• 极客专栏正式上线!欢迎访问 https://www.jikewenku.com/topic.html
  • 极客专栏正式上线!欢迎访问 https://www.jikewenku.com/topic.html

分布式之缓存击穿

技术杂谈 勤劳的小蚂蚁 2个月前 (02-06) 66次浏览 已收录 0个评论 扫描二维码

题记 什么是缓存击穿
在谈论缓存击穿之前,我们先来回忆下从缓存中加载数据的逻辑,如下图所示
因此,如果黑客每次故意查询一个在缓存内必然不存在的数据,导致每次请求都要去存储层去查询,这样缓存就失去了意义。如果在大流量下数据库可能挂掉。这就是缓存击穿
场景如下图所示:

我们正常人在登录首页的时候,都是根据userID来命中数据,然而黑客的目的是破坏你的系统,黑客可以随机生成一堆userID,然后将这些请求怼到你的服务器上,这些请求在缓存中不存在,就会穿过缓存,直接怼到数据库上,从而造成数据库连接异常。
0 解决方案
在这里我们给出三套解决方案,大家根据项目中的实际情况,选择使用.
讲下述三种方案前,我们先回忆下redis的setnx方法
SETNX key value
将 key 的值设为 value ,当且仅当 key 不存在。
若给定的 key 已经存在,则 SETNX 不做任何动作。
SETNX 是『SET if Not eXists』(如果不存在,则 SET)的简写。
可用版本:>= 1.0.0
时间复杂度: O(1)
返回值: 设置成功,返回 1。设置失败,返回 0 。
效果如下
redis> EXISTS job                # job 不存在
(integer) 0
redis> SETNX job “programmer”    # job 设置成功
(integer) 1
redis> SETNX job “code-farmer”   # 尝试覆盖 job ,失败
(integer) 0
redis> GET job                   # 没有被覆盖
“programmer”
1、使用互斥锁
该方法是比较普遍的做法,即,在根据key获得的value值为空时,先锁上,再从数据库加载,加载完毕,释放锁。若其他线程发现获取锁失败,则睡眠50ms后重试。
至于锁的类型,单机环境用并发包的Lock类型就行,集群环境则使用分布式锁( redis的setnx)
集群环境的redis的代码如下所示:
String get(String key) {  
  String value = redis.get(key);  
  if (value  == null) {  
   if (redis.setnx(key_mutex, “1”)) {  
       // 3 min timeout to avoid mutex holder crash  
       redis.expire(key_mutex, 3 * 60)  
       value = db.get(key);  
       redis.set(key, value);  
       redis.delete(key_mutex);  
   } else {  
       //其他线程休息50毫秒后重试  
       Thread.sleep(50);  
       get(key);  
   }  
 }  

}  

优点:
  1. 思路简单
  2. 保证一致性
缺点
  1. 代码复杂度增大
  2. 存在死锁的风险
2、异步构建缓存
在这种方案下,构建缓存采取异步策略,会从线程池中取线程来异步构建缓存,从而不会让所有的请求直接怼到数据库上。该方案redis自己维护一个timeout,当timeout小于System.currentTimeMillis()时,则进行缓存更新,否则直接返回value值。
集群环境的redis代码如下所示:
String get(final String key) {  
       V v = redis.get(key);  
       String value = v.getValue();  
       long timeout = v.getTimeout();  
       if (v.timeout <= System.currentTimeMillis()) {  
           // 异步更新后台异常执行  
           threadPool.execute(new Runnable() {  
               publicvoidrun() {  
                   String keyMutex = “mutex:” + key;  
                   if (redis.setnx(keyMutex, “1”)) {  
                       // 3 min timeout to avoid mutex holder crash  
                       redis.expire(keyMutex, 3 * 60);  
                       String dbValue = db.get(key);  
                       redis.set(key, dbValue);  
                       redis.delete(keyMutex);  
                   }  
               }  
           });  
       }  
       returnvalue;  
   }
优点:
  1. 性价最佳,用户无需等待
缺点
  1. 无法保证缓存一致性
3、布隆过滤器

