面试篇-Redis-1缓存三兄弟+数据一致性

文章目录

前言
一、你们项目中使用Redis都做了什么：
二、使用过程中遇到缓存穿透，缓存击穿，缓存雪崩你们如何处理：
- 2.1 缓存穿透：
- - 2.1.1 通过缓存key值为null 进行处理：
  - 2.1.2 使用布隆过滤器：
  - 2.1.3 说说布隆过滤器的原理
- 2.2 缓存击穿是什么：
- - 2.2.1缓存击穿的场景
  - 2.2.1 你们项目中是怎么处理的：
- 2.3 缓存雪崩是什么：
三、你们项目中缓存与数据库数据不一致怎么办：
- 3.1 延时双删：
- 3.2 延时双删一定能保证数据的一致性吗：
- 3.3 怎么保证数据的一致性：
- - 3.3.1 强一致性场景使用锁：
  - 3.3.2 最终一致性：
总结

前言

本文对Redis的使用场景及使用过程中遇到的问题进行总结，重点对面试的问题进行介绍，祝愿每位程序员都能上岸！！！

一、你们项目中使用Redis都做了什么：

Redis 相信各位小伙伴在项目中都用到过，在我们的项目中 通常使用Redis 进行：

使用Redis 进行数据的缓存，避免每次都到数据库获取数据，达到高效数据获取和节约系统资源的目的；
在分布式服务中对公用资源进行修改，使用Redis 作为分布式锁，保证并发的安全性；

二、使用过程中遇到缓存穿透，缓存击穿，缓存雪崩你们如何处理：

既然将部分数据存入Redis 中，随之而来的问题就是，从缓存中获取不到数据，从而到数据库进行数据查询，
造成数据库的压力，此时需要针对不同的场景进行不同的处理。

2.1 缓存穿透：

 当访问一个在redis 中不存在的key 时，此时就会到数据库进行数据产线，然而数据库也没有这个key 的数据，当然不会将改key
  缓存到redis 中去，但是一直有大量请求来访问这个在数据库中不存在的key，从而击垮数据库，这种情况通常是服务受到了攻击。

在这里插入图片描述

2.1.1 通过缓存key值为null 进行处理：

当数据库中也查不到改key 值的信息，则在redis 对改key 设置null 值如： {key：1，value：null}，并且设置下改key 的过期时间，这样在key 过期之前，访问改key 可以获取到null 数据，避免直接访问数据库；改方法的优点是：实现起来简单；缺点是：会造成数据的在缓存和数据库的不一致性；

伪代码如下（示例）：

String value = redisTemplate.get(key);
if (null == value){
  // 从db 进性数据获取
  String  dbValue = getKeyValue（）...
  if (null == dbValue){
  	 // 从数据库中获取不到数据设置key 为null
     redisTemplate.set(key,null,30s);
  }
}

2.1.2 使用布隆过滤器：

 1） 通过多维护一份数据到布隆过滤器中，查询数据时先到布隆过滤器访问key 是否存在，如果存在在进行redis 的访问；

在这里插入图片描述 2）布隆过滤器的原理：

 布隆过期是一个存放0,1位图的数组结构数据，通过算法将给定key 进行 hash 运算然后与数组的长度取余数得到具体的数组下标，
 经过多次运算就可以得到多个index 下标，此时就可以将对应数组小标的位置置为1；当查询的时候同样通过hash 运算得到几个
 下标，如果数组下标位置全为1 则认为改key 在redis 可能存在，否则这个key 在redis 一定不存在；

在这里插入图片描述
因为不同的key可能产生相同的hashcode 值，所以布隆过滤器有一定概率的误判：
3) 布隆过滤器的优缺点

占用较少的内存；
存储redis中的数据也要在布隆过滤器存储一份
布隆过滤器的元素一般不能够进行删除
出现误判：布隆过滤器返回true 实际上这个key并不存在

4）在java 中的使用：
4.1）引入Google Guava库的依赖：

<dependency>
	<groupId>com.google.guava</groupId>
	<artifactId>guava</artifactId>
	<version>30.1-jre</version> <!-- 请检查并使用最新版本 -->
</dependency>

4.2）在将key 放入redis 的同时也放入到布隆过滤器一份：

我们首先指定了预期插入的元素数量（expectedInsertions）和期望的误报率（fpp）。然后，我们使用BloomFilter.create方法创建一个布隆过滤器，并使用字符串作为输入类型。我们使用Funnels.stringFunnel(StandardCharsets.UTF_8)来指定如何将字符串转换为字节数组，这是布隆过滤器所需的格式。
接下来，我们使用put方法向布隆过滤器中添加一些元素。然后，我们使用mightContain方法来检查一个元素是否可能存在于布隆过滤器中。请注意，由于布隆过滤器的性质，mightContain方法可能会产生误报（即返回true，但实际上元素并不存在于过滤器中），但永远不会产生误报（即返回false，但实际上元素存在于过滤器中）。

import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;

import java.nio.charset.StandardCharsets;

public class BloomFilterDemo {

public static void main(String[] args) {
	// 预期插入的元素数量
	int expectedInsertions = 1000000;
	
