰数据就行。
若有收获，就点个赞吧
0 人点赞
