Redis缓存设计遇到的问题及解决方案

• 前言
• 一、缓存穿透？
• 二、缓存失效（击穿）
• 三、缓存雪崩
• 四、热点缓存Key的重建优化
• 五、缓存与数据库的双写不一致
• • 1、双写不一致
  • 2、读写并发不一致
  • 3、 解决方案：
• 六、总结

今天和大家分享Redis作为缓存使用时常见的问题以及解决方案。像缓存穿透、缓存失效（击穿）以及缓存雪崩等问题的解决。

Redis中间件在高并发的系统设计中基本上是比不可少的元素。其中在作为缓存使用时有一些问题需要我们处理好。例如缓存穿透，先解释一下什么是缓存穿透？
缓存穿透是指查询一个根本不存在的数据导致缓存层和持久层都不命中。缓存失去了保护持久层的意义。一般我们都会这样做，数据请求进来，我们会先去缓存中查询，当缓存中没有的时候在去持久层查询，持久层查询以后将查询到的数据写到缓存中，如果持久层没有查询到，就不会写入到缓存中。而正是这种压根不存在的数据如果请求量大的时候最终都会打到持久层，从而导致持久层挂掉。整个系统崩溃。那怎么解决？
解决方案：

• 缓存空对象
  我们把数据库中没查到的数据也放入到缓存中，并为这个空对象设置一个过期时间，这样在这个空对象的过期时间内后面的请求都会去缓存中拿，从而减小了数据库的压力。
  代码演示：

  @Autowired
  private StringRedisTemplate stringRedisTemplate;
  @Autowired
  private RedisCacheService cacheService;
  
  @RequestMapping(value = "/cache_pierce")
  @ResponseBody
  public String cachePierce(String key){
  
      if (key == null || key.equals("")){
          return "key参数为空";
      }
      String cacheData = stringRedisTemplate.opsForValue().get(key);
      if(cacheData != null){
          //缓存中返回
          return cacheData;
      }else {
          //缓存为空，去查询数据库，这里就模拟一下
          String s = cacheService.searchDB(key);
          stringRedisTemplate.opsForValue().set(key,s);
          if(s.equals("null")){
              stringRedisTemplate.expire(key,30, TimeUnit.SECONDS);
              System.out.println("缓存空对对象了");
          }
          return s;
      }
  
  }
  
  //模拟查询数据库
  public String searchDB(String key){
      //我就认为数据库查询到了
      if(key != null && key.equals("fafa")){
          System.out.println("持久层查到了");
          return "fafa";
      }else {
          try {
              Thread.sleep(1000);
          }catch (Exception exception){
              exception.printStackTrace();
          }
          System.out.println("持久层中不存在");
          return "null";
      }
  }
  

• 布隆过滤器
  对于网络上的恶意请求，我们也还可以使用布隆过滤器进行处理。对于不存在的数据布隆过滤器一般都能过滤掉。也能都防止缓存穿透的事情发生。当请求的数据进来，先经过布隆过滤器，布隆过滤器说这个数据存在，这个数据可能存在，也可能不存在。但是，如果布隆过滤器说这个数据不存在，那这个数据肯定不存在。下面通过一张图简单分析一下布隆过滤器的原理：
  
  布隆过滤器就是一个大型的位数组和几个不一样的无偏 hash 函数。所谓无偏就是能够把元素的 hash 值算得比较均匀。向布隆过滤器中添加 key 时，会使用多个 hash 函数对 key 进行 hash 算得一个整数索引值然后对位数组长度进行取模运算得到一个位置，每个 hash 函数都会算得一个不同的位置。再把位数组的这几个位置都置为 1 就完成了 add 操作。向布隆过滤器询问 key 是否存在时，跟 add 一样，也会把 hash 的几个位置都算出来，看看位数组中这几个位置是否都为 1，只要有一个位为 0，那么说明布隆过滤器中这个key 不存在。如果都是 1，这并不能说明这个 key 就一定存在，只是极有可能存在，因为这些位被置为 1 可能是因为其它的 key 存在所致。如果这个位数组比较稀疏，这个概率就会很大，如果这个位数组比较拥挤，这个概率就会降低。这种方法适用于数据命中不高、 数据相对固定、 实时性低（通常是数据集较大） 的应用场景， 代码维护较为复杂， 但是缓存空间占用很少。
  Redisson就可以实现布隆过滤器：
  引入依赖：

  		
              org.redisson
              redisson
              3.6.5
          
  

  代码如下：

  	@Autowired
      private Redisson redisson;
  	//redisson需要先注入到spring中
  	RBloomFilter