巨人大哥談緩存在高並發場景下使用法則
巨人大哥談緩存在高並發場景下使用法則
緩存一致性問題
當數據時效性要求很高時，需要保證緩存中的數據與數據庫中的保持一致，而且需要保證緩存節點和副本中的數據也保持一致，不能出現差異現象。這就比較依賴緩存的過期和更新策略。一般會在數據發生更改的時，主動更新緩存中的數據或者移除對應的緩存。
緩存並發問題
緩存過期後將嘗試從後端數據庫獲取數據，這是一個看似合理的流程。但是，在高並發場景下，有可能多個請求並發的去從數據庫獲取數據，對後端數據庫造成極大的沖擊，甚至導致 “雪崩”現象。此外，當某個緩存key在被更新時，同時也可能被大量請求在獲取，這也會導致一致性的問題。那如何避免類似問題呢？我們會想到類似“鎖”的機制，在緩存更新或者過期的情況下，先嘗試獲取到鎖，當更新或者從數據庫獲取完成後再釋放鎖，其他的請求只需要犧牲一定的等待時間，即可直接從緩存中繼續獲取數據。
緩存穿透問題
緩存穿透在有些地方也稱為“擊穿”。很多朋友對緩存穿透的理解是：由於緩存故障或者緩存過期導致大量請求穿透到後端數據庫服務器，從而對數據庫造成巨大沖擊。
這其實是一種誤解。真正的緩存穿透應該是這樣的：
在高並發場景下，如果某一個key被高並發訪問，沒有被命中，出於對容錯性考慮，會嘗試去從後端數據庫中獲取，從而導致了大量請求達到數據庫，而當該key對應的數據本身就是空的情況下，這就導致數據庫中並發的去執行了很多不必要的查詢操作，從而導致巨大沖擊和壓力。
可以通過下面的幾種常用方式來避免緩存傳統問題：
-
緩存空對象
對查詢結果為空的對象也進行緩存，如果是集合，可以緩存一個空的集合（非null），如果是緩存單個對象，可以通過字段標識來區分。這樣避免請求穿透到後端數據庫。同時，也需要保證緩存數據的時效性。這種方式實現起來成本較低，比較適合命中不高，但可能被頻繁更新的數據。
-
單獨過濾處理
對所有可能對應數據為空的key進行統一的存放，並在請求前做攔截，這樣避免請求穿透到後端數據庫。這種方式實現起來相對復雜，比較適合命中不高，但是更新不頻繁的數據。
緩存顛簸問題
緩存的顛簸問題，有些地方可能被成為“緩存抖動”，可以看做是一種比“雪崩”更輕微的故障，但是也會在一段時間內對系統造成沖擊和性能影響。一般是由於緩存節點故障導致。業內推薦的做法是通過一致性Hash算法來解決。這裏不做過多闡述，可以參照其他章節
緩存的雪崩現象
緩存雪崩就是指由於緩存的原因，導致大量請求到達後端數據庫，從而導致數據庫崩潰，整個系統崩潰，發生災難。導致這種現象的原因有很多種，上面提到的“緩存並發”，“緩存穿透”，“緩存顛簸”等問題，其實都可能會導致緩存雪崩現象發生。這些問題也可能會被惡意攻擊者所利用。還有一種情況，例如某個時間點內，系統預加載的緩存周期性集中失效了，也可能會導致雪崩。為了避免這種周期性失效，可以通過設置不同的過期時間，來錯開緩存過期，從而避免緩存集中失效。
從應用架構角度，我們可以通過限流、降級、熔斷等手段來降低影響，也可以通過多級緩存來避免這種災難。
此外，從整個研發體系流程的角度，應該加強壓力測試，盡量模擬真實場景，盡早的暴露問題從而防範。
針對上面的技術我特意整理了一下，有很多技術不是靠幾句話能講清楚，所以幹脆找朋友錄制了一些視頻，很多問題其實答案很簡單，但是背後的思考和邏輯不簡單，要做到知其然還要知其所以然。如果想學習Java工程化、高性能及分布式、深入淺出。微服務、Spring，MyBatis，Netty源碼分析的朋友可以加我的Java進階群：433540541，群裏有阿裏大牛直播講解技術，以及Java大型互聯網技術的視頻免費分享給大家。
緩存無底洞現象
該問題由 facebook 的工作人員提出的， facebook 在 2010 年左右，memcached 節點就已經達3000 個，緩存數千 G 內容。
他們發現了一個問題---memcached 連接頻率，效率下降了，於是加 memcached 節點，
添加了後，發現因為連接頻率導致的問題，仍然存在，並沒有好轉，稱之為”無底洞現象”。
目前主流的數據庫、緩存、Nosql、搜索中間件等技術棧中，都支持“分片”技術，來滿足“高性能、高並發、高可用、可擴展”等要求。有些是在client端通過Hash取模（或一致性Hash）將值映射到不同的實例上，有些是在client端通過範圍取值的方式映射的。當然，也有些是在服務端進行的。但是，每一次操作都可能需要和不同節點進行網絡通信來完成，實例節點越多，則開銷會越大，對性能影響就越大。
主要可以從如下幾個方面避免和優化：
-
數據分布方式
有些業務數據可能適合Hash分布，而有些業務適合采用範圍分布，這樣能夠從一定程度避免網絡IO的開銷。
-
IO優化
可以充分利用連接池，NIO等技術來盡可能降低連接開銷，增強並發連接能力。
-
數據訪問方式
一次性獲取大的數據集，會比分多次去獲取小數據集的網絡IO開銷更小。
當然，緩存無底洞現象並不常見。在絕大多數的公司裏可能根本不會遇到
巨人大哥談緩存在高並發場景下使用法則