来源 | 后端技术指南针
无处不在的缓存
缓存在计算机系统是无处不在&＃xff0c;在CPU层面有L1-L3的Cache&＃xff0c;在Linux中有TLB加速虚拟地址和物理地址的转换&＃xff0c;在浏览器有本地缓存、手机有本地缓存等。
可见&＃xff0c;缓存在计算机系统中有非常重要的地位&＃xff0c;其主要作用是提高响应速度、减少磁盘访问等&＃xff0c;本文主要讨论在高并发系统中的缓存系统。
一句话概括缓存系统在高并发系统中的地位的话&＃xff1a;如果高并发系统是烤羊肉串&＃xff0c;那么缓存系统就是那一撮孜然。
高并发系统中的缓存
2.1 缓存系统的作用
缓存系统在高并发系统的作用很大&＃xff0c;在某种程度上可以说没有缓存系统很难支撑高并发场景。
基于机械磁盘或SSD的数据库系统&＃xff0c;一般来说读写的速度远慢于内存&＃xff0c;因此单纯磁盘介质的数据库无法支撑很高的并发&＃xff0c;可以简单认为缓存是保护磁盘数据库的重要屏障。
对于一些基于LSM的存储引擎数据库来说&＃xff0c;随机写改为顺序写速度提升很大&＃xff0c;但是随机读仍然是个问题&＃xff0c;所以缓存系统是很有必要的。
2.2 缓存系统访问流程
实际场景也是读多写少&＃xff0c;看看请求是如何得到响应的&＃xff0c;简单看下交互流程&＃xff1a;
请求到达之后&＃xff0c;业务线程首先访问缓存&＃xff0c;如果缓存命中则返回
如果未命中则继续请求磁盘数据库系统&＃xff0c;获取数据返回
从磁盘获取数据后将结果回写到缓存系统且增加老化时间&＃xff0c;为下次请求做准备
以上是高并发系统中缓存和磁盘数据库系统、客户端请求之间的交互过程&＃xff0c;后续的问题分析&＃xff0c;也是基于此过程展开的。
缓存系统的三大问题
网络上对于缓存三大问题的文章很多&＃xff0c;提到的三个问题主要是&＃xff1a;
缓存雪崩 Cache Avalanche
缓存穿透 Cache Penetration
缓存击穿 Hotspot Invalid
对于上面的三个名词我一直分不清楚&＃xff0c;脑海中并没有清晰的区别。
于是想到去谷歌看看歪果仁是怎么说的&＃xff0c;然而英文表述就是上面的英文&＃xff0c;基本上和汉语翻译是一样的&＃xff0c;所以只能强记&＃xff0c;太难了。
3.1 缓存雪崩问题
所谓雪崩就是原来有所支撑的冰雪&＃xff0c;某一瞬间失去依托&＃xff0c;瞬间涌下来。
这个场景让我想起了2011年上映的柯南剧场版《沉默的十五分钟》&＃xff0c;柯南在北泽村水库为了拯救村庄制造的雪崩&＃xff1a;
可见雪崩确实很可怕&＃xff0c;回到高并发系统&＃xff0c;如果缓存系统故障&＃xff0c;大量的请求无法从缓存完成数据请求&＃xff0c;就全量汹涌冲向磁盘数据库系统&＃xff0c;导致数据库被打死&＃xff0c;整个系统彻底崩溃。
3.2 缓存雪崩解决方案
造成缓存雪崩的主要原因是缓存系统不够高可用&＃xff0c;因此提高缓存系统的稳定性和可用性十分必要&＃xff0c;比如对于使用Redis作为缓存的系统而言可以使用哨兵机制、集群化、持久化等来提高缓存系统的HA。
除了保证缓存系统的HA之外&＃xff0c;服务本身也需要支持降级&＃xff0c;可以借助比如Hystrix来实现服务的熔断、降级、限流来降低出现雪崩时的故障程度。
说白了就是别让服务彻底死掉就行&＃xff0c;就像大雪封高速肯定不能通行了&＃xff0c;堵车慢一些至少可以走。
3.3 缓存穿透问题
穿透形象一点就是&＃xff1a;请求过来了 转了一圈 一无所获 就像穿过透明地带一样。
在高并发系统中缓存穿透&＃xff0c;如果一个req需要请求的数据在缓存中没有&＃xff0c;这时业务线程就会访问磁盘数据库系统&＃xff0c;然而磁盘数据库也没有这个数据&＃xff0c;无奈业务线程只能白白处理一圈。
如果某时段有大量恶意的不存在的key的集中请求&＃xff0c;那么服务将一直处理这些根本不存在的请求&＃xff0c;导致正常请求无法被处理&＃xff0c;从而出现问题。
举个栗子&＃xff1a;
拉面馆的服务员和厨师不允许拒绝已经进来的消费者&＃xff0c;但是拉面馆的经营范围有限。此时恶意消费者点了一只5斤的澳洲龙虾&＃xff0c;经过服务员和厨师都无法响应这个需求&＃xff0c;此时轮流来了1000个这样的恶意消费者&＃xff0c;拉面馆基本要歇菜了。
