前言:
针对缓存我们并不陌生,而今天所讲的是使用redis作为缓存工具进行缓存数据。redis缓存是将数据保存在内存中的,而内存的珍贵性是不可否认的。所以在缓存之前,我们需要明确缓存的对象,是否有必要缓存,怎么做好缓存,怎样避免缓存失效。
处理Redis常见问题与提高Redis缓存性能
一、Redis作为缓存常见问题及其处理方案
1)缓存穿透
根源:请求不断的查询一个不存在的key,缓存层和存储层都不会命中。
解决方案:
- 对接口参数进行校验、防止出现恶意攻击;
- 查询不到值时,将value设置成一个标记为加入缓存中,下次再查询就返回一个标记数而不必经过数据库,例如查询id为5的商品,不存在则返回一个-9999,然后在做逻辑判断,但是需要设置一个较短的缓存有效时间,防止以后key对应的value有数据的时候仍然返回空造成错误。
- 使用bitmap类型定义一个可以访问的白名单,id作为偏移量。
- 采用布隆过滤器
2)缓存击穿
根源:缓存击穿是指对于一些设置了过期时间的key,这些key可能在某些时间被超高并发访问,是一种’热点‘数据,然后在这个数据被访问前正好key失效了,那么对这个key的查询会全部转到数据库上,造成数据库压力增大导致卡顿崩溃的现象。
解决方案:
- 设置热点数据永不过期;
- 加锁,大量并发只让一个人去查,其他人等待,直到以后释放锁,其他人读取到锁先查缓存。
3)缓存雪崩
根源:大量的热数据key同时过期,过期之后涌入大量请求,导致请求直接访问数据库,骤增数据库压力。
解决方案:
- 设置热点数据永不过期;
- 将缓存过期时间设置成某一段时间内的随机数,这样就不会同时过期;
- 分布式处理缓存,将缓存存在不同的地方
- 依赖隔离组件为后端限流熔断并降级。比如使用Sentinel或Hystrix限流降级组件
4)缓存与数据不一致问题
1、双写不一致情况(修改数据更新缓存)
线程1先写入了数据库,这时候准备更新缓存,但是因为某原因导致出现延迟,此时线程二快速将新数据写入数据库,并且成功更新了缓存,完事之后线程1恢复了速度开始更新缓存,就导致了线程2是最后写入数据的,但是缓存的内容还是旧值,从而达到双写不一致的错误场景
2、读写并发不一致(修改数据删除缓存)
线程一先写入数据10,并删除了缓存,之后线程三读取数据,发现缓存为空,于是去查询数据库,而此时查询数据库的时间较长,与此同时线程二写入数据6,又删除了缓存,在这之后线程三也读成功更新了缓存,造成了数据库的结果是6而缓存的结果是10这种错误情况
解决方案:
1、对于并发几率很小的数据(如个人维度的订单数据、用户数据等),这种几乎不用考虑这个问题,很少会发生缓存不一致,可以给缓存数据加上过期时间,每隔一段时间触发读的主动更新即可。
2、就算并发很高,如果业务上能容忍短时间的缓存数据不一致(如商品名称,商品分类菜单等),缓存加上过期时间依然可以解决大部分业务对于缓存的要求。
3、如果不能容忍缓存数据不一致,可以通过加分布式读写锁保证并发读写或写写的时候按顺序排好队,读读的时候相当于无锁。
4、也可以用阿里开源的canal通过监听数据库的binlog日志及时的去修改缓存,但是引入了新的中间件,增加了系统的复杂度。
二、针对不同热度的数据采用不同的处理方式
1)热点数据
处理方案:
1、缓存永不过期
2、缓存读延期功能
当命中缓存的时候,设置key的过期时间为默认时间,相当于时间设满,设置过期时间所需要的时间是非常非常少的,对性能的影响也是微乎其微。对于热数据的获取可以实现无线续期的效果
2)冷门数据
处理方案:
针对冷门数据最好不进行缓存,避免内存浪费以及无意义的缓存在过期
基础缓存代码分析
源码与图示
很基础的Redis工具类
@Componentpublic class RedisUtil {@Autowiredprivate RedisTemplate redisTemplate;public void set(String key, Object value) {redisTemplate.opsForValue().set(key, value);}public void set(String key, Object value, long timeout, TimeUnit unit) {redisTemplate.opsForValue().set(key, value, timeout, unit);}public boolean setIfAbsent(String key, Object value, long timeout, TimeUnit unit) {return redisTemplate.opsForValue().setIfAbsent(key, value, timeout, unit);}public T get(String key, Class代码: @Servicepublic class ProductService {@Autowiredprivate ProductDao productDao;@Autowiredprivate RedisUtil redisUtil;@Autowiredprivate Redisson redisson;public static final