Redis 缓存 && 分布式锁

缓存

介绍缓存 & 用redis作为mysql的缓存

Redis最主要的用途有三个方面：

1.作为数据库（内存数据库）

2.作为缓存。

3.消息队列。

其中作为数据库和缓存是比较常见的，其中作为缓存的情况则是最多的。
我们知道, 对于硬件的访问速度来说, 通常情况下:
CPU 寄存器 > 内存 > 硬盘 > ⽹络

缓存之所以能够有意义，是因为数据的访问大多遵循 "二八" 原则，即20%的数据能够满足80%的访问量。这样我们就能把这20%的数据（高频访问的数据）放在缓存中，就可以应付大多数场景，从而在整体上有明显的性能提升。
在⼀个⽹站中, 我们经常会使⽤关系型数据库 (⽐如 MySQL) 来存储数据.
关系型数据库虽然功能强⼤, 但是有⼀个很⼤的缺陷, 就是性能不⾼. (换⽽⾔之, 进⾏⼀次查询操作消耗的系统资源较多)

为什么说关系型数据库性能不⾼?

数据库把数据存储在硬盘上, 硬盘的 IO 速度并不快. 尤其是随机访问.
如果查询不能命中索引, 就需要进⾏表的遍历, 这就会⼤⼤增加硬盘 IO 次数.
关系型数据库对于 SQL 的执⾏会做⼀系列的解析, 校验, 优化⼯作.
如果是⼀些复杂查询, ⽐如联合查询, 需要进⾏笛卡尔积操作, 效率更是降低很多.
.....

因此, 如果访问数据库的并发量⽐较⾼, 对于数据库的压⼒是很⼤的, 很容易就会使数据库服务器宕机。
为什么并发量⾼了就会宕机?
服务器每次处理⼀个请求, 都是需要消耗⼀定的硬件资源的. 所谓的硬件资源包括不限于 CPU,
内存, 硬盘, ⽹络带宽......

⼀个服务器的硬件资源本⾝是有限的. ⼀个请求消耗⼀份资源, 请求多了, ⾃然把资源就耗尽
了. 后续的请求没有资源可⽤, ⾃然就⽆法正确处理. 更严重的还会导致服务器程序的代码出现
崩溃。

如何让数据库能够承担更⼤的并发量呢? 核⼼思路主要是两个:
•
开源: 引⼊更多的机器, 部署更多的数据库实例, 构成数据库集群. (主从复制, 分库分表等...)
•
节流: 引⼊缓存, 使⽤其他的⽅式保存经常访问的热点数据, 从⽽降低直接访问数据库的请求数量

实际开发中，这两种方案一般都是搭配使用的。

Redis 就是⼀个⽤来作为数据库缓存的常⻅⽅案
Redis 访问速度⽐ MySQL 快很多. 或者说处理同⼀个访问请求, Redis 消耗的系统资源⽐
MySQL 少很多. 因此 Redis 能⽀持的并发量更⼤.
•
Redis 数据在内存中, 访问内存⽐硬盘快很多.
•
Redis 只是⽀持简单的 key-value 存储, 不涉及复杂查询的那么多限制规则

客⼾端访问业务服务器, 发起查询请求.
•
业务服务器先查询 Redis, 看想要的数据是否在 Redis 中存在.
◦
如果已经在 Redis 中存在了, 就直接返回. 此时不必访问 MySQL 了.

就像⼀个 "护盾" ⼀样, 把 MySQL 给罩住了。

◦
如果在 Redis 中不存在, 再查询 MySQL.
按照上述讨论的 "⼆⼋定律" , 只需要在 Redis 中放 20% 的热点数据, 就可以使 80% 的请求不再真正查询数据库了

当然, 实践中究竟是 "⼆⼋", 还是 "⼀九", 还是 "三七", 这个情况可能会根据业务场景的不同, 存在差
异. 但是⾄少绝⼤多数情况下, 使⽤缓存都能够⼤⼤提升整体的访问效率, 降低数据库的压⼒

缓存是⽤来加快 "读操作" 的速度的. 如果是 "写操作", 还是要⽼⽼实实写数据库, 缓存并不能
提⾼性能。

缓存更新策略

1.定期生成

每隔⼀定的周期(⽐如⼀天/⼀周/⼀个⽉), 对于访问的数据频次进⾏统计. 挑选出访问频次最⾼的前 N%的数据，会将这些热点数据以日志的形式记录下来，然后加载到redis中。
大致流程：

定期生成策略的优点：

实现比较简单，过程比较可控，方便排查问题。

缺点：

实时性不够。比如对于某一些突发事件，有一些本来不是热词的内容成为了热词，此时就会给后面的数据库（比如mysql）带来不小的压力。

2.实时生成

先给缓存设定容量上限(可以通过 Redis 配置⽂件的 maxmemory 参数设定).
接下来把⽤⼾每次查询:
•
如果在 Redis 查到了, 就直接返回.
•
如果 Redis 中不存在, 就从数据库查, 把查到的结果同时也写⼊ Redis.

