1.受益
-
加速读写
-
CPU L1/L2/L3 Cache、浏览器缓存、Ehcache缓存数据库结果
-
-
降低后端负载
-
后端服务器通过前端缓存降低负载：业务端使用Redis降低后端MySQL的负载
-
2.成本
-
数据不一致：缓存层和数据层有时间窗口不一致问题，和更新策略有关
-
代码维护成本：多了一层缓存逻辑
-
3.使用场景
-
降低后端负载
-
对高消耗的SQL：join结果集/分组统计结果缓存
-
-
加速请求响应
-
利用Redis/Memcache优化IO响应时间
-
-
大量写合并为批量写
-
入计数器先Redis累加再批量写DB
-
缓存的更新策略
###1.LRU等算法剔除：例如 maxmemory-policy
| 淘汰策略 | 含义 |
|---|---|
| noeviction | 当内存使用达到阈值的时候，所有引起申请内存的命令会报错 |
| allkeys-lru | 在主键空间中，优先移除最近未使用的key |
| volatile-lru | 在设置了过期时间的键空间中，优先移除最近未使用的key |
| allkeys-random | 最主键空间中，随机移除某个key |
| volatile-random | 在设置了过期的键空间中，随机移除某个key |
| volatile-ttl | 在设置了过期时间的键空间中，具有更早过期时间的key优先移除 |
2.超时剔除：例如expire
###3.主动更新：开发控制生命周期
4.两条建议
-
低一致性数据：最大内存和淘汰策略
-
高一致性：超时剔除和主动更新结合，最大内存和淘汰策略兜底
缓存粒度问题
-
通用性：全量属性更好
-
占用空间：部分属性更好
-
代码维护：表面上全量属性更好
缓存穿透优化
-
含义：查询一个不存在的数据，由于缓存是不命中时需要从数据库查询，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数据库去查询
-
产生原因
-
业务代码自身问题
-
恶意攻击、爬虫
-
-
发现问题
-
业务的响应时间，受到恶意攻击时，普遍请求被打到存储层，必会引起响应时间提高，可通过监控发现。
-
业务本身问题
-
相关指标：总调用数、缓存层命中数、存储层命中数
-
###解决方法1：缓存空对象（设置过期时间）
-
含义：当存储层查询不到数据后，往cache层中存储一个null，后期再被查询时，可以通过cache返回null。
-
缺点
-
cache层需要存储更多的key
-
缓存层和数据层数据“短期”不一致
-
-
示例代码
public String getPassThrough(String key) {
String cacheValue = cache.get(key);
if( StringUtils.isEmpty(cacheValue) ) {
String storageValue = storage.get(key);
cache.set(key , storageValue);
if( StringUtils.isEmpty(storageValue) ) {
cache.expire(key , 60 * 5 );
}
return storageValue;
} else {
return cacheValue;
}
}
###解决方法2：布隆过滤器拦截（适合固定的数据）
-
将所有可能存在的数据哈希到一个足够大的bitmap中，一个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
缓存雪崩优化
-
含义：由于cache服务器承载大量的请求，当cache服务异常脱机，流量直接压向后端组件，造成级联故障。或者缓存集中在一段时间内失效，发生大量的缓存穿透
解决方法1：保证缓存高可用性
-
做到缓存多节点、多机器、甚至多机房。
-
Redis Cluster、Redis Sentinel
-
做二级缓存
解决方法2：依赖隔离组件为后端限流
-
使用Hystrix做服务降级
解决方法3：提前演练（压力测试）
解决方法4：对不同的key随机设置过期时间
无底洞问题
-
问题描述：添加机器时，客户端的性能不但没提升，反而下降
-
问题关键点
-
更多的机器 != 更高的性能
-
更多的机器 = 数据增长与水平扩展
-
批量接口需求：一次mget随着机器增多，网络节点访问次数更多。网络节点的时间复杂度由O(1) -> O(node)
-
-
优化IO的方法
-
命令本身优化：减少慢查询命令：keys、hgetall、查询bigKey并进行优化
