0 redis的缓存四类问题概述
名称 | 现象 | 策略 | 备注 |
---|---|---|---|
缓存预热 | 应用服务刚上线后迅速宕机 | 1)优先加载热点数据 2)提升数据加载速度 3)主从数据同时加载 | 需要日常工作中统计热点数据 |
缓存雪崩 | Redis服务器大量key过期,数据库连接量激增 | 系统设计与平时维护层面:1)多级缓存 2)热点页面静态化处理。3)优化数据库查询 4)灾难预警机制:监控+限流+熔断+隔离。 具体的解决策略:1)为不同的key设置不同超时时间。2)永久key。3)加锁 4)定期对热点数据的key进行延时 5)更改淘汰策略 | 预防策略+具体策略结合 |
缓存击穿 | Redis服务器无大量key过期并且工作平稳,数据库连接量瞬间激增 | 1)加锁 2)预先设定可能成为穿透key的过期时间 3)定期对热点数据的key进行延时 4)二级缓存 | 与雪崩的解决策略相接,只不过需要根据实际业务数据对特定key重点关注 |
缓存穿透 | Redis服务器命中率随时间逐步降低且CPU占用激增,数据库服务器压力激增 | 1)缓存null 2) 设置白名单(bitmap/布隆过滤器)3)key加密 4)监控+黑名单 | 建立监控机制,黑白名单对系统的性能有影响,没有这个问题应该撤销 |
1 redis的缓存预热问题
1-1 缓存预热的场景
问题:采用redis的应用服务上线后迅速宕机了?
宕机的可能原因分析:
1. 请求数量较高
2. 主从之间数据吞吐量较大,数据同步操作频度较高
3. 关系型数据库读取的频率也比较高。
1-2 缓存预热的流程
前置准备工作:平时去维护和统计热点数据
策略1(基于经验统计):日常例行统计数据访问记录,统计访问频度较高的热点数据
策略2(基于算法维护): 利用LRU数据删除策略,构建数据留存队列(比如利用storm与kafka v )
例如: storm与kafka配合
Apache Storm是一个分布式实时大数据处理系统。Storm设计用于在容错和水平可扩展方法中处理大量数据。它是一个流数据框架,具有最高的摄取率。
Kafka专为分布式高吞吐量系统而设计,其他消息传递系统相比,Kafka具有更好的吞吐量,内置分区,复制和固有的容错能力,这使得它非常适合大规模消息处理应用程序。
准备工作
- 将统计结果中的数据分类,根据级别, redis优先加载级别较高的热点数据
- 利用分布式多服务器同时进行数据读取, 提速数据加载过程
- 热点数据主从同时预热
实施
1.使用脚本程序固定触发数据预热过程
2.条件允许, 使用了CDN(内容分发网络),效果会更好
1-3 缓存预热的总结
缓存预热就是系统启动前, 提前将相关的缓存数据直接加载到缓存系统。避免在用户请求的时候,先查询数据库,然后再将数据缓存的问题!用户直接查询事先被预热的缓存数据!
