为什么要进行缓存设计？
缓存设计能够有效地加速应用读写速度，降低后端负载，对日常应用开发至关重要。但是将缓存加入应用架构后也会带来一些问题，所以针对不同的问题或场景，需要进行相应的缓存设计

1 缓存的收益与成本分析

如图所示，左边是客户端直接调用存储层的架构，右边是典型的缓存层+存储层架构

1.1 收益

• 加速读写：因为缓存通常都是全内存的，而存储层通常读写性能不够强悍（因为需要磁盘IO操作），通过缓存可以有效地加速度下，优化用户体验。
• 降低后端负载：对于一些很复杂的SQL语句，如果在缓存层就命中了结果，可以有效减少后端访问量和复杂计算，在很大程度上降低了后端负载。

1.2 成本

• 数据不一致性：缓存层和存储层的数据存在着一定时间窗口的不一致性，这个时间窗口的大小根更新策略有关。
• 代码维护成本：加入缓存后，要同时处理缓存层和存储层逻辑，增大了开发者维护代码的成本。
• 运维成本：项目上线后，mysql，redis都需要进行运维。

2 缓存更新策略的选择和使用场景

为什么我们在用Redis进行缓存是通常会加上键的生命周期？
给缓存中的数据通加上生命周期，需要在指定的时间后被删除或更新，这样可以保证缓存空间在一个可控范围内。

既然缓存有生命周期，那为什么要更新缓存？
因为前面成本分析中介绍到，缓存中的数据和存储层中的数据有一段时间窗口的不一致，需要利用某些策略进行更新。

2.1 LRU/LFU/FIFO算法剔除

• 使用场景：剔除算法通常用于缓存使用量超过了预设最大值时候，如何对现有数据进行提出。例如Redis使用maxmemory-policy这个配置作为内存最大值后对数据的提出策略。
• 一致性：要清理哪些数据是由具体算法决定，开发人员只能决定使用哪些算法，所以一致性是最差的
• 维护成本：算法不需要开发人员自己来实现，通常只需要配置最大maxmemory和对应的策略即可。开发人员只需要知道每种算法的含义，选择自己合适的算法即可。

redis maxmemory-policy有哪些?
1、noeviction：当内存不足以容纳新写入数据时，新写入操作会报错。这是默认策略。
2、allkeys-lru：尝试回收最少使用的键（LRU），使得新添加的数据有空间存放。
3、volatile-lru：在设置了过期时间的键空间中，尝试回收最少使用的键（LRU），使得新添加的数据有空间存放。
4、allkeys-random：回收随机的键，使得新添加的数据有空间存放。
5、volatile-random：在设置了过期时间的键空间中，回收随机的键，使得新添加的数据有空间存放。
6、volatile-ttl：在设置了过期时间的键空间中，有更早过期时间的键将优先被回收。

2.2 超时剔除

• 使用场景：超时剔除通过给缓存设置过期时间，让其在过期时间后自动删除。例如Redis提供的expire命令。如果业务可以容忍一段时间以内，缓存层和存储层的数据不一致，那么可以为其设置过期时间。在数据过期后，再从真实数据源获取数据，重新放到缓存并设置过期时间。
• 一致性：一段时间窗口内（取决于过期时间的长短）存在一致性问题，即缓存数据和真实数据源不一致。
• 维护成本：维护成本不是很高，只需要设置expire过期时间即可。

2.3 主动更新

• 使用场景：应用方对数据一致性要求很高，需要在真实数据更新后，立即更新缓存数据。例如可以用过消息系统或其他方式通知缓存更新。
• 一致性：一致性最高，但如果主动更新发生了问题，那么这条数据可能长时间不会更新，所以将主动更新策略与超时剔除策略结合起来比较好。
• 维护成本：维护成本较高，开发者需要自己来完成更新，并保证更新操作的正确性。

2.4 缓存更新策略对比

策略	一致性	维护成本
LRU/LFU/FIFO算法剔除	最差	第
超时剔除	较差	较低
主动更新	强	高

2.5 最佳实践

• 低一致性业务：配置最大内存和淘汰策略方式使用。
• 高一致性业务：结合超时剔除和主动更新。

为什么对高一致性业务，建议结合超时剔除和主动更新？
因为主动更新代码是由开发人员编写的，如果发生问题，缓存可能长时间得不到更新，这是缓存层的数据和存储层的数据就长时间不一致，对于高一致性业务是无法容忍的，所以为了避免这个问题，将主动更新策略和超时剔除策略结合起来，如果主动更新发生问题，超时剔除还可以保证缓存数据过期后剔除脏数据。