-
减少网络通信次数
-
mget由O(keys)，升级为O(node)，O(max_slow(node)) , 甚至是O(1)
-
-
降低接入成本：例如客户端长连接/连接池、NIO等
-
热点Key的重建优化
-
热点Key（访问量比较大） + 较长的重建时间（重建过程中的API或者接口比较费时间）
-
导致的问题：有大量的线程会去查询数据源并重建缓存，对存储层造成了巨大的压力，响应时间会变得很慢
1.三个目标
-
减少重建缓存的次数
-
数据尽可能一致
-
减少潜在危险：例如死锁、线程池大量被hang住（悬挂）
2.两种解决方案
-
互斥锁（分布式锁）
-
第一个线程需要重建时候，对这个Key的重建加入分布式锁，重建完成后进行解锁
-
这个方法避免了大量的缓存重建与存储层的压力，但是还是会有大量线程的阻塞
jedis.set(lockKey, requestId, SET_IF_NOT_EXIST, SET_WITH_EXPIRE_TIME, expireTime)
String get(String key) {
String SET_IF_NOT_EXIST = "NX";
String SET_WITH_EXPIRE_TIME = "PX";
String value = jedis.get(key);
if( null == value ) {
String lockKey = "lockKey:" + key;
if( "OK".equals(jedis.set(lockKey , "1" , SET_IF_NOT_EXIST ,
SET_WITH_EXPIRE_TIME , 180)) ) {
value = db.get(key);
jedis.set(key , value);
jedis.delete(lockKey);
} else {
Thread.sleep(50);
get(key);
}
}
return value;
} -
-
永远不过期
-
缓存层面：不设置过期时间（不使用expire）
-
功能层面：为每个value添加逻辑过期时间，单发现超过逻辑过期时间后，会使用单独的线程去重建缓存。
-
还存在一个数据不一致的情况。可以将逻辑过期时间相对实际过期时间相对减小
-
1.受益
-
加速读写
-
CPU L1/L2/L3 Cache、浏览器缓存、Ehcache缓存数据库结果
-
-
降低后端负载
-
后端服务器通过前端缓存降低负载：业务端使用Redis降低后端MySQL的负载
-
2.成本
-
数据不一致：缓存层和数据层有时间窗口不一致问题，和更新策略有关
-
代码维护成本：多了一层缓存逻辑
-
3.使用场景
-
降低后端负载
-
对高消耗的SQL：join结果集/分组统计结果缓存
-
-
加速请求响应
-
利用Redis/Memcache优化IO响应时间
-
-
大量写合并为批量写
-
入计数器先Redis累加再批量写DB
-
缓存的更新策略
###1.LRU等算法剔除：例如 maxmemory-policy
| 淘汰策略 | 含义 |
|---|---|
| noeviction | 当内存使用达到阈值的时候，所有引起申请内存的命令会报错 |
| allkeys-lru | 在主键空间中，优先移除最近未使用的key |
| volatile-lru | 在设置了过期时间的键空间中，优先移除最近未使用的key |
| allkeys-random | 最主键空间中，随机移除某个key |
| volatile-random | 在设置了过期的键空间中，随机移除某个key |
| volatile-ttl | 在设置了过期时间的键空间中，具有更早过期时间的key优先移除 |
2.超时剔除：例如expire
###3.主动更新：开发控制生命周期
4.两条建议
-
低一致性数据：最大内存和淘汰策略
-
高一致性：超时剔除和主动更新结合，最大内存和淘汰策略兜底
缓存粒度问题
-
通用性：全量属性更好
-
占用空间：部分属性更好
-
代码维护：表面上全量属性更好
缓存穿透优化
-
含义：查询一个不存在的数据，由于缓存是不命中时需要从数据库查询，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数据库去查询
-
产生原因
-
业务代码自身问题
-
恶意攻击、爬虫
-
-
发现问题
-
业务的响应时间，受到恶意攻击时，普遍请求被打到存储层，必会引起响应时间提高，可通过监控发现。
-
业务本身问题
-
相关指标：总调用数、缓存层命中数、存储层命中数
-