2 redis的缓存雪崩问题
2-1 雪崩问题出现的场景
场景:系统平稳运行过程中,忽然数据库连接量激增(流量激增),
客户端:应用服务器无法及时处理请求,大量408, 500错误页面出现,客户反复刷新页面获取数据
服务端: 数据库崩溃,应用服务器崩溃,重启应用服务器无效,Redis服务器崩溃,Redis集群崩溃
,重启数据库后再次被瞬间流量放倒
- 408 Request Timeout 请求超时
- 500 内部服务器出现了问题
问题原因分析:在一个较短的时间内,缓存中较多的key集中过期
由于大量的key集中过期,redis短时期内需要向存储数据的数据库发送大量请求,数据库短期内无法及时处理大量请求,崩溃,redis的数据请求无法得到及时响应,出现超时现象。由于资源被大量请求占用,redis服务器崩溃,集群崩溃,应用服务器无法获取数据,被大量请求给淹没,崩溃。
缓存雪崩的可能有二种原因造成:
1)缓存服务某个时刻出现了问题,后面的请求都直接落到了数据库上,造成数据库短时间内承受大量请求
2)热点缓存在某一时刻大面积失效,导致对应的请求直接落到了数据库上
2-2 解决策略
缓存雪崩出现前预防策略
1. 系统日常维护:更多的页面静态化处理
2. 系统设计:构建多级缓存架构
3. 系统日常维护:检测Mysql严重耗时业务进行优化:对数据库的瓶颈排查:例如超时查询、耗时较高事务等
4. 系统设计:建立灾难预警机制,监控redis服务器性能指标+限流、降级
CPU占用、 CPU使用率
内存容量
查询平均响应时间
线程数
限流,降级:短时间范围内牺牲一些客户体验,限制一部分请求访问,降低应用服务器压力,待业务低速运转后再逐步放开访问
对于高频访问的页面进行静态化处理,目的是缓解服务器压力
缓存的请求顺序是:用户请求 → HTTP 缓存 → CDN 缓存 → 代理服务器缓存 → 进程内缓存 → 分布式缓存 → 数据库。
缓存名称 | 缓存的数据类型 | |
---|---|---|
HTTP 缓存 | 静态资源 | |
CDN 缓存 | 静态资源 | |
负载均衡缓存(负载均衡服务器) | 动态资源 | |
进程内缓存(应用服务器) | 较流行的实现有 Ehcache、GuavaCache、Caffeine。这些架构把热点数据放到进程内的缓存中。 | 动态资源 |
分布式缓存(Redis集群) | 动态资源 |
各种缓存的特点:
- CDN 缓存和 HTTP 缓存是好搭档。
- 负载均衡器缓存相对稳定资源,需要服务协助工作。
- 进程内缓存,效率高,但容量有限制,缓存同步问题可以通过消息队列与定时器两种方案实现
- 分布式缓存容量大,能力强
- 监控redis服务器性能指标+限流、降级
- 熔断机制:某个缓存节点不能工作的时候,需要通知缓存代理(负载均衡器)不要把请求路由到该节点,减少用户等待和请求时长(调整负载均衡策略)
- 限流机制:在接入层和代理层可以做限流,当缓存服务无法支持高并发的时候,前端可以把无法响应的请求放入到队列或者丢弃(限制请求)
- 隔离机制:缓存无法提供服务或者正在预热重建的时候,把该请求放入队列中,这样该请求因为被隔离就不会被路由到其他的缓存节点(隔离请求)。
具体解决缓存雪崩的策略
1)调整缓存置换策略,LRU与LFU切换
2)避免缓存同时失效,不同的 key 设置不同的超时时间。
- 根据业务数据有效期进行分类错峰, A类90分钟, B类80分钟, C类70分钟
- 过期时间使用固定时间+随机值的形式,稀释集中到期的key的数量
3)超热数据使用永久key
4)定期维护(自动+人工)
- 对即将过期数据做访问量分析,确认是否延时,配合访问量统计,做热点数据的延时
5)加锁(慎用)
- 增加互斥锁,对缓存的更新操作进行加锁保护,保证只有一个线程进行缓存更新。缓存一旦失效可以通过缓存快照的方式迅速重建缓存。对缓存节点增加主备机制,当主缓存失效以后切换到备用缓存继续工作。
2-3 缓存雪崩总结(心中有图)
用户请求 → HTTP 缓存 → CDN 缓存 → 代理服务器缓存(Nginx) → 进程内缓存(Tomact等应用服务器) → 分布式缓存(redis集群) → 数据库(MySQL)。
总结:缓存雪崩就是瞬间过期数据量太大,导致对数据库服务器(MySQL数据库)造成压力。如能够有效避免过期时间集中,可以有效解决雪崩现象的出现
