【进阶篇】使用 Redis 实现分布式缓存的全过程思考（一）

目录

前言

写在前面，让我们从 3 个问题开始今天的文章：什么是 Redis 缓存？它解决了什么问题？怎么使用它？

在笔者近 3 年的 Java 一线开发经历中，尤其是一些移动端、用户量大的互联网项目，经常会使用到 Redis 分布式缓存作为解决高并发的基本工具。但在使用过程中也有一些潜在的问题是必须要考虑的，比如：数据一致性、缓存穿透和雪崩、高可用集群等等。

下面我就将从关于缓存是什么、项目中的实现、数据一致性等这几个方面来分享一下我自己是怎么使用 Redis 实现分布式缓存的。

一、关于缓存

缓存分为本地缓存和分布式缓存。以 Java 为例，使用自带的 map 或者 guava 实现的是本地缓存，最主要的特点是轻量以及快速，生命周期随着 JVM 的销毁而结束，且在多实例的情况下本地缓存不具有一致性。

而使用 Redis 或 memcached 之类的称为分布式缓存。在多实例（集群）的情况下，Redis 的事务会一次性、顺序性、排他性地执行队列中的一系列命令，各实例共用一份缓存数据，缓存具有一致性。

Redis 缓存处理请求

用户第一次访问数据库的数据，因为是从硬盘上读取的所以比较慢。将该用户访问的数据存在缓存中，这样下一次再访问这些数据的时候就可以直接从缓存中获取了。如果数据库中的对应数据改变的之后，同步改变缓存中相应的数据即可，这里涉及到的数据一致性问题会在第四小节专门讲。

至于 Redis 为什么这么快，最主要有以下几个原因：

  1. 完全基于内存，绝大部分请求是纯粹的内存操作，速度非常地快；
  2. 采用单线程，避免了不必要的上下文切换和竞争条件，不存在因多线程的切换而消耗 CPU；也不存在加锁、释放锁操作，也没有因死锁而导致的性能消耗；
  3. 使用多路 I/O 复用模型（很关键），非阻塞的 IO，能让单个线程高效地处理多个连接请求，尽量减少网络 IO 的时间消耗。
Redis 性能

注：X 轴为客户端连接数，Y 轴是 QPS。即在近一万的客户端连接下，还能达到近十万的 QPS，这样强悍的性能是 MySQL 无法企及的。

二、基本数据结构

众所周知，直接操作缓存能够承受的请求是远远大于直接访问数据库的，所以我们可以考虑把数据库中的部分数据（热点数据、读多写少的数据）转移到缓存中去，这样用户的一部分请求会直接到缓存这里而不用经过数据库。

Redis 有 5 种基本的数据结构，具体参考我的另一篇博客：https://www.cnblogs.com/CodeBlogMan/p/17816699.html

三、缓存注解

用于后端接口的数据缓存，加在接口的实现方法上，这是我在实际项目中处理高并发的基本做法之一。说到注解，那么就需要从以下几个必不可少的方面进行展开。

3.1自定义注解

@Retention(RetentionPolicy.RUNTIME)
@Target({ElementType.METHOD, ElementType.TYPE})
@Inherited
public @interface RedisCache {
    /**
     * 缓存 key 
     */
    String key() default "";

    /**
     * 超时时间
     */
    int TTL() default 10;
}

3.2定义切点（拦截器）

  • 在 AOP 中，Joinpoint 代表了程序执行的某个具体位置，比如方法的调用、异常的抛出等。AOP 框架通过拦截这些 Joinpoint 来插入额外的逻辑，实现横切关注点的功能。
  • 而实现拦截器 MethodInterceptor 接口比较特殊，它会将所有的 @AspectJ 定义的通知最终都交给 MethodInvocation（子类 ReflectiveMethodInvocation ）去执行。
public class RedisCacheInterceptor extends RedisCacheAop implements MethodInterceptor {
    public RedisCacheInterceptor (RedisCache redisCache ) {
        // 调用父类有参构造
        super(redisCache );
    }
    public RedisCacheInterceptor (RedisTemplate<Object, Object> redisTemplate) {
        // 调用父类有参构造
        super(redisTemplate);
    }
    /**
     * 反射实现，通过拦截方法的执行来实现通知的效果
     * @param methodInvocation
     * @return
     * @throws Throwable
     */
    @Override
    public Object invoke(MethodInvocation methodInvocation) throws Throwable {
        // 即下面父类的具体 AOP 实现
        return super.redisCacheAop(methodInvocation);
    }
}

