【Redis】缓存 - 技术栈

什么是缓存

https://tech.meituan.com/2017/03/17/cache-about.html

Spring Data Redis

Spring Data Redis提供了从Spring应用程序轻松配置和访问Redis的功能。

引入依赖

xml 复制代码

<dependency>
     <groupId>org.springframework.boot</groupId>
     <artifactId>spring-boot-starter-data-redis</artifactId>
</dependency>

配置

properties 复制代码

# 数据源
spring.datasource.driver-class-name=com.mysql.cj.jdbc.Driver
spring.datasource.url=jdbc:mysql://localhost:3306/db01
spring.datasource.username=root
spring.datasource.password=root1234
# redis
spring.redis.host=database.coding-future.com
spring.redis.port=6379
spring.redis.password=codingfuture21
spring.redis.database=4
#日志
logging.level.com.codingfuture=debug

代码实现

Spring缓存管理

https://www.cnblogs.com/songjilong/p/12901397.html?spm=a2c6h.12873639.0.0.559a86a6S9mJIU

依赖

xml 复制代码

<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-cache</artifactId>
</dependency>

@EnableCaching

开启缓存，在启动类添加注解

@Cacheable("person_list")

触发缓存写入的操作，将查询出来的数据存储到缓存中，查询时候使用

@CacheEvict("person_list",allEntries=true)

触发缓存删除的操作，只要增删改操作成功，就去缓存中把对应键的数据全部删除，增删改时候使用

缓存问题

缓存穿透

缓存穿透是指查询一个一定不存在的数据，由于缓存是不命中时被动写的，并且出于容错考虑，如果从存储层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存储层去查询，失去了缓存的意义。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
- 布隆过滤器
  
  有很多种方法可以有效地解决缓存穿透问题，最常见的则是采用布隆过滤器，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。
- 空结果进行缓存
  
  另外也有一个更为简单粗暴的方法（我们采用的就是这种），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。

缓存雪崩

缓存雪崩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。
系统 A，假设每天高峰期每秒 5000 个请求，本来缓存在高峰期可以扛住每秒 4000 个请求，但是缓存机器意外发生了全盘宕机。缓存挂了，此时 1 秒 5000 个请求全部落数据库，数据库必然扛不住，然后就挂了。如果重启数据库，数据库也会立马被新的流量给打死了。

解决方案

缓存失效时的雪崩效应对底层系统的冲击非常可怕。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。这里分享一个简单方案就时讲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

对于一些设置了过这些key可能会在某些时间点被超高并发地访问，是一种非常"热点"的数据。这个时候，需要考虑一个问题：缓存被"击穿"的问题，缓存击穿针对某一key缓存，缓存雪崩则是很多key。

缓存在某个时间点过期的时候，恰好在这个时间点对这个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。

解决方案

热点数据"永不过期"。

Redis数据一致性问题

为什么会选Redis

基于内存存储，可以降低对关系型数据库的访问频次，从而缓解数据库压力
数据IO操作能支持更高级别的QPS，官方发布的指标是10W；
提供了比较多的数据存储结构，比如string、list、hash、set、zset等等
采用单线程实现IO操作，避免了并发情况下的线程安全问题。所以也快。

应用场景

缓存，作为Key-Value形态的内存数据库，Redis 最先会被想到的应用场景便是作为数据缓存
分布式锁，分布式环境下对资源加锁
分布式共享数据，在多个服务之间数据共享，存储token
消息队列，pub/sub功能也可以用作发布者 / 订阅者模型的消息
排行榜，自带排序的数据结构（zset）

数据一致性问题

作为缓存使用流程

数据性一致性问题

使用Redis来作为缓存时，让请求先访问到Redis，而不是直接访问数据库。

而在这种业务场景下，可能会出现缓存和数据库数据不一致性的问题

先删除缓存 ，再更新数据库
先更新数据库 ，再删除缓存

先删除缓存，再更新数据库

A用户：先删除缓存，在更新。zs->ls

B用户：先查询没有，查数据库zs，放到缓存zs。

先更新数据库，再删除缓存

A用户：先更新数据库zs->ls，在删除缓存zs

B用户：先查询缓存zs，返回，

数据库更新成功，而删除缓存失败了，那么数据库中就会是新数据，而缓存中是旧数据，数据就出现了不一致情况。

延迟双删

先进行删除缓存，再执行update，最后（延迟N秒）再执行缓存清除。进行两次删除，且中间需要延迟一段时间

延迟删除的时间需要大于 A用户执行流程的总时间。