09.雪崩穿透击穿
# 01.Redis雪崩&穿透&击穿
# 1.1 缓存穿透
查询一个不存在的key
1)定义
- 缓存穿透是指查询一个一定不存在的数据,由于缓存不命中,接着查询数据库也无法查询出结果
- 虽然也不会写入到缓存中,但是这将会导致每个查询都会去请求数据库,造成缓存穿透;
2)解决方法 :布隆过滤
- 对所有可能查询的参数以hash形式存储,在控制层先进行校验,不符合则丢弃,从而避免了对底层存储系统的查询压力;
# 1.2 缓存击穿
热点key突然失效,导致直接查询MySQL
1)定义:
- 1.缓存击穿,就是说某个 key 非常热点,访问非常频繁,处于集中式高并发访问的情况
- 2. 当这个 key 在失效的瞬间,大量的请求就击穿了缓存,直接请求数据库,就像是在一道屏障上凿开了一个洞。
2)解决方法
- 1.解决方式也很简单,可以将热点数据设置为永远不过期;
- 2.或者基于 Redis or zookeeper 实现互斥锁,等待第一个请求构建完缓存之后,再释放锁,进而其它请求才能通过该 key 访问数据。
# 1.3 缓存雪崩
缓存层全部失效
1)定义
- 缓存雪崩是指,由于缓存层承载着大量请求,有效的保护了存储层,但是如果缓存层由于某些原因整体不能提供服务
- 于是所有的请求都会达到存储层,存储层的调用量会暴增,造成存储层也会挂掉的情况。
2)解决方法
- **保证缓存层服务高可用性:**比如 Redis Sentinel 和 Redis Cluster 都实现了高可用
- **依赖隔离组件为后端限流并降级:**比如对某个key只允许一个线程查询数据和写缓存,其他线程等待。
# 02.布隆过滤器
# 2.1 布隆过滤器是什么?
判断某个key一定不存在
1.本质上布隆过滤器是一种数据结构,比较巧妙的概率型数据结构
2.特点是高效地插入和查询,可以用来告诉你 “某样东西一定不存在或者可能存在”。
3.相比于传统的 List、Set、Map 等数据结构,它更高效、占用空间更少,但是缺点是其返回的结果是概率性的,而不是确切的。
使用:
- 1.布隆过滤器在NoSQL数据库领域中应用的非常广泛
- 2.当用户来查询某一个row时,可以先通过内存中的布隆过滤器过滤掉大量不存在的row请求,然后去再磁盘进行查询
- 3.布隆过滤器说某个值不存在时,那肯定就是不存在,可以显著降低数据库IO请求数量
# 2.2 应用场景
1)场景1(给用户推荐新闻)
- 1.当用户看过的新闻,肯定会被过滤掉,对于没有看多的新闻,可能会过滤极少的一部分(误判)。
- 2.这样可以完全保证推送给用户的新闻都是无重复的。
2)场景2(爬虫url去重)
1.在爬虫系统中,我们需要对url去重,已经爬取的页面不再爬取
2.当url高达几千万时,如果一个集合去装下这些URL地址非常浪费空间
3.使用布隆过滤器可以大幅降低去重存储消耗,只不过也会使爬虫系统错过少量页面
# 2.3 布隆过滤器原理
1.每个布隆过滤器对应到Redis的数据结构是一个大型的数组和几个不一样的无偏hash函数
2.如下图:f、g、h就是这样的hash函数(无偏差指让hash映射到数组的位置比较随机)
**添加:**值到布隆过滤器
- 1)向布隆过滤器添加key,会使用 f、g、h hash函数对key算出一个整数索引,然后对长度取余
- 2)每个hash函数都会算出一个不同的位置,把算出的位置都设置成1就完成了布隆过滤器添加过程
**查询:**布隆过滤器值
- 1)当查询某个key时,先用hash函数算出一个整数索引,然后对长度取余
- 2)当你有一个不为1时肯定不存在这个key,当全部都为1时可能有这个key
- 3)这样内存中的布隆过滤器过滤掉大量不存在的row请求,然后去再磁盘进行查询,减少IO操作
删除:不支持
- 1)目前我们知道布隆过滤器可以支持 add 和 isExist 操作
- 2)如何解决这个问题,答案是计数删除,但是计数删除需要存储一个数值,而不是原先的 bit 位,会增大占用的内存大小。
- 3)增加一个值就是将对应索引槽上存储的值加一,删除则是减一,判断是否存在则是看值是否大于0。
上次更新: 2024/10/15 16:27:13