zoukankan      html  css  js  c++  java
  • 缓存 -- 介绍,存在的问题,解决方案

    缓存是什么?

    存储的速度是有区别的。缓存(Cache)就是把低速存储的结果,临时保存在高速存储的技术

    为什么需要缓存?

    缓存的目的就是为了减轻数据库压力,提高存取的效率。

    数据存储在如MySQL等关系型数据库中,通常支持事务的ACID特性,因为可靠性,持久性等因素,性能普遍不高,高并发的查询会给MySQL带来压力,造成数据库系统的不稳定。同时也容易产生延迟。根据局部性原理80%请求会落到20%的热点数据上,在读多写少场景,增加一层缓存非常有助提升系统吞吐量和健壮性。

    如何实现本地缓存和分布式缓存?

    本地缓存是指程序级别的缓存组件,它的特点是应用程序和本地缓存会运行在同一个进程中,所以本地缓存的操作会非常快,因为在同一个进程内也意味着不会有网络上的延迟和开销。本地缓存适用于单节点非集群的应用场景,它的优点是快,缺点是多程序无法共享缓存,比如分布式用户 Session 会话信息保存,由于每次用户访问的服务器可能是不同的,如果不能共享缓存,那么就意味着每次的请求操作都有可能被系统阻止,因为会话信息只保存在某一个服务器上,当请求没有被转发到这台存储了用户信息的服务器时,就会被认为是非登录的违规操作。除此之外,无法共享缓存可能会造成系统资源的浪费,这是因为每个系统都单独维护了一份属于自己的缓存,而同一份缓存有可能被多个系统单独进行存储,从而浪费了系统资源。本地缓存可以使用 EhCache 和 Google 的 Guava 来实现.

    分布式缓存是指将应用系统和缓存组件进行分离的缓存机制,这样多个应用系统就可以共享一套缓存数据了,它的特点是共享缓存服务和可集群部署,为缓存系统提供了高可用的运行环境,以及缓存共享的程序运行机制而分布式缓存可以使用 Redis 或 Memcached 来实现。由于 Redis 本身就是独立的缓存系统,因此可以作为第三方来提供共享的数据缓存,而 Redis 的分布式支持主从、哨兵和集群的模式,所以它就可以支持分布式的缓存,而 Memcached 的情况也是类似的。

    存在问题

    缓存和数据库一致性问题,存储的数据随着时间可能会发生变化,而缓存中的数据就会不一致。具体能容忍的不一致时间,需要具体业务具体分析,但是通常的业务,都需要做到最终一致性

    一致性介绍

    一致性又可以分为强一致性与弱一致性。

    1.强一致性

    强一致性可以理解为在任意时刻,所有节点中的数据是一样的。同一时间点,你在节点A中获取到key1的值与在节点B中获取到key1的值应该都是一样的。

    2.弱一致性

    弱一致性包含很多种不同的实现,分布式系统中广泛实现的是最终一致性。

    3.最终一致性

    所谓最终一致性,是弱一致性的一种特例,保证用户最终能够读取到某操作对系统特定数据的更新。但是随着时间的迁移,不同节点上的同一份数据总是在向趋同的方向变化。也可以简单的理解为在一段时间后,节点间的数据会最终达到一致状态。对于最终一致性最好的例子就是DNS系统,由于DNS多级缓存的实现,所以修改DNS记录后不会在全球所有DNS服务节点生效,需要等待DNS服务器缓存过期后向源服务器更新新的记录才能实现。

    如何解决缓存一致性?

    (1)更新数据库,不更新缓存

    (2)先删除缓存,再更新数据库

    删除缓存不更新缓存的理由

    选择更新缓存(数据不但写入数据库,还会写入缓存)还是删除缓存呢?主要取决于“更新缓存的复杂度”,更新缓存的代价很大,那么更倾向于删除缓存。删除缓存操作简单,并且带来的副作用只是增加了一次cache miss,建议作为通用的处理方式。

    先删除缓存,再更新数据库的理由

    (1)假设先更新数据库,再删除缓存

    第一步写更新数据库成功,第二步删除缓存失败,则会出现DB中是新数据,Cache中是旧数据,数据不一致。

    (2)假设先淘汰缓存,再写数据库

    第一步删除缓存成功,第二步更新数据库失败,那没关系,起码数据是一致的。

    缓存穿透,缓存雪崩,缓存击穿

    缓存穿透

    定义

    一般是黑客故意去请求缓存中不存在的数据,导致所有的请求都落到数据库上,造成数据库短时间内承受大量请求而崩掉(在流量大时,可能DB就挂掉了)。

    实战说明:

    我们在项目中使用缓存通常都是先检查缓存中是否存在,如果存在直接返回缓存内容,如果不存在就直接查询数据库然后再缓存查询结果返回。这个时候如果我们查询的某一个数据在缓存中一直不存在,就会造成每一次请求都查询DB,这样缓存就失去了意义,在流量大时,可能DB就挂掉了。要是有人利用不存在的key频繁攻击我们的应用,这就是漏洞。

