[Redis] Redis的三大缓存异常原因分析和解决方案

Redis的三大缓存异常原因分析和解决方案

缓存的三个异常分别是缓存击穿、缓存雪崩、缓存穿透。这三个问题一旦发生，会导致大量的请求积压到数据库层，并发量巨大的情况下很有可能导致数据库宕机或是故障，造成严重的生产事故。

接下来就来看看这三种缓存异常的原因分析和解决方案。

缓存击穿

缓存击穿是指针对某个热点数据的请求，无法在缓存中处理，导致大量的针对该数据的请求一下子全都发送到了后端数据库，使数据库压力激增，影响到数据库处理其他的请求。

产生原因

缓存击穿的情况，经常是发生在热点数据过期失效的情况。

如下图：

解决方案

对于缓存击穿，解决方案其实也很直接。对于访问很频繁的热点数据，就不需要设置过期时间了。这样对热点数据的访问可以直接在缓存中进行处理，Redis的数万级别的高吞吐量可以很好的应对大量的并发请求。

缓存雪崩

缓存雪崩指的是大量的应用请求无法在Redis缓存中进行处理，从而被发送到数据库层，导致数据库层的压力激增。

产生原因

产生原因一般有两种情况。

第一种情况：缓存中有大量的数据同时过期，导致请求无法得到处理。

具体来说，当数据保存在缓存中，并且设置了过期时间时，如果在某一个时刻，大量数据同时过期，此时，应用再访问这些数据的话，就会发生缓存缺失。紧接着，应用就会把请求发送给数据库，从数据库中读取数据。如果应用的并发请求量很大，那么数据库的压力也就很大，这会进一步影响到数据库的其他正常业务请求处理。

如下图：

第二中情况：Redis缓存实例发生故障，宕机了，导致大量请求积压到数据库。

一般来说，一个 Redis 实例可以支持数万级别的请求处理吞吐量，而单个数据库可能只能支持数千级别的请求处理吞吐量，它们两个的处理能力可能相差了近十倍。由于缓存雪崩，Redis 缓存失效，所以，数据库就可能要承受近十倍的请求压力，从而因为压力过大而崩溃。

解决方案

针对缓存中有大量的数据同时过期的情况，可以提供两种解决方案。

• 微调过期时间：给数据的到期时间增加一个较小的随机数，避免给大量的数据设置相同的过期的时间
• 服务降级：当发生缓存雪崩时，针对不同的数据采取不同的处理方式。
  • 非核心数据：暂时停止从缓存中查询这些数据，而是直接返回预定义信息、空值或者是错误信息。
  • 核心数据：缓存数据丢失时通过数据库读取。

使用服务降级的方式，只有部分的数据请求会被发送到数据库，则数据库的压力就没有那么大了。

如下图：

针对Redis缓存实例发生故障宕机的情况，同样也有两点建议。

• 在业务系统中实现服务熔断或者请求限流机制：
  • 服务熔断：在发生缓存雪崩时，为了防止引发连锁的数据库雪崩，甚至是整个系统的崩溃，我们暂停业务应用对缓存系统的接口访问。
  • 请求限流：在请求入口前端只允许每秒进入系统的请求数为 1000 个，再多的请求就会在入口前端被直接拒绝服务。
• 提前预防。通过主从节点的方式构建 Redis 缓存高可靠集群。如果 Redis 缓存的主节点故障宕机了，从节点还可以切换成为主节点，继续提供缓存服务，避免了由于缓存实例宕机而导致的缓存雪崩问题。

如下图：

【注：服务熔断虽然可以保证数据库的正常运行，但是暂停了整个缓存系统的访问，对业务应用的影响范围大。为了尽可能减少这种影响，可以使用请求限流的方式。】

缓存穿透

缓存穿透指的是要访问的数据既不在Redis中，也不在数据库中，导致请求访问缓存缓缺失，访问数据库而数据库也无数据。这样一来应用无法从数据库中读取写入缓存，缓存成了摆设，同时给数据库和缓存都带来巨大的压力。

如下图：

产生原因

• 业务层误操作：缓存中的数据和数据库中的数据被误删除了，所以缓存中和数据库中都没有数据。
• 恶意攻击：专门访问数据库中没有数据。

解决方案

提供三种解决方案

• 缓存空值或者缺省值。

  一旦发生缓存穿透，可针对查询的数据在redis缓存中存一个空值或者缺省值，当应用发送后续请求进行查询的时候就可以从redis中读取到空值或者缺省值返回，避免大量请求数据库。

• 使用布隆过滤器快速判断数据是否存在，避免从数据库中查询数据，减轻数据库压力

  通过查询布隆过滤器快速判断数据是否存在，如果不存在就不需要再去数据库中查询了。

• 在请求入口的前端进行请求检测。

  缓存穿透很大一部分原因是有大量的恶意请求访问不存在的数据，所以对业务系统接收到的请求进行合法性检测，把恶意的请求直接过滤掉，不让它们访问后端缓存和数据库。

跟缓存雪崩、缓存击穿这两类问题相比，缓存穿透的影响更大一些。从预防的角度来说，我们需要避免误删除数据库和缓存中的数据；从应对角度来说，我们可以在业务系统中使用缓存空值或缺省值、使用布隆过滤器，以及进行恶意请求检测等方法。

扩展

布隆过滤器

定义

每布隆过滤器（Bloom Filter）是一个很长的二进制向量数组和一系列随机映射函数，用于检索一个元素是否在一个集合中

优缺点

优点：

1. 时间复杂度低，增加和查询元素的时间复杂度为O(N)（N为hash函数个数，通常情况下比较小）
2. 保密性强，因为布隆过滤器不存储元素本身。
3. 存储空间小。

缺点：

1. 有一定的误判率，但是可以通过调整参数来降低
2. 无法获取元素本身
3. 很难删除元素

工作原理

布隆过滤器的工作原理就是首先多个无偏hash函数把元素的hash值计算出来，这些hash值再对二进制数组的长度取模，得到每个hash值在数组中的对应位置，最后把对应位置的值设为1，完成标记。

如果数据不存在，也就是没有用布隆过滤器标记过，则二进制数组对应位置为零。

• 二进制数组

• hash函数计算元素的hash值，计算后的元素下标比较均匀的映射到位数组中

比如增加一个元素。

过程为：

• 通过k个无偏hash函数计算得到k个hash值
• 依次取模数组长度，得到数组索引
• 将计算得到的数组索引下标位置数据修改为1

如图：

【这样关于误判其实就很好理解了，hash函数再怎么好也无法完全避免hash冲突，也就是说有可能存在多个元素计算hash值为相同的，取模数组长度后的数组索引也是相同的，这就是误判的原因】

提供一个布隆过滤器在线计算网址：

https://krisives.github.io/bloom-calculator/

使用场景

• 解决Redis缓存穿透问题
• 做邮件的黑名单过滤
• 对爬虫网址做过滤，爬过的不在爬
• 解决新闻推荐过的不再推荐
• HBase/RocksDB/LevelDB等数据库内置布隆过滤器，用于判断数据是否存在，可以减少数据库的IO请求

Redis集成布隆过滤器

用Redis可以集成布隆过滤器，版本推荐6.x，最低4.x版本，下载安装插件后在redis.config配置文件中加入redisbloom.so文件的地址并重启。（若是redis集群则每个配置文件中都需要加入redisbloom.so文件的地址）

主要指令有：

• bf.add 添加一个元素
• bf.exists 判断一个元素是否存在
• bf.madd 添加多个元素
• bf.mexists 判断多个元素是否存在