1：快取技術和框架的重要性

網際網路的一些高併發，高效能的專案和系統中，快取技術是起著功不可沒的作用。快取不僅僅是key-value的簡單存取，它在具體的業務場景中，還是很複雜的，需要很強的架構設計能力。我曾經就遇到過因為快取架構設計不到位，導致了系統崩潰的案例。

2：快取的技術方案分類

1）是做實時性比較高的那塊資料，比如說庫存，銷量之類的這種資料，我們採取的實時的快取+資料庫雙寫的技術方案，雙寫一致性保障的方案。

2）是做實時性要求不高的資料，比如說商品的基本資訊，等等，我們採取的是三級快取架構的技術方案，就是說由一個專門的資料生產的服務，去獲取整個商品詳情頁需要的各種資料，經過處理後，將資料放入各級快取中。

3：高併發以及高可用的複雜系統中的快取架構都有哪些東西

1）在大型的快取架構中，redis是最最基礎的一層。高併發，快取架構中除了redis，還有其他的組成部分，但是redis至關重要。

• 如果你的資料量不大（10G以內），單master就可以。redis持久化+備份方案+容災方案+replication（主從+讀寫分離）+sentinal（哨兵叢集，3個節點，高可用性）

• 如果你的資料量很大（1T+），採用redis cluster。多master分散式儲存資料，水平擴容,自動進行master -> slave的主備切換。

2）最經典的快取+資料庫讀寫的模式，cache aside pattern。讀的時候，先讀快取，快取沒有的話，那麼就讀資料庫。更新快取分以下兩種方式：

• 資料發生變化時，先更新快取，然後再更新資料庫。這種適用於快取的值相對簡單，和資料庫的值一一對應，這樣更新比較快。

• 資料發生變化時，先刪除快取，然後再更新資料庫，讀資料的時候再設定快取。這種適用於快取的值比較複雜的場景。比如可能更新了某個表的一個欄位，然後其對應的快取，是需要查詢另外兩個表的資料，並進行運算，才能計算出快取最新的值的。這樣更新快取的代價是很高的。如果你頻繁修改一個快取涉及的多個表，那麼這個快取會被頻繁的更新，頻繁的更新快取代價很高。而且這個快取的值如果不是被頻繁訪問，就得不償失了。

大部分情況下，建議適用刪除更新的方式。其實刪除快取，而不是更新快取，就是一個lazy計算的思想，不要每次都重新做複雜的計算，不管它會不會用到，而是讓它到需要被使用的時候再重新計算。

舉個例子，一個快取涉及的表的欄位，在1分鐘內就修改了20次，或者是100次，那麼快取跟新20次，100次; 但是這個快取在1分鐘內就被讀取了1次，有大量的冷資料。28黃金法則，20%的資料，佔用了80%的訪問量。實際上，如果你只是刪除快取的話，那麼1分鐘內，這個快取不過就重新計算一次而已，開銷大幅度降低。每次資料過來，就只是刪除快取，然後修改資料庫，如果這個快取，在1分鐘內只是被訪問了1次，那麼只有那1次，快取是要被重新計算的。

3）資料庫與快取雙寫不一致問題的解決方案

問題：併發請求的時候，資料發生了變更，先刪除了快取，然後要去修改資料庫，此時還沒修改。另一個請求過來，去讀快取，發現快取空了，去查詢資料庫，查到了修改前的舊資料，放到了快取中。

方案：資料庫與快取更新與讀取操作進行非同步序列化。（引入佇列）

更新資料的時候，將相應操作傳送到一個jvm內部的佇列中。讀取資料的時候，如果發現數據不在快取中，那麼將重新讀取資料的操作也傳送到同一個jvm內部的佇列中。佇列消費者序列拿到對應的操作，然後一條一條的執行。這樣的話，一個數據變更的操作，先執行刪除快取，然後再去更新資料庫，但是還沒完成更新。此時如果一個讀請求過來，讀到了空的快取，那麼可以先將快取更新的請求傳送到佇列中，此時會在佇列中積壓，然後同步等待快取更新完成。

這裡有兩個可以優化的點：

• 一個佇列中，其實多個讀快取，更新快取的請求串在一起是沒意義的，而且如果讀同一快取的大量請求到來時，會依次進入佇列等待，這樣會導致佇列最後一個的請求響應時間超時。因此可以做過濾，如果發現佇列中已經有一個讀快取，更新快取的請求了，那麼就不用再放個新請求操作進去了，直接等待前面的更新操作請求完成即可。如果請求還在等待時間範圍內，不斷輪詢發現可以取到值了，那麼就直接返回; 如果請求等待的時間超過一定時長，那麼這一次直接從資料庫中讀取當前的舊值。

• 如果請求量特別大的時候，可以用多個佇列，每個佇列對應一個執行緒。每個請求來時可以根據請求的標識id進行hash路由進入到不同的佇列。

最後，一定要做根據實際業務系統的執行情況，去進行一些壓力測試，和模擬線上環境，去看看最繁忙的時候，記憶體佇列可能會擠壓多少更新操作，可能會導致最後一個更新操作對應的讀請求，會hang多少時間，如果讀請求在200ms返回，如果你計算過後，哪怕是最繁忙的時候，積壓10個更新操作，最多等待200ms，那還可以的。如果一個記憶體佇列可能積壓的更新操作特別多，那麼你就要加機器，讓每個機器上部署的服務例項處理更少的資料，那麼每個記憶體佇列中積壓的更新操作就會越少。其實根據之前的專案經驗，一般來說資料的寫頻率是很低的，因此實際上正常來說，在佇列中積壓的更新操作應該是很少的。

