Redis缓存中遇到的各种问题

Redis缓存

一、关于缓存

缓存的定义：

缓存(Cache),就是数据交换的缓冲区,俗称的缓存就是缓冲区内的数据,一般从数据库中获取,存储于本地代码
举个例子:越野车,山地自行车,都拥有"避震器",防止车体加速后因惯性,在酷似"U"字母的地形上飞跃,硬着陆导致的损害,像个弹簧一样;
同样,实际开发中,系统也需要"避震器",防止过高的数据访问猛冲系统,导致其操作线程无法及时处理信息而瘫痪;
这在实际开发中对企业讲,对产品口碑,用户评价都是致命的;所以企业非常重视缓存技术;

缓存的分类：

浏览器缓存：主要是存在于浏览器端的缓存

应用层缓存：可以分为tomcat本地缓存，比如之前提到的map，或者是使用redis作为缓存

数据库缓存：在数据库中有一片空间是 buffer pool，增改查数据都会先加载到mysql的缓存中

CPU缓存：当代计算机最大的问题是 cpu性能提升了，但内存读写速度没有跟上，所以为了适应当下的情况，增加了cpu的L1，L2，L3级的缓存

如何使用缓存：

实际开发中,会构筑多级缓存来使系统运行速度进一步提升,例如:本地缓存与redis中的缓存并发使用

添加商户缓存：

在我们查询商户信息时，我们是直接操作从数据库中去进行查询的，大致逻辑是这样，直接查询数据库那肯定慢咯，所以我们需要增加缓存

@GetMapping("/{id}")
public Result queryShopById(@PathVariable("id") Long id) {
    //这里是直接查询数据库
    return shopService.queryById(id);
}

缓存的思路和模型

标准的操作方式就是查询数据库之前先查询缓存，如果缓存数据存在，则直接从缓存中返回，如果缓存数据不存在，再查询数据库，然后将数据存入redis。

具体代码：

@Override
    public Result queryById(Long id) {
        String key = "cache:shop:" + id;
        //从redis查询商铺缓存，并判断缓存是否命中
        String shopJson = stringRedisTemplate.opsForValue().get(key);
        if (StrUtil.isNotBlank(shopJson)) {
            //命中就返回
            Shop shop = JSONUtil.toBean(shopJson, Shop.class); //json格式转换为对象
            return Result.ok(shop);
        }
        //未命中就根据id查询数据库
        Shop shop = getById(id);
        // 判断商铺是否存在 存在就将商铺数据写入Redis
        if (shop == null) {
            return Result.fail("店铺不存在！");
        }
        stringRedisTemplate.opsForValue().set(key, JSONUtil.toJsonStr(shop), CACHE_SHOP_TTL, TimeUnit.MINUTES);// 否则就返回404
        return Result.ok(shop);

二缓存更新策略：

缓存更新是redis为了节约内存而设计出来的，为保证redis中的数据都是热点数据，而对数据进行的淘汰
淘汰的方式有三种：

内存淘汰：
redis自动进行，当redis内存达到咱们设定的max-memery的时候，会自动触发淘汰机制，淘汰掉一些不重要的数据(可以自己设置策略方式)
超时剔除：
当我们给redis设置了过期时间ttl之后，redis会将超时的数据进行删除，方便咱们继续使用缓存
主动更新：
我们可以手动调用方法把缓存删掉，通常用于解决缓存和数据库不一致问题

数据库缓存不一致解决方案（即双写不一致问题）

产生的原因：

由于我们的缓存的数据源来自于数据库,而数据库的数据是会发生变化的,因此,如果当数据库中数据发生变化,而缓存却没有同步,此时就会有一致性问题存在

解决的方案：

大致上有三种方案：

Cache Aside Pattern 人工编码方式：缓存调用者在更新完数据库后再去更新缓存，也称之为双写方案
Read/Write Through Pattern : 由系统本身完成，数据库与缓存的问题交由系统本身去处理
Write Behind Caching Pattern ：调用者只操作缓存，其他线程去异步处理数据库，实现最终一致

最终我们选择第一种方案
但是在调用第一种有几个注意事项：

- 删除缓存还是更新缓存？
- 更新缓存：每次更新数据库都更新缓存，无效写操作较多
- 删除缓存：更新数据库时让缓存失效，查询时再更新缓存
如何保证缓存与数据库的操作的同时成功或失败？
- 单体系统，将缓存与数据库操作放在一个事务
- 分布式系统，利用TCC等分布式事务方案

方案一大致上又分为四种
1、先写缓存在写数据库
2、先写数据库在写缓存
3、先删缓存在写数据库
4、先写数据库再删缓存

最终解决方案

延迟双删

该方案有个非常关键的地方是：第二次删除缓存，并非立马就删，而是要在一定的时间间隔之后。
sleep的时间要对业务读写缓存的时间做出评估，sleep时间大于读写缓存的时间即可。
那么，为什么一定要间隔一段时间之后，才能删除缓存呢？
请求d卡顿结束，把新值写入数据库后，请求c将数据库中的旧值，更新到缓存中。此时，如果请求d删除太快，在请求c将数据库中的旧值更新到缓存之前，就已经把缓存删除了，这次删除就没任何意义。必须要在请求c更新缓存之后，再删除缓存，才能把旧值及时删除了。

注意：如果接口对性能的要求不是很高则只需设置redis过期时间即可

三、缓存穿透

定义：客户端请求的数据在缓存和数据库中都不存在，这样的缓存永远不会生效，会直接请求到数据库

解决方案：

缓存空对象
但是会有额外的内存消耗，可以设置TTl过期时间
会存在短期的不一致性
布隆过滤器
是一种算法，在客户端与redis中添加一个布隆过滤器，不存在则拒绝反之则放行

问题：布隆过滤器怎么知道数据是否存在数据库中？
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（它不同于map、list、set），特点是高效地插入和查询。根据查询结果可以用来告诉你某样东西一定不存在或者可能存在这句话是该算法的核心。而且数据只能插入不能删除
且空间占用量小

布隆过滤器的存储过程
布隆过滤器是由一个很长的bit数组和一系列哈希函数组成的。

布隆过滤器还拥有k个哈希函数，当一个元素加入布隆过滤器时，会使用k个哈希函数对其进行k次计算,得到k个哈希值，并且根据得到的哈希值，在维数组中把对应下标的值置位1。
判断某个数是否在布隆过滤器中，就对该元素进行k次哈希计算，得到的值在位数组中判断每个元素是否都为1，如果每个元素都为1，就说明这个值在布隆过滤器中。

布隆过滤器为什么会有误判
当插入的元素越来越多时，当一个不在布隆过滤器中的元素，经过同样规则的哈希计算之后，得到的值在位数组中查询，有可能这些位置因为其他的元素先被置1了。

所以布隆过滤器存在误判的情况，但是如果布隆过滤器判断某个元素不在布隆过滤器中，那么这个值就一定不在。
具体编码解决方案：