如果缓存已经满了(达到上限), 就触发缓存淘汰策略, 把⼀些 "相对不那么热⻔" 的数据淘汰掉.
按照上述过程, 持续⼀段时间之后 Redis 内部的数据⾃然就是 "热⻔数据" 了，经过一段时间的"动态平衡"之后，redis中存储的大多都是热点数据了。

当redis的内存达到上限时，如果继续插入数据，就会触发问题，在这里redis就引入了"内存淘汰策略"（经典面试题）。

关于redis的内存上限不一定指机器的内存上限，在redis的配置文件中也可以配置redis最多使用多少内存。

内存淘汰策略

重点
FIFO (First In First Out) 先进先出：
把缓存中存在时间最久的 (也就是先来的数据) 淘汰掉

LRU (Least Recently Used) 淘汰最久未使⽤的
记录每个 key 的最近访问时间. 把最近访问时间最⽼的 key 淘汰掉

LFU (Least Frequently Used) 淘汰访问次数最少的
记录每个 key 最近⼀段时间的访问次数. 把访问次数最少的淘汰掉

Random 随机淘汰
从所有的 key 中抽取幸运⼉被随机淘汰掉

其中这个随机淘汰的策略显然是不太合理的，所以一般不会用到。

这些策略不仅仅局限于redis，其它缓存也可以按照这些策略展开。

另外这些策略我们可以自己实现出来，也可以直接使用redis内置的淘汰策略。

redis内置的淘汰策略：
volatile-lru 当内存不⾜以容纳新写⼊数据时，从设置了过期时间的key中使⽤LRU（最近最
少使⽤）算法进⾏淘汰
•
allkeys-lru 当内存不⾜以容纳新写⼊数据时，从所有key中使⽤LRU（最近最少使⽤）算法进
⾏淘汰.
volatile-lfu 4.0版本新增，当内存不⾜以容纳新写⼊数据时，在过期的key中，使⽤LFU算法
进⾏删除key.
•
allkeys-lfu 4.0版本新增，当内存不⾜以容纳新写⼊数据时，从所有key中使⽤LFU算法进⾏
淘汰.
•
volatile-random 当内存不⾜以容纳新写⼊数据时，从设置了过期时间的key中，随机淘汰数
据.
•
allkeys-random 当内存不⾜以容纳新写⼊数据时，从所有key中随机淘汰数据.
•
volatile-ttl 在设置了过期时间的key中，根据过期时间进⾏淘汰，越早过期的优先被淘汰.
(相当于 FIFO, 只不过是局限于过期的 key)
•
noeviction 默认策略，当内存不⾜以容纳新写⼊数据时，新写⼊操作会报错

整体来说 Redis 提供的策略和我们上述介绍的通⽤策略是基本⼀致的. 只不过 Redis 这⾥会针对 "过期key" 和 "全部 key" 做分别处理。

缓存预热, 缓存穿透, 缓存雪崩和缓存击穿

这是重点内容，面试常考，工作常用。

缓存预热 (Cache preheating)

定期生成这种缓存更新策略是不涉及到预热的，预热主要是针对实时生成的。
使⽤ Redis 作为 MySQL 的缓存的时候, 当 Redis 刚刚启动, 或者 Redis ⼤批 key 失效之后, 此时由于Redis ⾃⾝相当于是空着的, 没啥缓存数据, 那么 MySQL 就可能直接被访问到, 从⽽造成较⼤的压⼒.因此就需要提前把热点数据准备好, 直接写⼊到 Redis 中. 使 Redis 可以尽快为 MySQL 撑起保护伞。

热点数据可以基于之前介绍的统计的⽅式⽣成即可. 这份热点数据不⼀定⾮得那么 "准确", 只要能帮助MySQL 抵挡⼤部分请求即可. 随着程序运⾏的推移, 缓存的热点数据会逐渐⾃动调整, 来更适应当前情况。

缓存穿透 (Cache penetration)

访问的 key 在 Redis 和数据库中都不存在. 此时这样的 key 不会被放到缓存上, 后续如果仍然在访问该key, 依然会访问到数据库.

这就会导致数据库承担的请求太多, 压⼒很⼤.
这种情况称为缓存穿透.