舉個例子：一秒就100個寫操作。單臺機器，20個記憶體佇列，每個記憶體佇列，可能就積壓5個寫操作，每個寫操作效能測試後，一般在20ms左右就完成，那麼針對每個記憶體佇列中的資料的讀請求，也就最多hang一會兒，200ms以內肯定能返回了。如果把寫QPS擴大10倍，但是經過剛才的測算，就知道，單機支撐寫QPS幾百沒問題，那麼就擴容機器，擴容10倍的機器，10臺機器，每個機器20個佇列，200個佇列。大部分的情況下，應該是這樣的，大量的讀請求過來，都是直接走快取取到資料的，少量情況下，可能遇到讀跟資料更新衝突的情況，如上所述，那麼此時更新操作如果先入佇列，之後可能會瞬間來了對這個資料大量的讀請求，但是因為做了去重的優化，所以也就一個更新快取的操作跟在它後面。

4）大型快取全量更新問題的解決方案

問題：快取資料很大時，可能導致redis的吞吐量就會急劇下降，網路耗費的資源大。如果不維度化，就導致多個維度的資料混合在一個快取value中。而且不同維度的資料，可能更新的頻率都大不一樣。拿商品詳情頁來說，如果現在只是將1000個商品的分類批量調整了一下，但是如果商品分類的資料和商品本身的資料混雜在一起。那麼可能導致需要將包括商品在內的大快取value取出來，進行更新，再寫回去，就會很坑爹，耗費大量的資源，redis壓力也很大

方案：快取維度化。舉個例子：商品詳情頁分三個維度：商品維度，商品分類維度，商品店鋪維度。將每個維度的資料都存一份，比如說商品維度的資料存一份，商品分類的資料存一份，商品店鋪的資料存一份。那麼在不同的維度資料更新的時候，只要去更新對應的維度就可以了。大大減輕了redis的壓力。

5）通過多級快取，達到高併發極致，同時給快取架構最後的安全保護層。具體可以參照上一篇文章【億級流量的商品詳情頁架構分析】。

6）分散式併發快取重建的衝突問題的解決方案

問題：假如資料在所有的快取中都不存在了（LRU演算法弄掉了），就需要重新查詢資料寫入快取。對於分散式的重建快取，在不同的機器上，不同的服務例項中，去做上面的事情，就會出現多個機器分散式重建去讀取相同的資料，然後寫入快取中。

方案：分散式鎖：如果你有多個機器在訪問同一個共享資源，那麼這個時候，如果你需要加個鎖，讓多個分散式的機器在訪問共享資源的時候序列起來。分散式鎖當然有很多種不同的實現方案，redis分散式鎖，zookeeper分散式鎖。

zookeeper分散式鎖的解決併發衝突的方案

• （1）變更快取重建以及空快取請求重建，更新redis之前，都需要先獲取對應商品id的分散式鎖

• （2）拿到分散式鎖之後，需要根據時間版本去比較一下，如果自己的版本新於redis中的版本，那麼就更新，否則就不更新

• （3）如果拿不到分散式鎖，那麼就等待，不斷輪詢等待，直到自己獲取到分散式的鎖

7）快取冷啟動的問題的解決方案

問題：新系統第一次上線，此時在快取裡可能是沒有資料的。或者redis快取全盤崩潰了，資料也丟了。導致所有請求打到了mysql。導致mysql直接掛掉。

方案：快取預熱。

• 提前給redis中灌入部分資料，再提供服務

• 肯定不可能將所有資料都寫入redis，因為資料量太大了，第一耗費的時間太長了，第二根本redis容納不下所有的資料，需要根據當天的具體訪問情況，實時統計出訪問頻率較高的熱資料，然後將訪問頻率較高的熱資料寫入redis中，肯定是熱資料也比較多，我們也得多個服務並行讀取資料去寫，並行的分散式的快取預熱。

8）恐怖的快取雪崩問題的解決方案

問題：快取服務大量的資源全部耗費在訪問redis和源服務無果，最後自己被拖死，無法提供服務。

方案：相對來說，考慮的比較完善的一套方案，分為事前，事中，事後三個層次去思考怎麼來應對快取雪崩的場景。

• 事前：高可用架構。主從架構，操作主節點，讀寫，資料同步到從節點，一旦主節點掛掉，從節點跟上。

• 事中：多級快取。redis cluster已經徹底崩潰了，快取服務例項的ehcache的快取還能起到作用。

• 事後：redis資料可以恢復，做了備份，redis資料備份和恢復，redis重新啟動起來。

9）快取穿透問題的解決方案

問題：快取中沒有這樣的資料，資料庫中也沒有這樣的資料。由於快取是不命中時被動寫的，並且出於容錯考慮，如果從儲存層查不到資料則不寫入快取，這將導致這個不存在的資料每次請求都要到儲存層去查詢，失去了快取的意義。在流量大時，可能DB就掛掉了，要是有人利用不存在的key頻繁攻擊我們的應用，這就是漏洞。

方案：有很多種方法可以有效地解決快取穿透問題，最常見的則是採用布隆過濾器，將所有可能存在的資料雜湊到一個足夠大的bitmap中，一個一定不存在的資料會被 這個bitmap攔截掉，從而避免了對底層儲存系統的查詢壓力。另外也有一個更為簡單粗暴的方法（我們採用的就是這種），如果一個查詢返回的資料為空（不管是數 據不存在，還是系統故障），我們仍然把這個空結果進行快取，但它的過期時間會很短，最長不超過五分鐘。