3 缓存粒度控制方法

什么是缓存粒度？
缓存粒度是缓存系统中存储数据的最小单位。
假设现在有一个用户的信息需要缓存在Redis中
Key， user:id
Value，用户信息
假设用户表有100个列，需要缓存到什么程度呢？可以选择缓存全部列（缓存粒度较大）， 也可以选择缓存部分重要列（缓存粒度较小），这就是缓存粒度问题。

3.1 缓存全部数据

将所有列缓存到Redis中。

3.2 缓存部分数据

只缓存部分重要列。

3.3 缓存粒度控制方法对比

数据类型	通用性	占用空间 内存空间+网络带宽+CPU开销	代码维护
全部数据	高	大	简单
部分数据	低	小	较为复杂

4 缓存穿透问题优化

4.1 什么是缓存穿透？

缓存穿透是指查询一个根本不存在的数据，缓存层和存储层都不会命中，通常出于容错的考虑，如果从存储层查不到数据则不写入缓存层。

如图所示，整个缓存穿透的过程分为三步：

1. 缓存层不命中。
2. 存储层不命中，不将空结果写回缓存。
3. 返回空结果。

缓存穿透将导致对不存在的数据每次请求都要到存储层去查询，失去了缓存保护后端存储的意义。

缓存穿透问题可能会使后端存储负载加大，由于很多后端存储不具备高并发性，甚至可能造成后端存储宕掉。可以在程序中分别统计总调用数，缓存命中数、存储层命中数，如果发现大量存储层空命中，可能出现了缓存穿透问题。

造成缓存穿透的基本原因有两个：

1. 自身业务代码或数据出现问题。
2. 一些恶意攻击、爬虫等造成大量空命中。

4.2 缓存空对象

缓存空对象的解决办法如上图所示，在前面第二步，缓存层发现空命中时，将空对象写入缓存中，之后再访问这个不存在的数据就直接从缓存中获取，这样就保护了后端数据源。

缓存空对象解决办法简单、高效，但是存在两个问题：

1. 缓存中有了个更多的键，需要更多的内存空间。如果是攻击造成的缓存穿透，使用该方法会使得问题更严重。比较有效的方法是针对这类数据设置一个较短的过期时间，让其自动删除。
2. 缓存层和存储层会有一段时间窗口的不一致，可能会对业务造成一定的影响。例如设置过期时间为5分钟，在这5分钟内，存储层添加了这个不存在的数据，那么就会造成缓存层和存储层数据不一致的问题，此时可以利用消息系统或其他方式主动更新缓存层里面的空对象。

下面是缓存空对象这个方法的流程

4.3 布隆过滤器拦截

在用户访问缓存层和存储层之前，布隆过滤器会将存在的key提前保存起来，做第一层拦截。如果布隆过滤器认为此次请求的数据不存在，就不会访问存储层，在一定程度上保护了存储层。

4.4 两种方案对比

决缓存穿透	适用场景	维护成本
缓存空对象	●数据命中不高 ●数据频繁变化，实时性高	●代码维护简单 ●需要过多的缓存空间 ●数据不一致
布隆过滤器	●数据命中不高 ●数据相对固定，实时性低	●代码维护复杂 ●缓存空间占用少

5 无底洞问题优化

5.1 什么是无底洞问题？

当数据量和访问量增大时，一个Redis节点根本扛不住，所以需要分布式Redis，部署多个Redis节点来缓存数据。

使用分布式技术，部署多个Redis节点可以有效解决单节点Redis压力过大的问题，但是使用批量操作从多个分布式Redis节点获取值时，由于键值对的分配是按照哈希函数，而不是按照业务，所以某个业务的一次批量操作可能需要从多个节点去获取key，这会造成多次网络时间。

使用单节点Redis，批量操作时只需要一次网络操作。

无底洞问题分析：

1. 客户端一次批量操作会涉及多次网络时间，所以一次批量操作会随着节点的增多，耗时会不断增大。
2. 网络连接数变多，对节点性能也有一定影响

总结：更多的节点不代表更多的性能，所谓无底洞问题就是说投入越多不一定产出越多。但分布式又是不可避免的，因为访问量和数据量越来越大，一个节点根本扛不住。所以如何高效地在分布式缓存中批量操作是一个难点。

5.2 串行命令

由于n个key是比较均匀地分布在Redis集群的各个节点上，因此无法使用mget命令一次性获取，所以通常来讲，要获取n个key的值，最简单的方法就是逐次执行n个get命令，这种操作时间复杂度较高。

操作时间 = n次网络时间 + n次命令时间

串行命令执行的客户端代码实例如下：

public List<String> serialMGet(List<String> keys) {// 创建一个用于存储结果的列表List<String> values = new ArrayList<>();// 对于输入列表中的每个键，执行get操作，并将结果添加到结果列表中for (String key : keys) {String value = jedisCluster.get(key);values.add(value);}// 返回结果列表return values;
}