3.4 缓存穿透解决方案
有效甄别是否存在这个key再决定是否读取很重要&＃xff0c;常见的做法有&＃xff1a;
把不存在的key写一下null&＃xff0c;这样再来就相当于命中了&＃xff0c;其实这种方法局限性很大&＃xff0c;今天是5斤龙虾&＃xff0c;明天改成6斤的螃蟹&＃xff0c;缓存系统和数据库中存储大量无用key本身是无意义的&＃xff0c;所以一般不建议
另外一种思路&＃xff0c;转换为查找问题&＃xff0c;类似于在海量数据中查找某个key是否存在&＃xff0c;考虑空间复杂度和时间复杂度&＃xff0c;一般选用布隆过滤器来实现。
布隆过滤器是个好东西&＃xff0c;有非常多的用途&＃xff0c;包括&＃xff1a;垃圾邮件识别、搜索蜘蛛爬虫url去重等&＃xff0c;主要借助K个哈希函数和一个超大的bit数组来降低哈希冲突本身带来的误判&＃xff0c;从而提高识别准确性。
布隆过滤器也存在一定的误判&＃xff0c;假如判断存在可能不一定存在&＃xff0c;但是假如判断不存在就一定不存在&＃xff0c;因此刚好用在解决缓存穿透的key查找场景&＃xff0c;事实上很多系统都是基于布隆过滤器来解决缓存穿透问题的。
3.5 缓存击穿问题
缓存击穿是这样一种情况&＃xff1a;
由于缓存系统中的热点数据都有过期时间&＃xff0c;如果没有过期时间就造成了主存和缓存的数据不一致&＃xff0c;因此过期时间一般都不会太长。
设想某时刻一批热点数据同时在缓存系统中过期失效&＃xff0c;那么这部分数据就都将请求磁盘数据库系统。
从描述上来看有点像微小规模的雪崩&＃xff0c;但是对数据库的压力就很小了&＃xff0c;只不过会影响并发性能&＃xff0c;然而在多线程场景中缓存击穿却是经常发生的&＃xff0c;相反缓存穿透和雪崩频率不如缓存击穿&＃xff0c;因此研究击穿的现实意义更大一些。
3.6 缓存击穿解决方案
可以采用的方案大概有几种&＃xff1a;
在设置热点数据过期时间时尽量分散&＃xff0c;比如设置100ms的基础值&＃xff0c;在此基础上正负浮动10ms&＃xff0c;从而降低相同时刻出现CacheMiss的key的数量。
另外一种做法是多线程加锁&＃xff0c;其中第一个线程发现CacheMiss之后进行加锁&＃xff0c;再从数据库获取内容之后写到缓存中&＃xff0c;其他线程获取锁失败则阻塞数ms之后再进行缓存读取&＃xff0c;这样可以降低访问数据数据库的线程数&＃xff0c;需要注意在单机和集群需要使用不同的锁&＃xff0c;集群环境使用分布式锁来实现&＃xff0c;但是由于锁的存在也会影响并发效率。
一种方法是在业务层对使用的热点数据查看是否即将过期&＃xff0c;如果即将过期则去数据库获取最新数据进行更新并延长该热点key在缓存系统中的时间&＃xff0c;从而避免后面的过期CacheMiss&＃xff0c;相当于把事情提前解决了。
缓存击穿的解决方法都有一定的权衡&＃xff0c;实际中根据自己的需求来解决。
缓存击穿的影响一般来说并不会太大&＃xff0c;或许在你的服务跑了很久之后你才意识到会有缓存击穿问题。
小结
缓存系统无论在实际工作中还是在面试中都是热点内容&＃xff0c;缓存系统目的是为了让访问又准又快&＃xff0c;不要一味追求缓存命中率&＃xff0c;缓存和主数据库的数据一致性是需要重点考虑的。
总起来说&＃xff0c;如何在保证数据正确性的前提下提高缓存命中率就是核心问题。
更多精彩推荐
☞挑战摩尔定律极限&＃xff0c;揭秘阿里云神龙的"封神"之路
☞数据爆炸时代&＃xff0c;云存储在“破圈”&＃xff01;
☞腾讯员工每天在岗不足 8 小时被辞&＃xff1f;背后原因可能不止你看到的这些
☞5G&＃xff1a;新基建的压舱石&＃xff0c;如何为新基建按下“加速键”&＃xff1f;
☞中国人工智能市场破 50 亿&＃xff01;你还不了解 AI 云服务吗&＃xff1f;
☞黑客悬赏活动第二期 | 10万美金悬赏全球黑客&＃xff0c;aelf 跨链转账标准协议CCTP等你挑战&＃xff01;
点分享点点赞点在看
京公网安备 11010802041100号