高并发缓存架构实战和优化

参考资料：

图灵课堂-https://vip.tulingxueyuan.cn

中小公司Redis缓存架构以及线上问题分析

直接写入数据库，然后更新redis；

正常低并发情况下，这种情况是暂时不会出现问题的，因为并发量并不高，不会出现各种各样的并发问题。

大厂线上大规模商品缓存数据冷热分离实战

使用缓存，主要是为了令常用的数据放到缓存中，不常用的数据最少放到缓存中，尽量提升缓存的空间利用率。

所以，就对缓存数据加上一个过期时间，这样可以让冷数据过期了节省缓存空间；同时针对查询到的数据再进行过期时间续期，让常用数据长时间停留在缓存中。

实战解决大规模缓存击穿导致线上数据库压力暴增

缓存击穿：缓存中没有，但是数据库有；就是大量请求到redis，查询不到数据，要落库查询，这样可能会导致大量的请求访问数据库，令数据库压力增长，可能会让数据库崩溃。此时可以针对缓存设置过期时间的时候，设置随机过期时间，保证少量的请求去访问数据库。

缓存穿透：缓存中没有，数据库中也没有。就是数据不存在，或者是从数据库直接物理删除，会导致查询缓存没有，数据库也没有；或者是黑客使用不存在的数据进行攻击。这样会令数据库压力暴增，可能会导致数据库崩溃。后端也可以限流，也可以设置一个IP黑名单。

或者缓存一个空的字符串，或者一个常量json串，尽量不要返回null。同时设置一个过期时间。但是这样并不会彻底避免这样的情况，同时也会让redis和数据库的请求压力增加；所以针对这样的情况可以使用布隆过滤器。

黑客攻击导致缓存穿透线上数据库宕机BUG

ddos攻击，可以进行限流操作；但是更好的方案是再加上一个布隆过滤器。

一行代码解决线上缓存穿透问题

返回一个空值，前端进行配合。

一次大V直播带货导致线上商品系统崩溃原因分析

冷门商品突然有大量的流量访问，此时针对这个key来说，压力很高；此时直接访问数据库，此时还有别的请求去访问数据库，可能会导致数据库的崩溃。

这些小概率事件是必须要规避的。冷门数据突然变成热点数据。

突发性热点缓存重建导致系统压力暴增问题分析

加锁。使用单例模式。双重检索机制。先查询缓存，没有；加锁，然后再查询缓存，如果没有就一个请求去查询数据库，后续请求都阻塞；当其执行完毕之后，后续再来线程再试一下就有数据返回了，不用继续执行后续操作。

但是这个还是有点问题，这个就在单节点中有用，如果每个服务器节点都自己构建，那么这样也不行，还有就是锁对象的问题，不能使用类锁等；

所以可以使用分布式锁解决这个问题。此时就重新构建一次。

基于DCL机制解决热点缓存并发重建问题实战

注意：锁的命名尽量要见名知意，不能随便进行简写，除非是项目或者公司有默认的简写值才行。

代码是编写完成功能之后，再去考虑进行优化。

使用DCL，先查缓存，如果没有；就加锁，加锁之后，再查缓存一次，如果没有再去查数据库。

Redis分布式锁解决缓存与数据库双写不一致问题实战

更新数据库和缓存不是原子性的，导致数据库和缓存的数据不一致。可能多个线程并发执行，一个线程执行时间太长，导致数据不一致。

如果是先写数据库，然后删除缓存，正常情况下是没有问题；但是如果中间卡顿了一下，就可能导致数据不一致。可以进一步优化使用延时双删，但是这个还不行，因为这个时间并不确定。

当然正常情况下是必须要考虑异常情况的。

所以可以使用分布式锁来实现这个功能。这是另外一个锁，锁名称要见名知意。

要解决这样的小概率情况必须要使用这样的代码，这样会导致代码量增大，会令代码变得复杂。这样会导致查询路径变得很深，但是这只是第一次会这样；工作中百分之九十以上得场景查询得都是热数据，所以后续的请求很早就返回数据了。使用大量的代码是解决小概率事件的。然后绝大部分请求不会一直走全部的代码。

优化方案：

很多情况下都是读多写少的情况。这样的情况可以使用读写锁。读读共享，并发量升高；读写，写写是互斥要加锁的。只有写的时候才会有不一致的情况发生。

读写锁在redisson中也是通过lua脚本来实现的，加锁的时候有一个标记，mode标识，是读还是写。读的时候类似重入锁，可以并发读。解锁的时候就是重入次数减一，直到减到0.

写的时候是互斥的。锁一定要是同一个。

加锁时先判断是读锁还是写锁，读读共享；读写就阻塞等待等。如果先是写锁，后续所有的线程都要进行等待。

如果是有读还有写，那么使用这个读写锁就不太合适了。具体场景具体分析。针对数据库和缓存来说，可以加读写锁。多个线程并发执行才有并发安全的问题。

大促压力暴增导致分布式锁串行争用问题优化实战

还有就是多次高并发查询，如果是有上万的请求来，请求的步骤都一样，查询缓存么有值；然后就是加锁，然后再查缓存，有了值就返回，并且解锁。这样加锁和解锁也是比较耗时的。所以还是可以优化的，如果可以确认代码可以再1秒中执行完毕，或者是百分之九十九点九，就可以使用tryLock，这个加上一个过期时间，如果时间到了，就直接不等待了，直接去访问缓存。但是如果1秒无法执行完成，那么就出现bug。

这个就是权衡。这就是架构思维。

一次微博明星热点事件导致系统崩溃原因分析

缓存雪崩，刚开始缓存少量失效，但是如果请求量越来越大，那么会导致错误放大，最终可能会导致系统崩溃；请求是越来越多，会导致连接没空余的，别的功能访问就受阻，可能最后导致崩溃。

此时可以进行限流，前端进行了限流，后端也进行限流。

利用多级缓存架构解决Redis线上集群缓存雪崩问题

此时可以使用多级缓存，加上一个JVM级别的缓存。

但是这个也是有问题的，热点数据是变化的，这个要考虑；还有就是如果不同的节点数据更新，可能会导致不同节点JVM缓存数据不一致，这个也是要避免的。

使用zk，或者MQ也是可以的，当一个节点的数据发生变化，发出消息，令别的节点订阅，进行修改；此时会有短时不一致的情况，此时就不要去考虑绝对一致性了，这样就太复杂了，有些过度设计了。只要不是长时间不一致就是可以接受的。zk也不能绝对一致。

正常来说是不会这么做的，因为增删改查是很频繁的，如果这样就会导致消息太多；不便维护；

可以再进行拆分，抽取出来一个热点缓存，监听所有的请求，进行计算，判断哪些是热点缓存，保证热点缓存的值保存在缓存中。可以使用实时计算。