5.3 串行IO

前面介绍到，分布式部署多个Redis节点时，是将Key输入一个散列函数然后得到这个键值对该存放在哪个Redis节点，而不是根据业务。根据这个原理，我们可以在执行mget keys批量获取多个key时，先主动根据相同的散列函数将keys进行归档，然后同一个node的key放在一起用mget或Pipeline获取，只需要一次网络时间，如果有多个node，总的网路时间就是node的个数次网络时间。

操作时间 = node次网络时间 + n次命令时间

以下是客户端代码示例：

public Map<String, String> serialIOMget(List<String> keys) {// 创建一个用于存储结果的键值对映射Map<String, String> keyValueMap = new HashMap<>();// 创建一个映射，用于存储每个节点的键列表Map<JedisPool, List<String>> nodeKeyListMap = new HashMap<>();// 遍历所有的键for (String key : keys) {// 使用CRC16本地计算每个键的slotint slot = JedisClusterCRC16.getSlot(key);// 通过JedisCluster本地slot->node映射获取slot对应的nodeJedisPool jedisPool = jedisCluster.getConnectionHandler().getJedisPoolFromSlot(slot);// 将键归档到对应的节点if (nodeKeyListMap.containsKey(jedisPool)) {nodeKeyListMap.get(jedisPool).add(key);} else {List<String> list = new ArrayList<>();list.add(key);nodeKeyListMap.put(jedisPool, list);}}// 从每个节点上批量获取值for (Map.Entry<JedisPool, List<String>> entry : nodeKeyListMap.entrySet()) {JedisPool jedisPool = entry.getKey();List<String> nodeKeyList = entry.getValue();// 将键列表转换为数组String[] nodeKeyArray = nodeKeyList.toArray(new String[0]);// 批量获取值List<String> nodeValueList = jedisPool.getResource().mget(nodeKeyArray);// 将获取到的值归档到结果映射中for (int i = 0; i < nodeKeyList.size(); i++) {keyValueMap.put(nodeKeyList.get(i), nodeValueList.get(i));}}// 返回结果映射return keyValueMap;
}

5.4 并行IO

此方案是将串行IO方案的最后一步改为多线程执行，网络次数虽然还是节点个数，但是多线程并行执行，所以网络时间变成O(1)

操作时间 = max_slow（node网络时间） + n次命令时间

下面是客户端操作的示例：

public Map<String, String> serialIOMget(List<String> keys) {// 创建一个用于存储结果的键值对映射Map<String, String> keyValueMap = new ConcurrentHashMap<>();// 创建一个映射，用于存储每个节点的键列表Map<JedisPool, List<String>> nodeKeyListMap = new HashMap<>();// ... 和前面一样// 多线程mget，最终汇总结果。for (Map.Entry<JedisPool, List<String>> entry : nodeKeyListMap.entrySet()) {// 多线程实现}return keyValueMap;
}

5.5 hash_tag

Redis Cluster默认使用CRC16算法对key进行哈希，然后对16834取模，得出一个哈希槽，每个节点负责一部分哈希槽，这样就可以将数据分散到各个节点上。

但是这种方式业务无关的，也就是同一个业务的key可能会被分散到不同的Redis节点上，为了解决这个问题，可以使用Redis Cluster的{hash_tag}功能。

{hash_tag}的工作原理是，如果一个key中包含{…}，那么基于哈希槽的计算只将基于大括号内的字符串。例如，对于key user:{1001}:name和user:{1001}:age，因为1001是相同的，所以这两个key会被映射到同一个节点上。

使用hash_tag功能，可以将多个业务相关的key强制分配到一个节点上。

操作时间 = 1次网络时间 + n次命令时间

客户端代码示例如下:

List<String> hashTagMget (String[ ] hashTagKeys) {return jedisCluster.mget (hashTagKeys) ;
}

5.5 几种批量操作方案对比

方案	优点	缺点	网路IO
串行命令	1）编程简单 2）如果少量keys，性能可以满足要求	大量keys请求延迟严重	O(keys)
串行IO	1）编程简单 2）少量节点，性能满足要求	大量node延迟严重	O(nodes)
并行IO	利用并行特性，延迟取决于最慢的节点	1）编程复杂 2）由于多线程，问题定位可能较难	O(max_slow(nodes))
hash_tag	性能最高	1）业务维护成本较高 2）容易出现数据倾斜	O(1)

6 缓存雪崩问题优化

6.1 什么是缓存雪崩问题？

由于缓存层承载了大量请求，有效地保护了存储层，但是如果缓存层由于某些原因不能提供服务，于是，所有请求都会到达存储层，存储层的调用量会暴增，造成存储层也会级联宕机的情况。