###解决方法1：缓存空对象（设置过期时间）
-
含义：当存储层查询不到数据后，往cache层中存储一个null，后期再被查询时，可以通过cache返回null。
-
缺点
-
cache层需要存储更多的key
-
缓存层和数据层数据“短期”不一致
-
-
示例代码
public String getPassThrough(String key) {
String cacheValue = cache.get(key);
if( StringUtils.isEmpty(cacheValue) ) {
String storageValue = storage.get(key);
cache.set(key , storageValue);
if( StringUtils.isEmpty(storageValue) ) {
cache.expire(key , 60 * 5 );
}
return storageValue;
} else {
return cacheValue;
}
}
###解决方法2：布隆过滤器拦截（适合固定的数据）
-
将所有可能存在的数据哈希到一个足够大的bitmap中，一个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
缓存雪崩优化
-
含义：由于cache服务器承载大量的请求，当cache服务异常脱机，流量直接压向后端组件，造成级联故障。或者缓存集中在一段时间内失效，发生大量的缓存穿透
解决方法1：保证缓存高可用性
-
做到缓存多节点、多机器、甚至多机房。
-
Redis Cluster、Redis Sentinel
-
做二级缓存
解决方法2：依赖隔离组件为后端限流
-
使用Hystrix做服务降级
解决方法3：提前演练（压力测试）
解决方法4：对不同的key随机设置过期时间
无底洞问题
-
问题描述：添加机器时，客户端的性能不但没提升，反而下降
-
问题关键点
-
更多的机器 != 更高的性能
-
更多的机器 = 数据增长与水平扩展
-
批量接口需求：一次mget随着机器增多，网络节点访问次数更多。网络节点的时间复杂度由O(1) -> O(node)
-
-
优化IO的方法
-
命令本身优化：减少慢查询命令：keys、hgetall、查询bigKey并进行优化
-
减少网络通信次数
-
mget由O(keys)，升级为O(node)，O(max_slow(node)) , 甚至是O(1)
-
-
降低接入成本：例如客户端长连接/连接池、NIO等
-
热点Key的重建优化
-
热点Key（访问量比较大） + 较长的重建时间（重建过程中的API或者接口比较费时间）
-
导致的问题：有大量的线程会去查询数据源并重建缓存，对存储层造成了巨大的压力，响应时间会变得很慢
1.三个目标
-
减少重建缓存的次数
-
数据尽可能一致
-
减少潜在危险：例如死锁、线程池大量被hang住（悬挂）
2.两种解决方案
-
互斥锁（分布式锁）
-
第一个线程需要重建时候，对这个Key的重建加入分布式锁，重建完成后进行解锁
-
这个方法避免了大量的缓存重建与存储层的压力，但是还是会有大量线程的阻塞
jedis.set(lockKey, requestId, SET_IF_NOT_EXIST, SET_WITH_EXPIRE_TIME, expireTime)
String get(String key) {
String SET_IF_NOT_EXIST = "NX";
String SET_WITH_EXPIRE_TIME = "PX";
String value = jedis.get(key);
if( null == value ) {
String lockKey = "lockKey:" + key;
if( "OK".equals(jedis.set(lockKey , "1" , SET_IF_NOT_EXIST ,
SET_WITH_EXPIRE_TIME , 180)) ) {
value = db.get(key);
jedis.set(key , value);
jedis.delete(lockKey);
} else {
Thread.sleep(50);
get(key);
}
}
return value;
} -
-
永远不过期
-
缓存层面：不设置过期时间（不使用expire）
-
功能层面：为每个value添加逻辑过期时间，单发现超过逻辑过期时间后，会使用单独的线程去重建缓存。
-
还存在一个数据不一致的情况。可以将逻辑过期时间相对实际过期时间相对减小
-
-