缓存穿透产生的原因：
原因可能有⼏种:
•
业务设计不合理. ⽐如缺少必要的参数校验环节, 导致⾮法的 key 也被进⾏查询了.
•
开发/运维误操作. 不⼩⼼把部分数据从数据库上误删了.
•
⿊客恶意攻击。

其中业务设计不合理是比较典型的一种情况。

一些解决缓存穿透的方案：

通过改进业务/加强监控报警。这个是属于一种亡羊补牢的方案。

更靠谱一点的方法有（降低问题的严重性）：

1.先对查询的参数进行严格的合法性校验。比如要查询的key是一个qq邮箱，那么就需要先校验这个key是否符合qq邮箱的格式。

2.针对数据库上不存在的key，可以将这个信息存储到redis上，比如将这个key的value值设置成一个""，也就是空字符（或者其它表示非法值的值），这样就能避免后续频繁因为这个key访问到数据库。

3.可以引入一个布隆过滤器，通过hash + 位图（bitmap）的一个数据结构可以以较小的空间和时间开销，来判定一个key是否存在。

缓存雪崩 (Cache avalanche)

短时间内⼤量的 key 在缓存上失效, 因此很多请求就都打到数据库上了，导致数据库压⼒骤增, 甚⾄直接宕机。

可能产生的原因：

1.redis直接挂了。 redis宕机或者 redis集群下大量节点宕机。

2.redis没问题，但是有大量的key同时过期了。有可能在短时间内缓存内设置了大量过期时间相同的key导致的。

解决方法：

1.加强监控警报，提高redis集群的可用性。

2.不给key设置过期时间或者在设置过期时间时加入一些随机因子。

缓存击穿 (Cache breakdown)

缓存击穿相当于缓存雪崩的特殊情况. 针对热点 key , 突然过期了, 导致⼤量的请求直接访问到数据库上, 甚⾄引起数据库宕机。

这里热点的key访问频率高，造成的影响更大。

解决方法：

1.基于统计的方式发现热点的key，并且设置永不过期。

2.进⾏必要的服务降级. 例如访问数据库的时候使⽤分布式锁, 限制同时请求数据库的并发数。

服务降级可以理解为手机的省电模式，就是关闭一些不那么必要的功能，保留核心功能。

分布式锁在这里就是限制访问数据库的频率，对数据库起到保护作用。

分布式锁

什么是分布式锁?

在学Linux的时候，我们接触到过线程安全问题

关于线程安全问题：因为多个线程并发执行的顺序是不确定的，也就是具备随机性，我们需要保证线程程序在任意执行顺序下执行逻辑都是OK的。最常见的方案就是加入互斥锁，但是互斥锁的本质只是在一个进程内生效的，而在分布式系统中，这都不是同一个进程的问题了，这都不同主机了，那么这种锁肯定就是无效的了。

在分布式系统的场景下（卖车票场景）：

java 的 synchronized 或者 C++ 的 std::mutex, 这样的锁都是只能在当前进程中⽣效, 在分布式的这种多个进程多个主机的场景下就⽆能为⼒了.
此时就需要使⽤到分布式锁了。

所谓分布式锁，其实也是一个/一组单独的服务器程序，专门给其它的服务器提供"加锁"的服务。

如上图，这样买票服务器在买票前，会先申请一个分布式锁，申请成功了，才能买票成功。

Redis是一种典型的可以用来实现分布式锁的方案（就是上图的Redis服务器），但不是唯一的一种，业界也可能采用 mysql / zookeeper 这样的组件来实现分布式锁的效果。

这里看似很简单，但是有很多的细节，接下来就开始介绍。

引入setnx

这个申请锁的过程其实就是服务器向redis申请设置一个key - value，如果key不存在，那么就设置成功，也就是申请锁成功，反之就是失败了。

释放锁就是将之前set的key给删掉即可。

而我们之前学过一个setnx，刚好就能应付这个场景：

setnx，如果key存在那么就会出错返回；如果不存在那么就设置成功。

这里就会出现一个问题：

setnx确实可以实现 "加锁"的效果，解锁就是用del即可。但是如果某个服务器加锁成功了，执行后续的逻辑时程序崩溃了（或者服务器都没了），也就是还没有执行到解锁操作，这样就导致了后续其它的服务器申请锁时会一直失败（失败后是放弃还是阻塞就看具体实现了）。

引入过期时间

为了解决上述因为服务器在执行逻辑时，程序崩溃没有执行解锁操作，导致后续其它服务器申请锁一直失败的问题，我们可以给设置的key加入过期时间。

此时需要用的命令就是 set ex nx了，setnx不能设置过期时间。

注意：不要使用

bash 复制代码

setnx
expire

这样的方式来设置带有过期时间的key，因为redis对于多个命令是无法保证原子性的（这里的原子性指不能像mysql那样可以回滚的原子性），所以务必要使用 set ex nx的方式。