Integer PRODUCT_CACHE_TIMEOUT = 60 * 60 * 24;public static final String EMPTY_CACHE = "{}";public static final String LOCK_PRODUCT_HOT_CACHE_PREFIX = "lock:product:hot_cache:";public static final String LOCK_PRODUCT_UPDATE_PREFIX = "lock:product:update:";//新增数据@Transactionalpublic Product create(Product product) {Product productResult = productDao.create(product);redisUtil.set(RedisKeyPrefixConst.PRODUCT_CACHE + productResult.getId(), JSON.toJSONString(productResult),genProductCacheTimeout(), TimeUnit.SECONDS);return productResult;}//修改数据@Transactionalpublic Product update(Product product) {Product productResult = null;RReadWriteLock readWriteLock = redisson.getReadWriteLock(LOCK_PRODUCT_UPDATE_PREFIX + product.getId());RLock writeLock = readWriteLock.writeLock();writeLock.lock();try {productResult = productDao.update(product);redisUtil.set(RedisKeyPrefixConst.PRODUCT_CACHE + productResult.getId(), JSON.toJSONString(productResult),genProductCacheTimeout(), TimeUnit.SECONDS);} finally {writeLock.unlock();}return productResult;}//读数据方法public Product get(Long productId) throws InterruptedException {Product product = null;String productCacheKey = RedisKeyPrefixConst.PRODUCT_CACHE + productId;//读取缓存中的数据,具体方法实现看源码 getProductFromCacheproduct = getProductFromCache(productCacheKey);if (product != null) {//此处需要和前端进行约定,如果对象的ID为空,则需要提示商品不存在return product;}//DCL 如果存在很高的并发量,导致竞争锁耗时过程可以采用定时阻塞的型式//需要精确预估执行完后面代码所需要的时候,然后将该值设置为过期时间,时间一过线程就可以继续执行RLock hotCacheLock = redisson.getLock(LOCK_PRODUCT_HOT_CACHE_PREFIX + productId);hotCacheLock.lock();try {//再次尝试从缓存中获取数据,避免其他线程已经读取过db而这边线程又重复读取product = getProductFromCache(productCacheKey);if (product != null) {return product;}//从数据库中读取数据product = productDao.get(productId);//读取到的数据不为空,则将数据存入redis中。if (product != null) {redisUtil.set(productCacheKey, JSON.toJSONString(product),genProductCacheTimeout(), TimeUnit.SECONDS);} else {//当数据为空,则存入一个特俗字符,代表空数据,避免缓存穿透//针对特俗key使用较短的过期时间,可以避免短时间黑客反复攻击,看能避免长时间造成的内存浪费redisUtil.set(productCacheKey, EMPTY_CACHE, genEmptyCacheTimeout(), TimeUnit.SECONDS);}} finally {hotCacheLock.unlock();}return product;}//从缓存中读取数据private Product getProductFromCache(String productCacheKey) {Product product = null;String productStr = redisUtil.get(productCacheKey);if (!StringUtils.isEmpty(productStr)) {if (EMPTY_CACHE.equals(productStr)) {//未查询到数据,需要设置一个空对象返回,并设置较短的过期时间redisUtil.expire(productCacheKey, genEmptyCacheTimeout(), TimeUnit.SECONDS);return new Product();}//如果真是查询到数据,设置读延期product = JSON.parseObject(productStr, Product.class);redisUtil.expire(productCacheKey, genProductCacheTimeout(), TimeUnit.SECONDS); //读延期}return product;}//设置较长的过期时间private Integer genProductCacheTimeout() {return PRODUCT_CACHE_TIMEOUT + new Random().nextInt(5) * 60 * 60;}//设置较短的过期时间private Integer genEmptyCacheTimeout() {return 60 + new Random().nextInt(30);}}
良好的Redis使用习惯
一、键值设计
1)key名设计
- (1)【建议】: 可读性和可管理性
以业务名(或数据库名)为前缀(防止key冲突),用冒号分隔,比如业务名:表名:id
trade:order:1
- (2)【建议】:简洁性
保证语义的前提下,控制key的长度,当key较多时,内存占用也不容忽视,例如:
user:{uid}:friends:messages:{mid} 简化为 u:{uid}:fr:m:{mid}
- (3)【强制】:不要包含特殊字符
反例:包含空格、换行、单双引号以及其他转义字符
2)value设计
(1)【强制】:拒绝bigkey(防止网卡流量、慢查询)
在Redis中,一个字符串最大512MB,一个二级数据结构(例如hash、list、set、zset)可以存储大约40亿个(2^32-1)个元素,但实际中如果下面两种情况,我就会认为它是bigkey。
- 字符串类型:它的big体现在单个value值很大,一般认为超过10KB就是bigkey。
- 非字符串类型:哈希、列表、集合、有序集合,它们的big体现在元素个数太多。
一般来说,string类型控制在10KB以内,hash、list、set、zset元素个数不要超过5000。
反例:一个包含200万个元素的list。
非字符串的bigkey,不要使用del删除,使用hscan、sscan、zscan方式渐进式删除,同时要注意防止bigkey过期时间自动删除问题(例如一个200万的zset设置1小时过期,会触发del操作,造成阻塞)
bigkey的危害:
1.导致redis阻塞
2.网络拥塞
bigkey也就意味着每次获取要产生的网络流量较大,假[[设一个bigkey为1MB,客户端每秒访问量为1000,那么每秒产生1000MB的流量,对于普通的千兆网卡(按照字节算是128MB/s)的服务器来说简直是灭顶之灾,而且一般服务器会采用单机多实例的方式来部署,也就是说一个bigkey可能会对其他实例也造成影响,其后果不堪设想。
3.过期删除
有个bigkey,它安分守己(只执行简单的命令,例如hget、lpop、zscore等),但它设置了过期时间,当它过期后,会被删除,如果没有使用Redis 4.0的过期异步删除(lazyfree-lazy-expire yes),就会存在阻塞Redis的可能性。
bigkey的产生:
一般来说,bigkey的产生都是由于程序设计不当,或者对于数据规模预料不清楚造成的,来看几个例子:
(1) 社交类:粉丝列表,如果某些明星或者大v不精心设计下,必是bigkey。
(2) 统计类:例如按天存储某项功能或者网站的用户集合,除非没几个人用,否则必是bigkey。
(3) 缓存类:将数据从数据库load出来序列化放到Redis里,这个方式非常常用,但有两个地方需要注意,第一,是不是有必要把所有字段都缓存;第二,有没有相关关联的数据,有的同学为了图方便把相关数据都存一个key下,产生bigkey。
优化bigkey
1. 拆
- big list: list1、list2、...listN
- big hash:可以讲数据分段存储,比如一个大的key,假设存了1百万的用户数据,可以拆分成200个key,每个key下面存放5000个用户数据
- 如果bigkey不可避免,也要思考一下要不要每次把所有元素都取出来(例如有时候仅仅需要hmget,而不是hgetall),删除也是一样,尽量使用优雅的方式来处理。
(2)【推荐】:选择适合的数据类型。
例如:实体类型(要合理控制和使用数据结构,但也要注意节省内存和性能之间的平衡)
反例:
set user:1:name tom set user:1:age 19 set user:1:favor football
正例:
hmset user:1 name tom age 19 favor football