缓存雪崩就是指缓存层宕掉后，流量像雪崩一样，流向存储层。

6.2 保证缓存层服务高可用性

将缓存层设计成高可用的，即使个别节点、个别机器、甚至机房宕掉，依然可以提供服务。

6.3 依赖隔离组件为后端限流并降级

无论是缓存层还是存储层都会有出错的概率，可以将它们视同为资源。

对于并发量较大的系统，假如有一个资源不可用，可能会造成线程全部阻塞在这个资源上，造成整个系统不可用。

降级机制：例如推荐服务中，如果个性化推荐服务不可用，可以降级为补充热点数据，不至于造成前端页面直接开天窗。

隔离：对重要资源，如Redis，MySQL等都进行隔离，让每种资源单独运行在自己的线程池中，即使个别资源出现了问题，对其它服务没有影响。

6.4 提前演练

在项目上线前，演练缓存层宕掉后，应用以及后端负载情况以及可能出现的问题，在此基础上做一些预案设定。

7 热点key重建问题优化

7.1 什么是热点key重建问题？

开发人员使用 缓存 + 过期时间 的策略可以加速数据读写，又保证数据定期更新，这种模式基本能满足绝大多部分需求。但是两个问题如果同时存在就会带来热点Key重建问题：

• 当前key是一个热点key，并发量非常大。
• 重建缓存不能在短时间完成，可能是一个复杂的计算。

当这个key失效瞬间，由于其是一个热点key，会有大量线程涌入到缓存层获取该key的value，但是key已经失效，所以需要重建，此时会有大量的线程来重建缓存，造成后端负载加大，甚至可能让整个应用崩掉。

要解决热点key重建问题也不是很复杂，但是不能为了解决这个问题给系统带来更多麻烦，所以需要制定以下目标：

1. 减少重建缓存的次数
2. 数据尽可能一致
3. 较少的潜在危险

7.2 互斥锁

此方法只允许一个线程重建缓存，其他线程等待重建缓存的线程执行完，然后重新从缓存中获取数据即可。

客户端代码示例：

String get(String key) {// 从 Redis 中获取数据String value = redis.get(key);// 如果 value 为空，则开始重构缓存if (value == null) {// 只允许一个线程重构缓存，使用 nx 并设置过期时间 exString mutexKey = "mutex:key:" + key;if (redis.set(mutexKey, "1", "ex 180", "nx")) {// 从数据源获取数据value = db.get(key);// 回写 Redis，并设置过期时间redis.setex(key, timeout, value);// 删除 key mutexredis.delete(mutexKey);} else {// 其他线程休息 50 毫秒后重试Thread.sleep(50);get(key);}}return value;
}

为什么 nx 参数可以当作互斥锁？
有两点原因，首先是Redis是单线程架构，意味着任意一个时刻，只有一个命令在执行，如果有多个命令同时要求执行，最终一定是以队列方式排队执行的，其次nx的参数的含义是如果这个key不存在才可以设置值并返回ok，如果key已经存在，就会返回null，当多个线程同时执行set key value nx 时，最终只有一个线程的命令会执行并返回ok，其余线程都会返回null，这就实现了互斥。

7.3 永远不过期

永远不过期包含两层含义：

1. 从缓存层来看，确实没有设置过期时间，所以不会出现热点key过期后产生的问题，也就是物理上的不过期。
2. 从功能上看，为每一个value设置一个逻辑过期的时间，当发现超过逻辑过期时间后，会使用单独的线程去构建缓存。

该方法有效地杜绝了热点key产生的问题，唯一的缺点就是重构缓存期间，会出现数据不一致的情况，这取决于应用方是否容忍这种不一致。

客户端代码示例如下：

String get(final String key) {V v = redis.get(key);String value = v.getValue();// 逻辑过期时间long logicTimeout = v.getLogicTimeout();// 如果逻辑过期时间小于当前时间，开始后台构建if (logicTimeout <= System.currentTimeMillis()) {String mutexKey = "mutex:key:" + key;if (redis.set(mutexKey, "1", "ex 180", "nx")) {// 重构缓存threadPool.execute(new Runnable() {public void run() {String dbValue = db.get(key);redis.set(key, dbValue, newLogicTimeout);redis.delete(mutexKey);}});}}return value;
}

7.4 两种方案比较

作为一个并发量较大的应用，在使用缓存时有三个目标：

1. 加快用户访问速度，提高用户体验。
2. 降低后端负载，减少潜在的风险，保证系统的平稳。
3. 保证数据“进可能”及时更新。

下面就这三个维度来比较互斥锁方案与永远不过期方案：

解决方案	优点	缺点
简单分布式锁	●思路简单 ●保证一致性	●代码复杂性增大 ●存在死锁的风险 ●存在线程池阻塞的风险
永远不过期	基本杜绝热点key问题	●不保证一致性 ●逻辑过期时间增加代码维护成本和内存成本