3.3 AOP 实现

下面的 AOP 仅是大致过程，思路用注释写得比较清楚了，以下代码已经过脱敏。

public class RedisCacheAop{
    /**
     * 基于 Redis 的一些常见 API 实现
     */
    protected RedisCache RedisCache;
    protected RedisTemplate<Object, Object> redisTemplate;
    public RedisCacheAop(RedisCache redisCache ) {
        this.redisCache = redisCache ;
    }
    public RedisCacheAop(RedisTemplate<Object, Object> redisTemplate) {
        this.redisTemplate = redisTemplate;
    }
    /**
     * 缓存切面实现
     */
    public Object redisCacheAop(MethodInvocation methodInvocation) throws Throwable {
        // 检查是否使用缓存
        if (this.isUseCache(methodInvocation)) {
            // 自定义缓存注解
            RedisCache redisCache = methodInvocation.getMethod().getAnnotation(RedisCache.class);
            // 生成缓存key
            String cacheKey= this.generateCacheKey(redisCache , methodInvocation);
            // 缓存操作
            return this.cacheOprate(cacheKey, redisCache, methodInvocation);
        } else {
            // 需要执行的时候，调用.proceed()方法即可
            return methodInvocation.proceed();
        }
    }    
}

3.4使用示例

下面是一个简单示例，@RedisCache 注解加在需要缓存的方法上，设置过期时间TTL为 10 秒。即 10 秒内调用该方法，返回的数据是来自缓存，过期后会再次从数据库中获取，并重新写入缓存，循环往复。

    /**
     * 根据 Id 从缓存中查询详情
     * @param id
     * @return
     */
    @Cache(TTL= 10)
    public Study getDetailByIdFromCache(String id) {
        return Optional.of(this.studyMapper.selectById(id)).orElse(null);
    }

四、数据一致性

数据库一旦引入了其它组件，必然会带来数据一致性的问题。这里不考虑强一致性，因为强一致性引发的性能问题在高并发的情景下是不可接受的。所以只考虑最终一致性。

4.1缓存更新策略

一般来说，为了保证数据一致性，会有 3 种常见的 Redis 缓存更新策略，如下表所示：

策略 描述 一致性 维护成本
内存淘汰 无需自己维护，Redis 自己有内存淘汰机制，当内存不足时会淘汰部分，下次查询时再更新缓存。 差 无
超时剔除 为缓存数据添加生存时间 TTL（Time To Live），到期后自动删除缓存，下次查询时再更新缓存。 一般 低
主动更新 额外编写代码逻辑，在修改数据库数据的同时，更新缓存。 好 高