(3)【推荐】:控制key的生命周期,redis不是垃圾桶。
建议使用expire设置过期时间(条件允许可以打散过期时间,防止集中过期)。
二、命令使用
1.O(N)命令关注N的数量
例如hgetall、lrange、smembers、zrange、sinter等并非不能使用,但是需要明确N的值。有遍历的需求可以使用hscan、sscan、zscan代替。
2.:禁用命令
禁止线上使用keys、flushall、flushdb等,通过redis的rename机制禁掉命令,或者使用scan的方式渐进式处理。
3.合理使用select
redis的多数据库较弱,使用数字进行区分,很多客户端支持较差,同时多业务用多数据库实际还是单线程处理,会有干扰。
4.使用批量操作提高效率
原生命令:例如mget、mset。 非原生命令:可以使用pipeline提高效率。
但要注意控制一次批量操作的元素个数(例如500以内,实际也和元素字节数有关)。
注意两者不同:
1. 原生命令是原子操作,pipeline是非原子操作。 2. pipeline可以打包不同的命令,原生命令做不到 3. pipeline需要客户端和服务端同时支持。
5.Redis事务功能较弱,不建议过多使用,可以用lua替代
三、客户端处理
1.避免多个应用使用一个Redis实例
正例:不相干的业务拆分,公共数据做服务化。
2.使用带有连接池的数据库,可以有效控制连接,同时提高效率,标准使用方式:
1 JedisPoolConfig jedisPoolConfig = new JedisPoolConfig();2 jedisPoolConfig.setMaxTotal(5);3 jedisPoolConfig.setMaxIdle(2);4 jedisPoolConfig.setTestOnBorrow(true);56 JedisPool jedisPool = new JedisPool(jedisPoolConfig, "192.168.0.60", 6379, 3000, null);78 Jedis jedis = null;9 try {10 jedis = jedisPool.getResource();11 //具体的命令12 jedis.executeCommand()13 } catch (Exception e) {14 logger.error("op key {} error: " + e.getMessage(), key, e);15 } finally {16 //注意这里不是关闭连接,在JedisPool模式下,Jedis会被归还给资源池。17 if (jedis != null)18 jedis.close();19 }
连接池参数含义:
序号
参数名
含义
默认值
使用建议
1
maxTotal
资源池中最大连接数
8
设置建议见下面
2
maxIdle
资源池允许最大空闲的连接数
8
设置建议见下面
3
minIdle
资源池确保最少空闲的连接数
0
设置建议见下面
4
blockWhenExhausted
当资源池用尽后,调用者是否要等待。只有当为true时,下面的maxWaitMillis才会生效
true
建议使用默认值
5
maxWaitMillis
当资源池连接用尽后,调用者的最大等待时间(单位为毫秒)
-1:表示永不超时
不建议使用默认值
6
testOnBorrow
向资源池借用连接时是否做连接有效性检测(ping),无效连接会被移除
false
业务量很大时候建议设置为false(多一次ping的开销)。
7
testOnReturn
向资源池归还连接时是否做连接有效性检测(ping),无效连接会被移除
false
业务量很大时候建议设置为false(多一次ping的开销)。
8
jmxEnabled
是否开启jmx监控,可用于监控
true
建议开启,但应用本身也要开启
优化建议:
1)maxTotal:最大连接数,早期的版本叫maxActive
实际上这个是一个很难回答的问题,考虑的因素比较多:
- 业务希望Redis并发量
- 客户端执行命令时间
- Redis资源:例如 nodes(例如应用个数) * maxTotal 是不能超过redis的最大连接数maxclients。
- 资源开销:例如虽然希望控制空闲连接(连接池此刻可马上使用的连接),但是不希望因为连接池的频繁释放创建连接造成不必靠开销。
以一个例子说明,假设:
- 一次命令时间(borrow|return resource + Jedis执行命令(含网络) )的平均耗时约为1ms,一个连接的QPS大约是1000
- 业务期望的QPS是50000
那么理论上需要的资源池大小是50000 / 1000 = 50个。但事实上这是个理论值,还要考虑到要比理论值预留一些资源,通常来讲maxTotal可以比理论值大一些。
但这个值不是越大越好,一方面连接太多占用客户端和服务端资源,另一方面对于Redis这种高QPS的服务器,一个大命令的阻塞即使设置再大资源池仍然会无济于事。
2)maxIdle和minIdle
maxIdle实际上才是业务需要的最大连接数,maxTotal是为了给出余量,所以maxIdle不要设置过小,否则会有new Jedis(新连接)开销。