引入校验id

所谓加锁，就是给redis设置一个 key-value。

所谓解锁，就是将redis上的这个key-value删除掉。

然而有可能会出现一种情况：

服务器1加的锁，被服务器2解掉了。

虽然正常来说，服务器2不会故意执行这样的操作，但是保不齐代码中有bug，这样可能就给整个系统带来更严重的问题（比如超卖）。

所以为了解决这个问题，就需要引入一些校验机制：

1.给每个服务器加上一个编号id，用于标识自己的身份。

2.进行加锁的时候，设置key - value的时候，key表示要对哪个资源加锁（比如列车车次），value则是这个加锁的服务器的id。

这样后续解锁的时候，就可以进行一个身份校验了。

引入lua脚本

到这里，我们知道解锁的时候大致分为两步：

1.先进行身份校验（向服务器查询id）。

再进行del解锁。

这里顺便提醒一下，进行身份校验的工作一般也是在服务器上完成的。

可见这里的解锁操作并不是原则的，在一个服务器内部往往会有多个线程，也就是说同一个服务器，可能会有多个线程同时在解锁。

如上图，这样就可能会出现del被重复执行，也就是重复解锁，如果在两次解锁期间，有一个线程执行了一次加锁操作，那么这个锁可能立马就被解掉了。

这个问题归根结底还是因为get和del 不是原子操作导致的。

我们可以使用redis的事务解决上述问题，虽然redis的事务是弱原子性的，但是能避免插队。但是还有一个更好的解决方案：就是使用lua脚本。

在redis的官方文档都说使用lua是事务的替代方案。

Lua 的语法类似于 JS, 是⼀个动态弱类型的语⾔. Lua 的解释器⼀般使⽤ C 语⾔实现. Lua 语法
简单精炼, 执⾏速度快, 解释器也⽐较轻量(Lua 解释器的可执⾏程序体积只有 200KB 左右).
因此 Lua 经常作为其他程序内部嵌⼊的脚本语⾔. Redis 本⾝就⽀持 Lua 作为内嵌脚本

使用lua脚本完成解锁的过程：

Lua 复制代码

if redis.call('get',KEYS[1]) == ARGV[1] then 
     return redis.call('del',KEYS[1]) 
else
    return 0 
end;

上述代码可以编写成⼀个 .lua 后缀的⽂件, 由 redis-cli 或者 redis-plus-plus 或者
jedis 等客⼾端加载, 并发送给 Redis 服务器, 由 Redis 服务器来执⾏这段逻辑.
⼀个 lua 脚本会被 Redis 服务器以原⼦的⽅式来执⾏

引⼊ watch dog (看⻔狗)

之前说过可以给key引入一个过期时间，这样就能防止因为服务器挂掉却没有及时释放锁的问题。

然而这里仍然存在一个重要的问题，那就是当这个key过期以后，这个任务可能还没有执行完，这样就导致锁提前失效了。

这里更好的方式就是"动态续约"。我们可以为这个服务器专门搞一个线程，负责续约这个问题。

这个线程就称为看门狗。

假设我们给这个key初始设置1s后过期，当过期时间只有300ms（数值可以灵活调整）的时候，如果当前任务还没有完成，那么就把过期时间加上1s，如果还没完成就继续续约。

如果此时就算服务器崩溃了，那么也会在短时间内把锁释放掉。

引⼊ Redlock 算法

即便已在这么多的方案的加持下，还是免不了一些极端的情况。
实践中的 Redis ⼀般是以集群的⽅式部署的 (⾄少是主从的形式, ⽽不是单机). 那么就可能出现以下⽐较极端的⼤冤种情况:

主节点和从节点之间的数据同步是有延迟的，假如redis收到了 set加锁的请求，但是主节点还没来得及同步给从节点，自己就挂了，即使从节点升级称为了主节点，但是刚刚加锁的数据还是不存在了。为了解决这个问题, Redis 的作者提出了 Redlock 算法。

此时的redis就不是一组redis了，而是引入了多组redis，每组redis都包含了一个主节点和多个从节点，并且组和组之间的数据都是一致的，互相为一个"备份"的关系，目的就是为了备份数据（注意这里不是集群）。
加锁的时候, 按照⼀定的顺序, 写多个 master 节点. 在写锁的时候需要设定操作的 "超时时间". ⽐如
50ms. 即如果 setnx 操作超过了 50ms 还没有成功, 就视为加锁失败。
如果给某个节点加锁失败, 就⽴即再尝试下⼀个节点.
当加锁成功的节点数超过总节点数的⼀半, 才视为加锁成功

如上图有5组redis，其中有3组加锁成功了，那么就视为加锁成功。

这样即便有些节点挂了，也不影响锁的正确性。
同理, 释放锁的时候, 也需要把所有节点都进⾏解锁操作. (即使是之前超时的节点, 也要尝试解锁, 尽量保证逻辑严密)

小总结：

这里介绍的只是一个简单的"互斥锁"。

这里对redis的学习就告一段落了，如果还想继续深入学习redis可以阅读redis的源码