(约40%),配合其他策略一起使用,并监控服务器的运行数据,根据运行记录做快速调整
3 redis的缓存击穿问题
3-1 击穿问题出现场景
场景:
系统平稳运行过程中并且Redis服务器无大量key过期并且工作平稳,但是数据库连接量瞬间激增,数据库崩溃。
- 电商平台中某些货物成为“爆款”了
问题排查:
1 Redis中某个key过期,该key访问量巨大
2. 多个数据请求从服务器直接压到Redis后,均未命中
3. Redis在短时间内发起了大量对数据库中同一数据的访问
原因分析:
单个key高热数据并且出现key过期
- 缓存击穿区别于缓存雪崩在于key过期的数量
3-2 击穿问题的解决策略
各种策略的核心目的:避免可能被击穿的key过期(主要是对业务数据进行分析)
1. 预先设定(预先确定哪些key可能成为被击穿的key)
电商为例,每个商家根据店铺等级, 指定若干款主打商品,
注意:购物节不仅仅指当天,以及后续若干天,访问峰值呈现
2. 现场调整(监控key,将那些频繁被访问的延长过期时间)
监控访问量,对自然流量激增的数据延长过期时间或设置为永
3. 后台刷新数据(定时更新数据有效期)
启动定时任务,高峰期来临之前, 刷新数据有效期,确保不丢
4. 二级缓存
设置不同的失效时间,保障不会被同时淘汰就行
5. 加锁
分布式锁,防止被击穿,但是要注意也是性能瓶颈,慎重!
3-3 缓存击穿总结
缓存击穿:单个高热数据过期的瞬间,数据访问量较大,未命中redis后,发起了大量对同一数据的数据库访问。导致对数据库服
务器造成压力。
应对策略:应该在业务数据分析与预防方面进行,配合运行监控测试与即时调整策略,毕竟单个key的过期监控难度较高,配合雪崩处理策略即可
4 redis的缓存穿透问题
4-1 穿透问题出现的场景
场景:服务器命中率随时间逐步降低且CPU占用激增
系统平稳运行过程中,应用服务器流量随时间增量较大并且Redis内存平稳,
但是Redis服务器命中率随时间逐步降低且CPU占用激增,数据库服务器压力激增导致数据库崩溃
问题排查:请求的数据并不是合法的key,没有对应的value
1. Redis中大面积出现未命中
2. 出现非正常URL访问(不是正常用户的访问,是黑客攻击,通过无效URL瘫痪应用服务)
问题分析
获取的数据在数据库中也不存在,数据库查询未得到对应数据,Redis获取到null数据未进行持久化,直接返回,黑客攻击服务器
4-2 缓存穿透问题解决策略
1)缓存null(治标不治本,短期策略)
- 对查询结果为null的数据进行缓存(长期使用,定期清理), 设定短时限,例如30-60秒, 最高5分钟
2)白名单策略(每次都需要访问白名单,这会成为系统瓶颈,布隆过滤器也是基于这种策略比bitmaps效率高)
- 提前预热各种分类数据id对应的bitmaps, id作为bitmaps的offset,相当于设置了数据白名单。 当加载正常数据时,放
行,加载异常数据时直接拦截(效率偏低) - 使用布隆过滤器(有关布隆过滤器的命中问题对当前状况可以忽略)
3)实施监控+黑名单:根据倍数不同,启动不同的排查流程。然后使用黑名单进行防控(运营)
- 实时监控redis命中率( 业务正常范围时,通常会有一个波动值)与null数据的占比
- 非活动时段波动:通常检测3-5倍,超过5倍纳入重点排查对象
- 活动时段波动:通常检测10-50倍, 超过50倍纳入重点排查对象
4) key加密(在应用服务器前进行拦截)
- 问题出现后,临时启动防灾业务key,对key进行业务层传输加密服务,设定校验程序,对key校验。
4-3 缓存穿透问题总结
缓存穿透:访问了不存在的数据,跳过了合法数据的redis数据缓存阶段(穿透访问的数据必定不存在),每次访问数据库,导致对数据库服务器造成压力。
- 通常此类数据的出现量是一个较低的值,当出现此类情况以毒攻毒,并及时报警。
应对策略:应该在临时预案防范方面多做文章。无论是黑名单还是白名单,都是对整体系统的压力,警报解除后尽快移除。
5 redis的性能监控指标
5-1 性能监控的常用指标
性能指标: Performance
Name | 说明 | 备注 |
---|---|---|
Latency | redis响应一个请求的时间 | |
instantaneous_ops_per_sec | 平均每秒处理请求总数( QPS: query per second) | |
