导航：首页 > 数据库 >

Redis中缓存雪崩、缓存击穿和缓存穿透的示例分析

发表于：2024-11-25 作者：千家信息网编辑

千家信息网最后更新 2024年11月25日，这篇文章主要为大家展示了"Redis中缓存雪崩、缓存击穿和缓存穿透的示例分析"，内容简而易懂，条理清晰，希望能够帮助大家解决疑惑，下面让小编带领大家一起研究并学习一下"Redis中缓存雪崩、缓存击穿和

千家信息网最后更新 2024年11月25日Redis中缓存雪崩、缓存击穿和缓存穿透的示例分析

这篇文章主要为大家展示了"Redis中缓存雪崩、缓存击穿和缓存穿透的示例分析"，内容简而易懂，条理清晰，希望能够帮助大家解决疑惑，下面让小编带领大家一起研究并学习一下"Redis中缓存雪崩、缓存击穿和缓存穿透的示例分析"这篇文章吧。

缓存雪崩
缓存击穿
缓存穿透

相信这三个问题，网上已经有很多的伙伴讲过了，但是今天我还是想说下，会多画图，让大家加深印象，这三个问题也高频的面试题，但是能把这几个问题说清楚，也是需要技巧的。

再说这三个问题的时候，先说下正常的请求流程，看图说话：

上图的意思大致如下：

首先会在你的代码中，可能是tomcat 也可以是你的rpc 服务中，先判断缓存cache 中是否存在你想要的数据，如果存储了，那么直接返回给调用端，如果不存在，那么就需要查询数据库，查询出结果来，再继续缓存到cache中，然后返回结果给调用方，下次再来的查询的时候，也就命中缓存了。

缓存雪崩

定义

记得之前在做推荐系统的时候，有些数据是离线算法算出来的，需求是看了这个商品会推荐哪些相似的商品，这个算出来之后会存储到hbase，同时存储到redis，由于都是批量算法出来的，再存储到redis 的时候，如果过期时间设置相同，那么就会造成大批量的key ，在同一时刻失效，那么就会有大批量的请求会被打到后台的数据库上，因为数据库的吞吐量是有限的，很有可能会把数据库打垮的，这种情况就是缓存雪崩，看图说话：

这个主要是说明一个缓存雪崩出现的场景，尤其是定时任务在批量设置cache的时候，一定要注意过期时间的设置。

如何预防雪崩

其实也很简单，就是在你批量设置cache的缓存时间的时候，给设置的缓存时间，设置一个随机数(如随机数可以10分钟内的数字，随机数的生成可以用java的Random生成)，这样，就不会出现大量的key，再同一时刻集体失效了，看图说话：

如果真的发生了雪崩怎么办？

流量不是很大，数据库能抗住，ok，恭喜你逃过一劫。

流量很大，超过了数据库所能处理的请求数的极限，数据库down机了，也恭喜你领了一个P0事故单。

流量很大，如果你的数据库有限流方案，当达到了限流设置的参数，那么就会拒绝请求，从而保护了后台db。这里对限流多说几句。

可以通过设置每秒请求数，来限制大量的请求到达db端，注意这里的每秒请求数，或者说是并发数，并不是数据当前的每秒请求数，可以设置为查询某个key 对应的每秒请求数量，这样做的目的，是防止大量相同key的请求到达后端数据库，这样就能拦截了大部分请求了。

看图说话：

这样相同的key，就会被限流了大部分请求，从而保护了数据库db。

其实限流还分为本地限流和分布式限流两种，后面的文章里，我会介绍本地限流和redis 实现的分布式限流。

缓存击穿

定义

比如在某网站在进行双十一或者在搞秒杀等运营活动的时候，那么此时网站流量一般都会很大的，某个一个商品因为促销会成为爆品，流量超级的大，如果这个商品，在这个时候，由于某种原因，在cache内失效了，那么就瞬间这个key的流量都会涌向数据库了，那么db最终挺不住了，down了，后果可想而知啊，正常其他的数据也查询不了。

看图说话：

redis 中的huawei pro 这个key 突然失效了，可能是到期了，可能是内存不够被淘汰了，那么就会有大流量的请求到达redis ，发现redis 没有这个key，那么这些流量，就会转到DB 上去，查询对应的huawei pro，此时DB 挺不住了，down了。

如何解决

其实归根到底还是不能让更多的流量到达DB就行了，所以我们就是要限制到达db的流量就可以了。

1、限流

和上面说的类似，主要是限制某个key的流量，当这个key ，被击穿后，限制只有一个流量进入到db，其他都被拒绝，或者等待重试查询redis。

限流的图可以参考缓存击穿限流的图。

这里也会分本地限流和分布式限流。

何为本地限流，就是在本地单个实例范围内，限制这个key的流量多少，只对当前实例有效。
何为分布式限流呢，就是在分布式的环境下，多个实例的范围内，这个key的限制流量的累加是来自多个实例的流量，达到限制，所有的实例都会限制流量到达DB。

2、利用分布式锁

这里简单说下分布式锁的定义，在并发场景下，需要使用锁对共享资源互斥访问来保证线程安全；同样，在分布式场景下，也需要一种机制来保证对多节点共享资源的互斥访问，实现机制就是分布式锁。

