缓存穿透/击穿/雪崩

缓存穿透-击穿-雪崩

缓存穿透：

查询key在缓存和数据库中均不存在数据，就会去请求数据库查询，但是数据库也可能不存在，因此就会每次去请求数据库，导致对数据库服务器造成压力，甚至压垮服务，造成整个服务的宕机。

通常此类数据的出现量是一个较低的值，如果大规模出现，则可能是有人恶意攻击。

解决方法：

1）缓存空值
缓存一些经常被访问的key为空值null，这样在访问缓存时就被拦截过滤到，避免去访问数据库，为了避免存储过多空对象，因此需要设置key的过期时间。
2）布隆过滤器（BloomFilter）

BloomFilter是一种数据结构，是由一串很长的二进制向量组成，可以将其看成一个二进制数组，存放是0或1，初始默认值为0。

布隆过滤器，不存在的一定不存在，存在的不一定存在（不确定性来自于哈希冲突）。

优点：优点很明显，二进制组成的数组，占用内存极少，并且插入和查询速度都足够快。

缺点：随着数据的增加，误判率会增加；还有无法判断数据一定存在；另外还有一个重要缺点，无法删除数据（因为删除操作会影响到其他元素的判断）。

redis-key与BloomFilter的结合：

将redis中数据的key都放到BloomFilter中，每次查询的时候都先去BloomFilter判断，没有就直接返回null，有就访问Redis和数据库。由于BloomFilter没有删除操作，若redis中有些key被删除，但BloomFilter仍然判断存在，查询仍旧会经过缓存和数据库，所以对于那些已被删除的key，可以在缓存中缓存null。

使用场景：

1.过滤用户已经看过的内容

2.过滤爬虫已经爬过的网页。每爬取一个网页先判断是否在布隆过滤器里，如果不在，肯定没有爬取过，爬取网页后把网址放入布隆过滤器；如果在就不爬取了，很小概率误伤

3.过滤黑名单邮件，垃圾邮箱过滤；

4.防恶意流量击穿缓存，把所有的注册用户放在布隆过滤器里，来一个用户先检测是否是我的用户。 如果布隆过滤器返回不在，则判断为恶意攻击；如果判断在，很小的可能性是恶意攻击

5.推荐系统：针对不希望重复推荐的场景，如文章推荐、广告推荐的非重复性推荐场景；

6.秒杀系统：某些商品，一个ID只允许购买一次；

布鲁姆过滤器是一种特殊的哈希表，存放在内存中。

BloomFilter元素清除：

• Counting Bloom Filter的出现解决了这个问题，它将标准Bloom Filter位数组的每一位扩展为一个小的计数器(Counter)，在插入元素时给对应的k(k为哈希函数个数)个Counter的值分别加1，删除元素时给对应的k个Counter的值分别减1，Counting Bloom Filter通过多占用几倍的存储空间的代价，给Bloom Filter增加了删除操作

缓存击穿：

redis中某个key过期了，但该key访问量巨大，多个数据请求从服务器来请求redis数据均未命中，于是redis在短时间内发起大量对数据库中统一数据的访问。

解决方法：

1）预先设定：预先设定可能要被大量访问值的key为永久key；
2）现场调整：监控访问量，对自然流量激增的数据延迟过期时间或设置为永久key；
3）后台刷新数据：启动定时任务，高峰期来临之前，刷新数据有效期，确保不丢失；
4）二级缓存：设置不同的失效时间，保障不会被同时淘汰就行；
5）加锁：分布式锁，防止被击穿，但是要注意也会是性能瓶颈。

缓存雪崩

缓存雪崩指的是短时间内，缓存中有大量的key集中过期，此周期内请求访问都向数据库获取数据，数据库同时收到大量的请求无法及时处理，造成redis大量请求被积压，开始出现了超时现象，数据库同时压力剧增，面临崩溃。

解决方法：

1）更多的页面静态化处理；
2）构建多级缓存架构：nginx缓存+redis缓存+ehcache缓存；
3）检测mysql严重耗时业务进行优化：对数据库的瓶颈排查（例如超时查询、耗时较高事务等）；
4）灾难预警机制：监控redis服务器性能指标、CPU占用、CPU使用率、内存容量、查询平均响应时间、线程数；
5）限流与降级：短时间范围内牺牲一些客户体验，限制一部分请求访问，降低应用服务器压力，待业务低速运转后再逐步放开访问

6）熔断：

• Redis熔断机制是一种在系统出现异常时，自动采取措施防止系统继续运行的机制。 当系统出现异常时，Redis会自动将客户端连接请求中断，从而避免异常继续扩散，保障系统的稳定运行。 Redis熔断机制主要通过设置超时时间和连接数来实现。 当客户端连接数超过设定的最大连接数时，Redis会自动将客户端连接请求中断。