我自己在项目是选择超时剔除和主动更新这 2 种方法搭配使用的，在合适的时候用合适的办法。

前者适合在对实时性要求不那么高的情况下使用，后者适合在对实时性要求较高的场景使用。至于内存淘汰是不可能会用的，太傻瓜了，放到线上 100% 出问题。

超时剔除的核心逻辑：缓存来源于数据库，到过期时间后，缓存中的数据会被删除；用户再次请求的就是数据库的数据，再把数据库数据重新放入到缓存，依次反复。

主动更新的核心逻辑：缓存操作一定不能和数据库事务作为一个大事务来处理，尤其是在较复杂的业务流程中，一般都是先完成数据库的事务操作后，再去操作缓存中的数据。

4.2缓存读写过程

具体读和写分为以下两点：

  • 对于读操作，一般都是先读取缓存，如果命中则返回；没有命中则去读数据库返回数据，这个逻辑很好理解，也没什么争议。

  • 对于写操作，有两个需要考虑的问题：

    1. 如何更新缓存，是删除缓存还是修改缓存？

      答：设置过期时间，直接删。不必要再去修改之前的缓存数据

    2. 是先更新数据库还是先更新缓存？

      答：先更新数据库，再更新缓存

      • 如果更新完了数据库，但是之前的缓存删除失败，读的依然是旧数据怎么办？

        答：设置较短的缓存时间，短时间内再次删除缓存。

      • 如果数据库是主从结构，即 master 负责事务操作，slave 只负责读，数据同步的延迟影响到缓存的更新怎么办？

        答：考虑从硬件下手，提升数据库性能 + 提升网络带宽。

五、高可用

5.1缓存穿透

缓存穿透：是指客户端请求的数据在缓存中和数据库中都不存在，那么缓存永远不会生效。这样，每次针对此 key 的请求从缓存获取不到，请求都会压到数据源，从而可能压垮数据源。此时，缓存起不到保护后端持久层的意义，就像被穿透了一样。

以下是常用的缓存穿透的解决方案：

  • 对空值进行缓存：即使一个查询返回的数据为空，仍然把这个空结果（null）进行缓存，同时还可以对空结果设置较短的过期时间。这种方法实现简单，维护方便，但是会额外的内存消耗。

  • 采用布隆过滤器：(布隆过滤器（Bloom Filter）是 1970 年由布隆提出的。它实际上是一个很长的二进制向量（位图）和一系列随机映射函数（哈希函数）。布隆过滤器可以用于检索一个元素是否在一个集合中。它的优点是空间效率和查询时间都远远超过一般的算法，缺点是有一定的误识别率和删除困难。

  • 加强 id 复杂度（如雪花和 UUID）和参数校验，比如保证要查询的 key 不为负数或者非法字符串

  • 加强用户权限校验：对页面操作加以限制，对接口的调用进行鉴权。

5.2缓存击穿

缓存击穿：是指某个热点 key，在缓存过期的一瞬间有大量的请求进来，由于此时缓存刚好过期，所以请求最终都会走数据库，数据库压力瞬间骤增，导致数据库存在被打挂的风险。这样的情况下，彷佛缓存被请求给击穿了。

应该这种情况主要的解决方案如下：

  • 加互斥锁。当热 key 过期大量的请求涌入时，只有第一个请求能获取锁并阻塞，此时保证该请求查询数据库，并将查询结果写入 redis 缓存后释放锁，则后续的请求直接走缓存。

这只是一个通用解决方案的大致思路，可以兼顾处理缓存穿透和击穿问题，至于“给 Key 设置合理的 TTL 并加上随机值”，这个也比较好实现。

5.3缓存雪崩

缓存雪崩：是指由于大量的缓存 key 的过期时间相同，导致数据在同一时刻集体失效，或者 Redis 服务宕机，导致大量请求到达数据库，给数据库带来巨大压力。这种情况通常是由于缓存时间设置不当，或者缓存容量不足引起的。

以下是常用的缓存雪崩的解决方案：

  • 给 Key 设置合理的 TTL 并加上随机值

  • 增加缓存容量

  • 给缓存业务添加降级限流策略

5.4Redis 集群

在硬件层面，通过购买云服务厂商的 Redis 集群来保证服务的高可用。以下拿阿里云云数据库 Redis 的一些基本配置来举例：

阿里云云数据库 Redis

六、文章小结

到这里关于使用 Redis 实现分布式缓存的全过程就分享完了，其实关于 redis 缓存的高可用部分还有许多能详细展开的地方。但是目前我对于缓存的击穿、穿透和雪崩没有太多的实际场景来分享，更多的是一种学习和储备。

最后，如果文章有不足和错误，还请大家指正。或者你有其它想说的，也欢迎大家在评论区交流！

posted @ 2024-02-27 14:11  CodeBlogMan  阅读(1558)  评论(0)  编辑  收藏  举报