Redis缓存预热、缓存穿透、缓存击穿、缓存雪崩，Redis布隆过滤器怎么实现？

在这里插入图片描述

- 一、缓存预热
- - 1、缓存预热常见步骤
  - 2、代码实现
- 二、缓存雪崩
- - 1、什么情况会发生缓存雪崩？
  - 2、Redis缓存集群实现高可用
  - 3、如何避免Redis缓存雪崩？
- 三、缓存穿透
- - 1、什么情况会发生缓存穿透？
  - 2、如何避免Redis缓存穿透？
- 四、通过空对象缓存解决缓存穿透
- 五、Google布隆过滤器Guava解决缓存穿透
- - 1、引入pom
  - 2、创建布隆过滤器
  - 3、fpp误判率
- 六、Redis缓存击穿
- - 1、什么情况会发生缓存击穿？
  - 2、如何避免Redis缓存击穿？
- 七、Redis缓存击穿解决方案
- - 1、互斥更新
  - 2、差异失效时间
- 往期回顾

大家好，我是哪吒。

一、缓存预热

Redis缓存预热是指在服务器启动或应用程序启动之前，将一些数据先存储到Redis中，以提高Redis的性能和数据一致性。这可以减少服务器在启动或应用程序启动时的数据传输量和延迟，从而提高应用程序的性能和可靠性。

1、缓存预热常见步骤

（1）数据准备

在应用程序启动或服务器启动之前，准备一些数据，这些数据可以是静态数据、缓存数据或其他需要预热的数据。

（2）数据存储

将数据存储到Redis中，可以使用Redis的列表（List）数据类型或集合（Set）数据类型。

（3）数据预热

在服务器启动或应用程序启动之前，将数据存储到Redis中。可以使用Redis的客户端工具或命令行工具来执行此操作。

（4）数据清洗

在服务器启动或应用程序启动之后，可能会对存储在Redis中的数据进行清洗和处理。例如，可以删除过期的数据、修改错误的数据等。

需要注意的是，Redis缓存预热可能会增加服务器的开销，因此应该在必要时进行。同时，为了减少预热的次数，可以考虑使用Redis的其他数据类型，如哈希表（Hash）或有序集合（Sorted Set）。此外，为了提高数据一致性和性能，可以使用Redis的持久化功能，将数据存储到Redis中，并在服务器重启后自动恢复数据。

2、代码实现

@Component
@Slf4j
public class BloomFilterInit
{
    @Resource
    private RedisTemplate redisTemplate;

    //初始化白名单数据
    @PostConstruct
    public void init() {
        //1 白名单客户加载到布隆过滤器
        String key = "customer:1";
        //2 计算hashValue,由于存在计算出来负数的可能，我们取绝对值
        int hashValue = Math.abs(key.hashCode());
        //3 通过hashValue和2的32次方后取余，获得对应的下标坑位
        long index = (long)(hashValue % Math.pow(2,32));
        log.info(key+" 对应的坑位index:{}",index);
        //4 设置redis里面的bitmap对应类型白名单：whitelistCustomer的坑位，将该值设置为1
        redisTemplate.opsForValue().setBit("whitelistCustomer",index,true);