连接池的最佳性能是maxTotal = maxIdle,这样就避免连接池伸缩带来的性能干扰。但是如果并发量不大或者maxTotal设置过高,会导致不必要的连接资源浪费。一般推荐maxIdle可以设置为按上面的业务期望QPS计算出来的理论连接数,maxTotal可以再放大一倍。
minIdle(最小空闲连接数),与其说是最小空闲连接数,不如说是"至少需要保持的空闲连接数",在使用连接的过程中,如果连接数超过了minIdle,那么继续建立连接,如果超过了maxIdle,当超过的连接执行完业务后会慢慢被移出连接池释放掉。
如果系统启动完马上就会有很多的请求过来,那么可以给redis连接池做预热,比如快速的创建一些redis连接,执行简单命令,类似ping(),快速的将连接池里的空闲连接提升到minIdle的数量。
连接池预热示例代码:
List minIdleJedisList = new ArrayList(jedisPoolConfig.getMinIdle());23 for (int i = 0; i < jedisPoolConfig.getMinIdle(); i++) {4 Jedis jedis = null;5 try {6 jedis = pool.getResource();7 minIdleJedisList.add(jedis);8 jedis.ping();9 } catch (Exception e) {10 logger.error(e.getMessage(), e);11 } finally {12 //注意,这里不能马上close将连接还回连接池,否则最后连接池里只会建立1个连接。。13 //jedis.close();14 }15 }16 //统一将预热的连接还回连接池17 for (int i = 0; i < jedisPoolConfig.getMinIdle(); i++) {18 Jedis jedis = null;19 try {20 jedis = minIdleJedisList.get(i);21 //将连接归还回连接池22 jedis.close();23 } catch (Exception e) {24 logger.error(e.getMessage(), e);25 } finally {26 }27 }
总之,要根据实际系统的QPS和调用redis客户端的规模整体评估每个节点所使用的连接池大小。
3.高并发下建议客户端添加熔断功能(例如sentinel、hystrix)
4.设置合理的密码,如有必要可以使用SSL加密访问
5.Redis对于过期键有三种清除策略:
- 被动删除:当读/写一个已经过期的key时,会触发惰性删除策略,直接删除掉这个过期key
- 主动删除:由于惰性删除策略无法保证冷数据被及时删掉,所以Redis会定期(默认每100ms)主动淘汰一批已过期的key,这里的一批只是部分过期key,所以可能会出现部分key已经过期但还没有被清理掉的情况,导致内存并没有被释放
- 当前已用内存超过maxmemory限定时,触发主动清理策略
主动清理策略在Redis 4.0 之前一共实现了 6 种内存淘汰策略,在 4.0 之后,又增加了 2 种策略,总共8种:
a) 针对设置了过期时间的key做处理:
- volatile-ttl:在筛选时,会针对设置了过期时间的键值对,根据过期时间的先后进行删除,越早过期的越先被删除。
- volatile-random:就像它的名称一样,在设置了过期时间的键值对中,进行随机删除。
- volatile-lru:会使用 LRU 算法筛选设置了过期时间的键值对删除。
- volatile-lfu:会使用 LFU 算法筛选设置了过期时间的键值对删除。
b) 针对所有的key做处理:
- allkeys-random:从所有键值对中随机选择并删除数据。
- allkeys-lru:使用 LRU 算法在所有数据中进行筛选删除。
- allkeys-lfu:使用 LFU 算法在所有数据中进行筛选删除。
c) 不处理:
- noeviction:不会剔除任何数据,拒绝所有写入操作并返回客户端错误信息"(error) OOM command not allowed when used memory",此时Redis只响应读操作。
LRU 算法(LeastRecentlyUsed,最近最少使用)
淘汰很久没被访问过的数据,以最近一次访问时间作为参考。
LFU 算法(LeastFrequentlyUsed,最不经常使用)
淘汰最近一段时间被访问次数最少的数据,以次数作为参考。
当存在热点数据时,LRU的效率很好,但偶发性的、周期性的批量操作会导致LRU命中率急剧下降,缓存污染情况比较严重。这时使用LFU可能更好点。
根据自身业务类型,配置好maxmemory-policy(默认是noeviction),推荐使用volatile-lru。如果不设置最大内存,当 Redis 内存超出物理内存限制时,内存的数据会开始和磁盘产生频繁的交换 (swap),会让 Redis 的性能急剧下降。
当Redis运行在主从模式时,只有主结点才会执行过期删除策略,然后把删除操作”del key”同步到从结点删除数据。