1、原理

布隆过滤器的巨大用处就是,能够迅速判断一个元素是否在一个集合中。因此他有如下三个使用场景:
  1. 网页爬虫对URL的去重,避免爬取相同的URL地址
  2. 反垃圾邮件,从数十亿个垃圾邮件列表中判断某邮箱是否垃圾邮箱(同理,垃圾短信)
  3. 缓存击穿,将已存在的缓存放到布隆过滤器中,当黑客访问不存在的缓存时迅速返回避免缓存及DB挂掉。
OK,接下来我们来谈谈布隆过滤器的原理
其内部维护一个全为0的bit数组,需要说明的是,布隆过滤器有一个误判率的概念,误判率越低,则数组越长,所占空间越大。误判率越高则数组越小,所占的空间越小。

2、性能测试

代码如下:
(1)新建一个maven工程,引入guava包
<dependencies>  
       <dependency>  
           <groupId>com.google.guava</groupId>  
           <artifactId>guava</artifactId>  
           <version>22.0</version>  
       </dependency>  
   </dependencies>  
(2)测试一个元素是否属于一个百万元素集合所需耗时
package bloomfilter;
import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;
import java.nio.charset.Charset;
publicclassTest{
   privatestaticint size = 1000000;
   privatestatic BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), size);
   publicstaticvoidmain(String[] args){
       for (int i = 0; i < size; i++) {
           bloomFilter.put(i);
       }
       long startTime = System.nanoTime(); // 获取开始时间
       //判断这一百万个数中是否包含29999这个数
       if (bloomFilter.mightContain(29999)) {
           System.out.println(“命中了”);
       }
       long endTime = System.nanoTime();   // 获取结束时间
       System.out.println(“程序运行时间: “ + (endTime – startTime) + “纳秒”);
   }

}

输出如下所示
命中了
程序运行时间: 219386纳秒
也就是说,判断一个数是否属于一个百万级别的集合,只要0.219ms就可以完成,性能极佳。
(3)误判率的一些概念
首先,我们先不对误判率做显示的设置,进行一个测试,代码如下所示
package bloomfilter;
import java.util.ArrayList;
import java.util.List;
import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;
publicclassTest {
   privatestaticint size = 1000000;
   privatestatic BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), size);
   publicstaticvoidmain(String[] args){
       for (int i = 0; i < size; i++) {
           bloomFilter.put(i);
       }
       List<Integer> list = new ArrayList<Integer>(1000);  
       //故意取10000个不在过滤器里的值,看看有多少个会被认为在过滤器里
       for (int i = size + 10000; i < size + 20000; i++) {  
           if (bloomFilter.mightContain(i)) {  
               list.add(i);  
           }  
       }  
       System.out.println(“误判的数量:” + list.size());
   }

}

输出结果如下
误判对数量:330
如果上述代码所示,我们故意取10000个不在过滤器里的值,却还有330个被认为在过滤器里,这说明了误判率为0.03.即,在不做任何设置的情况下,默认的误判率为0.03。
下面上源码来证明:
接下来我们来看一下,误判率为0.03时,底层维护的bit数组的长度如下图所示
将bloomfilter的构造方法改为
private static BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), size,0.01);
即,此时误判率为0.01。在这种情况下,底层维护的bit数组的长度如下图所示
由此可见,误判率越低,则底层维护的数组越长,占用空间越大。因此,误判率实际取值,根据服务器所能够承受的负载来决定,不是拍脑袋瞎想的。

3、实际使用

redis伪代码如下所示
String get(String key) {  
  String value = redis.get(key);  
  if (value  == null) {  
       if(!bloomfilter.mightContain(key)){
           returnnull;
       }else{
          value = db.get(key);  
          redis.set(key, value);  
       }
   }
   returnvalue
}
优点:
  1. 思路简单
  2. 保证一致性
  3. 性能强
缺点
  1. 代码复杂度增大
  2. 需要另外维护一个集合来存放缓存的Key
  3. 布隆过滤器不支持删值操作
4 总结
在总结部分,来个漫画把。希望对大家找工作有帮助

丨极客文库, 版权所有丨如未注明 , 均为原创丨
本网站采用知识共享署名-非商业性使用-相同方式共享 3.0 中国大陆许可协议进行授权
转载请注明原文链接:分布式之缓存击穿
喜欢 (0)
[247507792@qq.com]
分享 (0)
勤劳的小蚂蚁
关于作者:
温馨提示:本文来源于网络,转载文章皆标明了出处,如果您发现侵权文章,请及时向站长反馈删除。

您必须 登录 才能发表评论!

  • 精品技术教程
  • 编程资源分享
  • 问答交流社区
  • 极客文库知识库

客服QQ


QQ:2248886839


工作时间:09:00-23:00