hit rate(calculated) | 缓存命中率 | 命中率低说明服务器压力比较大,缓存的过期策略会影响命中率 |
内存指标: Memory
Name | 说明 | |
---|---|---|
used_memory | 已使用内存 | |
mem_framentation_ratio | 内存碎片率 | |
evicted_keys | 由于最大内存限制被移除的key数量 | 删除策略对该指标影响大 |
blocked_clients | 由于BLPOP,BRPOP或者BRPOPLPUSH而被阻塞客户端信息对内存占用 | 阻塞操作 |
在 Redis 的 列表(list) 命令中,有一些命令是阻塞模式的,比如:BRPOP, BLPOP, BRPOPLPUSH, 这些命令都有可能造成客户端的阻塞
基本活动指标: Basic
Name | 描述 | |
---|---|---|
connected_clients | 客户端连接数 | |
connected_slaves | Slave数量 | |
master_last_io_seconds_ago | 最近一次主从交互之后的秒数 | |
keyspace | 数据库中key的总数 | 通常key的范围都是有一个正常的范围,如果key数量大量减少,可能会发生雪崩 |
持久性指标: Persist(灾难恢复需要关注)
Name | 描述 | |
---|---|---|
rdb_last_save_time | 最后一次持久化保存到磁盘的时间戳 | |
rdb_change_since_last_save | 最后一次持久化以来,数据库更新数 |
错误指标: Error
名称 | 描述 |
---|---|
rejected_connections | 由于最大客户端数量的限制而被拒绝的连接数目 |
keyspace_misses | key值没用命中的次数 |
master_link_down_since_seconds | 主从断开的持续时间(断开时间长,从服务器压力大) |
5-2 性能监控的工具
监控方式
工具
Cloud Insight Redis
Prometheus
Redis-stat
Redis-faina
RedisLive
zabbix
命令
benchmark
redis cli
monitor
showlog
常用工具命令:
redis-benchmark [-h ] [-p ] [-c ] [-n <requests]> [-k ]
monitor
showlong [operator] # get :获取慢查询日志 len :获取慢查询日志条目数 reset :重置慢查询日志
slowlog-log-slower-than 1000 #设置慢查询的时间下线,单位:微妙
slowlog-max-len 100 #设置慢查询命令对应的日志显示长度,单位:命令数
知识点:布隆过滤器(Bloom Filter)
常见的应用场景:用户注册的时候迅速判断该用户名是否重复
定义:布隆过滤器(Bloom Filter)可以看成是由bit数组和多个hash函数组成,用于判断元素是否存在于集合中的非常节约空间的数据结构。
特点:
1 固定大小的空间可以添加任意数量的元素,但是空间大小不变的情况下,加的越大,错误判断的可能性也越大,当bit数组都为1时,所有元素都会被判断是存在的。
2.布隆过滤器会产生fasle positive结果但不会产生false negative的结果
--false positive: 该结果不存在的时候,判断其存在
--false negative:结果存在的时候,判断其不存在
3. 布隆过滤器不能删除元素
2.布隆过滤器的原理介绍
当一个元素加入布隆过滤器中的时候,会进行如下操作:
- 使用布隆过滤器中的K个哈希函数对元素值进行计算,得到K哈希值
- 根据得到的K个哈希值(对hash值取模),在位数组中把对应的K个下标的值置为 1。
当我们需要判断一个元素是否存在于布隆过滤器的时候,会进行如下操作:
-
对给定元素再次进行相同的哈希计算;
-
得到值之后判断位数组中的每个元素是否都为 1,如果值都为 1,那么说明这个值在布隆过滤器中,如果存在一个值不为 1,说明该元素不在布隆过滤器中。
更多关于布隆过滤器参考
Bloom Filters – Introduction and Implementation