    }
}

二、缓存雪崩

Redis缓存雪崩是指在缓存系统中，由于某些原因，缓存的数据突然大量地被删除或修改，导致缓存系统的性能下降，甚至无法正常工作。

1、什么情况会发生缓存雪崩？

（1）误删除

由于误操作或故障，缓存系统可能会误删除一些正常的数据。这种情况通常会在数据库中发生。

（2）误修改

由于误操作或故障，缓存系统可能会误修改一些正常的数据。这种情况通常会在数据库中发生。

（3）负载波动

缓存系统通常会承受一定的负载波动，例如，在高峰期间，数据量可能会大幅增加，从而导致缓存系统的性能下降。

（4）数据变化频繁

如果缓存系统中的数据变化频繁，例如，每秒钟都会有大量的数据插入或删除，那么缓存系统可能会因为响应过慢而导致雪崩。

2、Redis缓存集群实现高可用

（1）主从 + 哨兵

（2）Redis集群

（3）开启Redis持久化机制aof/rdb，尽快恢复缓存集群。

3、如何避免Redis缓存雪崩？

（1）数据备份

定期备份数据，以防止误删除或误修改。

（2）数据同步

定期同步数据，以防止数据不一致。

（3）负载均衡

使用负载均衡器将请求分配到多个Redis实例上，以减轻单个实例的负载。

（4）数据优化

优化数据库结构，减少数据变化频繁的情况。

（5）监控与告警

监控Redis实例的性能指标，及时发现缓存系统的异常，并发出告警。

三、缓存穿透

Redis缓存穿透是指在Redis缓存系统中，由于某些原因，缓存的数据无法被正常访问或处理，导致缓存失去了它的作用。

1、什么情况会发生缓存穿透？

（1）数据量过大

当缓存中存储的数据量过大时，缓存的数据量可能会超过Redis的数据存储限制，从而导致缓存失去了它的作用。

（2）数据更新频繁

当缓存中存储的数据更新频繁时，缓存的数据可能会出现异步的变化，导致缓存无法被正常访问。

（3）数据过期

当缓存中存储的数据过期时，缓存的数据可能会失去它的作用，因为Redis会在一定时间后自动将过期的数据删除。

（4）数据权限限制

当缓存中存储的数据受到权限限制时，只有拥有足够权限的用户才能访问和处理这些数据，从而导致缓存失去了它的作用。

（5）Redis性能瓶颈

当Redis服务器的性能达到极限时，Redis缓存可能会因为响应过慢而导致穿透。

2、如何避免Redis缓存穿透？

（1）设置合理的缓存大小

根据实际需求设置合理的缓存大小，以避免缓存穿透。

（2）优化数据结构

根据实际需求优化数据结构，以减少数据的大小和更新频率。

（3）设置合理的过期时间

设置合理的过期时间，以避免缓存失去它的作用。

（4）增加Redis的并发处理能力

通过增加Redis的并发处理能力，以提高缓存的处理能力和响应速度。

（5）优化Redis服务器的硬件和软件配置

通过优化Redis服务器的硬件和软件配置，以提高Redis的性能和处理能力。

在这里插入图片描述

四、通过空对象缓存解决缓存穿透

如果发生了缓存穿透，可以针对要查询的数据，在Redis中插入一条数据，添加一个约定好的默认值，比如defaultNull。

比如你想通过某个id查询某某订单，Redis中没有，MySQL中也没有，此时，就可以在Redis中插入一条，存为defaultNull，下次再查询就有了，因为是提前约定好的，前端也明白是啥意思，一切OK，岁月静好。

这种方式只能解决key相同的情况，如果key都不同，则完蛋。

五、Google布隆过滤器Guava解决缓存穿透

在这里插入图片描述

1、引入pom

<!--guava Google 开源的 Guava 中自带的布隆过滤器-->
<dependency>
    <groupId>com.google.guava</groupId>
    <artifactId>guava</artifactId>
    <version>23.0</version>
</dependency>

2、创建布隆过滤器

BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), 100);

（3）布隆过滤器中添加元素

bloomFilter.mightContain(1)

（4）判断布隆过滤器中是否存在

bloomFilter.mightContain(1)

3、fpp误判率

@Service
@Slf4j
public class GuavaBloomFilterService {
    public static final int SIZE = 1000000;

    //误判率
    public static double fpp = 0.01;

    //创建guava布隆过滤器
    private static BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), SIZE, fpp);
    
    public void guavaBloomFilter() {
        for (int i = 1; i <= SIZE; i++) {
            bloomFilter.put(i);
        }
        ArrayList<Integer> list = new ArrayList<>(10000);

        for (int i = SIZE + 1; i <= SIZE + (10000); i++) {
            if (bloomFilter.mightContain(i)) {
                log.info("被误判了:{}", i);
                list.add(i);
            }
        }
        log.info("误判总数量:{}", list.size());
    }
}