    解决方案:

    (1)缓存空对象,设置短暂的过期时间, 简单粗暴的方法(项目常用),如果一个查询返回的数据为空(不管是数据不存在,还是系统故障),我们仍然把这个空结果进行缓存,但它的过期时间会很短,最长不超过五分钟。

    (2)布隆过滤器拦截, 将所有可能存在的数据哈希到一个足够大的bitmap中,一个一定不存在的数据会被 这个bitmap拦截掉,从而避免了对底层存储系统的查询压力。

    (3)还有一个比较巧妙的作法是,可以将这个不存在的key预先设定一个值,比如,"key" , “&&”。在返回这个&&值的时候,我们的应用就可以认为这是不存在的key,那我们的应用就可以决定是否继续等待继续访问,还是放弃掉这次操作。如果继续等待访问,过一个时间轮询点后,再次请求这个key,如果取到的值不再是&&,则可以认为这时候key有值了,从而避免了透传到数据库,从而把大量的类似请求挡在了缓存之中。

    缓存雪崩(缓存失效)

    定义

    是指在我们设置缓存时采用了相同的过期时间,导致缓存在某一时刻同时失效,请求全部转发到DB,DB瞬时压力过重雪崩。

    实战说明

    引起这个问题的主要原因还是高并发的时候,平时我们设定一个缓存的过期时间时,可能有一些会设置1分钟啊,5分钟这些,并发很高时可能会出在某一个时间同时生成了很多的缓存,并且过期时间都一样,这个时候就可能引发一但过期时间到后,这些缓存同时失效,请求全部转发到DB,DB可能会压力过重。

    解决方案

    (1) 大多数系统设计者考虑用加锁或者队列的方式保证缓存的单线程(进程)写,从而避免失效时大量的并发请求落到底层存储系统上。

    (2) 随机过期时间,降低过期时间的重复率。简单方案,就是将缓存失效时间分散开,比如我们可以在原有的失效时间基础上增加一个随机值,比如1-5分钟随机,这样每一个缓存的过期时间的重复率就会降低,就很难引发集体失效的事件。

    缓存击穿

    定义

    缓存在某个时间点过期的时候,恰好在这个时间点对某个Key有大量的并发请求过来,这些请求发现缓存过期一般都会从后端DB加载数据并回设到缓存,这个时候大并发的请求可能会瞬间把后端DB压垮

     补充:和缓存雪崩的区别在于缓存击穿针对某一个key缓存,前者则是很多key。

    解决方案

    我们的目标是:尽量少的线程构建缓存(甚至是一个) + 数据一致性 + 较少的潜在危险,下面会介绍四种方法来解决这个问题:

    1、使用互斥锁(mutex key):

    这种解决方案思路比较简单,就是只让一个线程构建缓存,其他线程等待构建缓存的线程执行完,重新从缓存获取数据就可以了(如下图)

    如果是单机,可以用synchronized或者lock来处理,如果是分布式环境可以用分布式锁就可以了(分布式锁,可以用memcache的add, redis的setnx, zookeeper的添加节点操作)。

    redis的setnx(伪代码实现)

    2、"提前"使用互斥锁(mutex key):

    在value内部设置1个超时值(timeout1), timeout1比实际的memcache timeout(timeout2)小。当从cache读取到timeout1发现它已经过期时候,马上延长timeout1并重新设置到cache。然后再从数据库加载数据并设置到cache中。

    3、"永远不过期":

    这里的“永远不过期”包含两层意思:

    1、从redis上看,确实没有设置过期时间,这就保证了,不会出现热点key过期问题,也就是“物理”不过期。

    2、从功能上看,如果不过期,那不就成静态的了吗?所以我们把过期时间存在key对应的value里,如果发现要过期了,通过一个后台的异步线程进行缓存的构建,也就是“逻辑”过期。

    4、资源保护:

    netflix的hystrix,可以做资源的隔离保护主线程池,如果把这个应用到缓存的构建也未尝不可。

    参考/好文:

    缓存穿透,缓存雪崩,4种解决方案分析 --

    https://mp.weixin.qq.com/s/Q9ROd6nH_tPPuo6Hzv3BGg

    数据库缓存最终一致性的四种方案,你真的了解过吗? --

    https://stor.51cto.com/art/201909/602413.htm

    缓存与数据库一致性之缓存更新设计 --

    https://zhuanlan.zhihu.com/p/38475787

    希望本文章对您有帮助,您的转发、点赞是我的创作动力,十分感谢。更多好文推荐,请关注我的微信公众号--JustJavaIt
  • 相关阅读:
    Largest Rectangle in Histogram
    Valid Sudoku
    Set Matrix Zeroes
    Unique Paths
    Binary Tree Level Order Traversal II
    Binary Tree Level Order Traversal
    Path Sum II
    Path Sum
    Validate Binary Search Tree
    新手程序员 e
  • 原文地址:https://www.cnblogs.com/liaowenhui/p/12879543.html
Copyright © 2011-2022 走看看