	// 误报率，通常设置为一个非常小的值，如0.01或更低
	double fpp = 0.01;
	
	// 创建布隆过滤器
	BloomFilter<CharSequence> bloomFilter = BloomFilter.create(
		Funnels.stringFunnel(StandardCharsets.UTF_8),
		expectedInsertions,
		fpp);
	
	// 插入一些元素
	bloomFilter.put("element1");
	bloomFilter.put("element2");
	// ... 插入其他元素
	
	// 检查元素是否存在（注意：可能会有误报）
	boolean mightContainElement1 = bloomFilter.mightContain("element1");
	System.out.println("mightContainElement1: " + mightContainElement1); // 预期输出: true
	
	boolean mightContainElement3 = bloomFilter.mightContain("element3");
	System.out.println("mightContainElement3: " + mightContainElement3); // 可能输出: false 或 true（误报）
	
	// 插入一个新元素后，再次检查
	bloomFilter.put("element3");
	boolean definitelyContainsElement3 = bloomFilter.mightContain("element3");
	System.out.println("definitelyContainsElement3: " + definitelyContainsElement3); // 预期输出: true
	}
}

2.1.3 说说布隆过滤器的原理

布隆过滤器主要是用于检索一个元素是否在一个集合中。我们当时使用的是redisson实现的布隆过滤忝。
它的底层主要是先去初始化一个比较大数组，里面存放的二进制0或1。在一开始都是0，当一个key来了之后经过3次hash计算，模于数组长度找到数据的下标然后把数组中原来的0改为1，这样的话，三个数组的位置就能标明一个key的存在。查找的过程也是一样的。
当然是有缺点的，布隆过滤器有可能会产生一定的误判，我们一般可以设置这个误判率，大概不会超过5%，其实这个误判是必然存在的，要不就得增加数组的长度，其实已经算是很划分了，5%以内的误判率一般的项目也能接受，不至于高并发下压倒数据库。

2.2 缓存击穿是什么：

2.2.1缓存击穿的场景

给某一个key设置了过期时间，当key过期的时候，恰好这时间点对这个key有大量的并发请求过来，这些并发的请求可能会瞬间把DB压垮。

在这里插入图片描述

2.2.1 你们项目中是怎么处理的：

1）针对时间要求低的场景可以使用互斥锁来解决：

每次进行缓存重建的这个过程就先获取锁，然后查询db ，然后在将数据进行redis 缓存。

在这里插入图片描述
2）针对时间要求比较高的场景热点数据的key 不设置缓存失效时间：

热点key 本身不设置过期时间，永不失效，但是在业务上对key 对应的value 增加一个有效期，标识数据的失效时间，这样每次都可以获取到数据，
如果数据过期了，则开启一个新的线程去更新数据，在缓存重建过程中获取互斥锁失败则直接返回已过期的数据；

在这里插入图片描述 3）两种方案对比：

互斥锁的可以保证数据的高一致性，但是效率低
逻辑互斥可以保证高可用，不能保证数据的绝对一致

2.3 缓存雪崩是什么：

缓存雪崩是redis 的key 在某一个时间段内，出现大量失效或者redis 服务崩溃，大量的key 直接访问数据库，击垮数据库

在这里插入图片描述
你们项目中怎么应对缓存雪崩问题：

在设置key的过期时间时增加一个随机值，防止key 批量过期；
使用redis集群保证redis 服务的高可用

三、你们项目中缓存与数据库数据不一致怎么办：

因为redis 和数据库是两个服务，在对数据进行更新的时候，因为redis 并没有实现XA协议，所以无法使用分布式事务，此时就要考虑，redis 和数据库
中的数据一致性的保持；

3.1 延时双删：

在大多数场景下都可以使用延时双删进行处理，即先删除缓存数据，然后修改数据库数据，然后延时一定时间后再删除缓存：

在这里插入图片描述这里为什么要删除两次？

因为无法保证线程执行顺序，所以只有进行两次删除，确保后面线程可以读到数据库中最新的数据；

第二次为什么要进行一定的延迟：

保证mysql 数据的落盘；
确保mysql数据的主从同步；

3.2 延时双删一定能保证数据的一致性吗：

在对Mysql 进行集群时，常常会用到主-从架构，在项目中也会用到Mysql 的读写分离，此时如果在 延时一定时间之后，数据依然没有从Master节点同步到Slave 节点，此时线程访问redis 的某个key 发现没有数据，则会从数据库中加载到脏数据，出现数据不一致性；

3.3 怎么保证数据的一致性：

3.3.1 强一致性场景使用锁：

1）使用互斥锁：
在这里插入图片描述

2）使用redisson读写锁：
在这里插入图片描述
代码实现参考：

3.3.2 最终一致性：

1）更新数据库后发送MQ消息，然后消费MQ消息进行数据更新：
在这里插入图片描述

2）Canal 监听Mysql 特定表的某些修改：

在这里插入图片描述

总结

本位对Redis 常见的缓存穿透，缓存击穿，缓存雪崩，数据库和缓存数据一致性进行总结。