在这里共享资源就是例子中的huawei pro，也就是在访问db中的huawei pro 的时候，要保证只有一个线程或者一个流量去访问，就达到了分布式锁的效果。

看图说话：

去抢锁：

大量请求在没有获取到huawei pro 这个key的值后，准备去db获取数据，此时获取db的代码加了分布式锁，那么每个请求，也是每个线程都会去获取huawei pro 的分布式锁(图中利用redis实现了分布式锁，后面我会有单独一篇文章来介绍分布式锁的实现，不限于redis)。

获取锁之后：

此时线程A获取了huawei pro 的分布式锁，那么线程A就会去DB加载数据，然后由线程A将huawei pro 再次设置到cache内，然后返回数据。

其他的线程就没有获取到，一种方式就是直接返回空值给客户端，还有一种等待50-100ms ，因为查询db和放入redis 会很快，此时等待，再次查询的时候，结果可能就有了，如果没有就直接返回null，当然也可以重试，当然在大并发的场景下，还是希望能够快速的返回结果，不能发生太多次数的重试操作。

3、定时任务更新热点key

这个就很好理解，说白了，就是一个定时任务定时的去监控某些热点key的超时时间，是否到期，再进行快到期了的时候延长key在cache中的缓存时间就可以了。

单个线程轮询的方式检查和更新失效时间,看图：

多线程的方式，注意热点的key 不能太多，某个线程会开启很多，如果热点key很多，可以采用线程池的方式，看图：

延迟队列实现

上面的方式说白了，无论是单个线程还是多个线程，都是会采用轮询的方式（每次白白浪费的cpu），来检查是否key 快到期了，这种方式检查会存在检查时间不准确，可能会造成时间的延迟或者不准确，你在等待进行下次检查的时候，这个key就没了，那么此时就已经发了击穿，这个情况的发生虽然概率低，但也是有的，那么我们怎么才能避免呢，其实咱们可以利用延迟队列(环形队列来实现，这里我不深入讲这个队列的原理了，大家可以自行百度或者google)，所谓的延迟队列就是你往这个队列发送消息，希望按照你设置的时间来进行消费，时间没到不会进行消费，时间到了就进行消费，好了，看图说话吧：

1、程序首次启动获取名单内key的失效时间。
2、依次设置key 延迟消费的时间，注意这个消费时间要比失效时间要早。
3、延迟队列到期，消费端进行消费key。
4、消费端消费消息，延迟key的失效时间到cache。
5、再次发送key 新的失效时间到延迟队列，等待下次延迟cache的失效时间。

4、设置key 不失效

这种其实也可能会因为内存不足，key 被淘汰，大家可以想想什么情况下，key 会被淘汰。

缓存穿透

定义

所谓穿透，就是访问了一个cache不存在，数据库里也不存在的key，那么此时相当于流量直接到达了DB 了，那么一些流氓就可以利用这个漏洞，疯狂的刷你的接口，进而把你的DB打垮，你的业务也就不能正常运行了。

如何解决呢？

1、设置null 或者特殊值

我们可以通过设置null 或者特定的值到redis内，且不过期，那么下次再来的时候，直接从redis 获取这个null 或者特殊值就可以了。

这个方案不能解决根本性的问题，如果这个流量能仿造出大量的无用key，你设置再多的null或者特殊的值都是没有用的，那么我们应该怎么解决呢？

2、布隆过滤器

布隆过滤器英文为 bloomfiler，这里我们只是做简单的介绍，介于篇幅的原因，后面会有单独的文章做介绍。
举个例子，如果我们数据库里存储着千万级别的sku 数据，我们现在的需求是如果库有这个sku，那么就查询redis ，如果redis 没有就查询数据库，然后更新redis，我们最先想到的就是把sku数据放入到一hashmap内，key 就是sku，因为sku 的数量很多，那么这个hashmap占用的内存空间会很大，有可能会撑爆内存，最后得不偿失了，那么怎么来节省内存，我们可以利用一个bit的数组，来存储这个sku是否存在状态，0 代表不存在，1 代表存在，我们可以利用一个散列函数，算出sku的散列值，然后sku的散列值对bit数组进行取模，找到所在数组的位置，然后设置为1，当请求来的时候，我们会算出这个sku 散列值对应的数组位置是否为1 ，为1 说明就存在，为0 说明就不存在。这样一个简单的bloomfilter就实现了，bloomfiler 是有错误率，可以考虑增加数组长度和散列函数的数量来提供准确率，具体可以百度或者google，今天在这里就不讲了。

下面看看利用bloomfiler 来防止缓存穿透的流程，看图说话：

bloomfiler的初始化可以通过一个定时任务来读取 db，初始化bit数组的大小，默认值都是为0，表示不存在，然后每条都计算散列值对应的数组位置，然后插入到bit 数组中。

请求流程，看图：

如果不利用bloomfiler 过滤器，对于一个数据库里根本不存在的key，其实白白浪费了两次IO，一次查询redis，一次查询DB，有了bloomfiler ，那么就节省了这两次无用的IO，减少后端redis 和 DB 资源的浪费。