26 Redis 的缓存雪崩、击穿、穿透问题

• 前言
• 一、缓存雪崩
• 二、缓存击穿
• 三、缓存穿透
• 总结

前言

除了数据不一致问题， 还会面临缓存异常的三个问题：缓存雪崩、缓存击穿、缓存穿透。这三个问题一旦发生，会导致大量的请求积压到数据库层。如果请求的并发量很大，就会导致数据库宕机或是故障。

本篇介绍这三个问题的表现、诱发原因以及解决方法。了解了问题的成因，才能够在应用 Redis 缓存时，进行合理的缓存设置，以及相应的业务应用前端设置。

一、缓存雪崩

缓存雪崩：指大量的应用请求无法在 Redis 缓存中进行处理，应用将大量请求发送到数据库层，导致数据库层的压力激增。 缓存雪崩一般是由两个原因导致：

第一个原因是：缓存中有大量数据同时过期，导致大量请求无法得到处理。
当数据保存在缓存中，并且设置了过期时间时，在某一个时刻，大量数据同时过期，应用再访问这些数据的话，就会发生缓存缺失。应用就会把请求发送给数据库，从数据库中读取数据。如果应用的并发请求量很大，数据库的压力也就很大，进一步影响到数据库的其他正常业务请求处理。如下图：

大量数据同时失效带来的缓存雪崩问题的两种解决方案：

1. 避免给大量的数据设置相同的过期时间。如果业务层的确要求有些数据同时失效，用 EXPIRE 命令给每个数据设置过期时间时，给这些数据的过期时间增加一个较小的随机数（例如，随机增加 1~3 分钟），不同数据的过期时间有所差别，但差别又不会太大，既避免了大量数据同时过期，同时也保证了这些数据基本在相近的时间失效，仍然能满足业务需求。
2. 通过服务降级，发生缓存雪崩时，针对不同的数据采取不同的处理方式。

• 当业务应用访问的是非核心数据（例如电商商品属性）时，暂时停止从缓存中查询数据，而是直接返回预定义信息、空值或是错误信息；
• 当业务应用访问的是核心数据（例如电商商品库存）时，仍然允许查询缓存，如果缓存缺失，也可以继续通过数据库读取。

这样只有部分过期数据的请求会发送到数据库，数据库的压力就没有那么大了。下图是服务降级时数据请求的执行情况：

第二个原因是：Redis 缓存实例发生故障宕机了，导致大量请求一下子积压到数据库层， 从而发生缓存雪崩。

一个 Redis 实例可以支持数万级别的请求处理吞吐量，而单个数据库可能只能支持数千级别的请求处理吞吐量，它们两个的处理能力可能相差了近十倍。由于缓存雪崩，Redis 缓存失效，所以数据库就可能要承受近十倍的请求压力，从而因为压力过大而崩溃。

Redis 实例发生了宕机应对缓存雪崩两个建议：

第一个建议：在业务系统中实现服务熔断或请求限流机制。

服务熔断指在发生缓存雪崩时，为了防止引发连锁的数据库雪崩，甚至是整个系统的崩溃，暂停业务应用对缓存系统的接口访问。具体来说就是业务应用调用缓存接口时，缓存客户端并不把请求发给 Redis 缓存实例，而是直接返回，等到 Redis 缓存实例重新恢复服务后，再允许应用请求发送到缓存系统。避免了大量请求因缓存缺失，而积压到数据库系统，保证了数据库系统的正常运行。

在业务系统运行时，监测 Redis 缓存所在机器和数据库所在机器的负载指标，例如每秒请求数、CPU 利用率、内存利用率等。发现 Redis 缓存实例宕机了，而数据库所在机器的负载压力突然增加（例如每秒请求数激增），就发生缓存雪崩了。 大量请求被发送到数据库进行处理。可以启动服务熔断机制，暂停业务应用对缓存服务的访问，从而降低对数据库的访问压力，如下图：

服务熔断虽然可以保证数据库的正常运行，但是暂停了整个缓存系统的访问，对业务应用的影响范围大。为了尽可能减少这种影响，可以进行请求限流，指在业务系统的请求入口前端控制每秒进入系统的请求数，避免过多的请求被发送到数据库。

假设业务系统正常运行时，请求入口前端允许每秒进入系统的请求是 1 万个，其中 9000 个请求都能在缓存系统中进行处理，只有 1000 个请求会被应用发送到数据库进行处理。发生缓存雪崩，数据库的每秒请求数突然增加到每秒 1 万个，此时可以启动请求限流机制，在请求入口前端只允许每秒进入系统的请求数为 1000 个，再多的请求就会在入口前端被直接拒绝服务。可以避免大量并发请求压力传递到数据库层。

服务熔断或请求限流机制来应对 Redis 实例宕机导致的缓存雪崩问题，是属于“事后诸葛亮”，也就是已经发生缓存雪崩了使用这两个机制，来降低雪崩对数据库和整个业务系统的影响。

第二个建议：事前预防

通过主从节点的方式构建 Redis 缓存高可靠集群。如果 Redis 缓存的主节点故障宕机了， 从节点还可以切换成为主节点，继续提供缓存服务，避免了由于缓存实例宕机而导致的缓存雪崩问题。

二、缓存击穿

缓存雪崩是发生在大量数据同时失效的场景下，而缓存击穿是发生在某个热点数据失效的场景下。和缓存雪崩相比，缓存击穿失效的数据数量要小很多， 应对方法也不一样。

缓存击穿是指针对某个访问非常频繁的热点数据的请求，无法在缓存中进行处理，访问该数据的大量请求一下子都发送到了后端数据库，导致了数据库压力激增，会影响数据库处理其他请求。缓存击穿的情况经常发生在热点数据过期失效时，如下图：

为了避免缓存击穿给数据库带来的激增压力，解决方法也比较直接，对于访问特别频繁的热点数据，就不设置过期时间了。对热点数据的访问请求，都可以在缓存中进行处理，而 Redis 数万级别的高吞吐量可以很好地应对大量的并发请求访问。

三、缓存穿透

当发生缓存雪崩或击穿时，数据库中还是保存了应用要访问的数据。缓存穿透问题和雪崩、击穿问题不一样，缓存穿透发生时，数据也不在数据库中，会同时给缓存和数据库带来访问压力。

缓存穿透是指要访问的数据既不在 Redis 缓存中，也不在数据库中，导致请求在访问缓存时，发生缓存缺失，再去访问数据库时，发现数据库中也没有要访问的数据。应用也无法从数据库中读取数据再写入缓存，来服务后续请求，缓存也就成了“摆设”，如果应用持续有大量请求访问数据，就会同时给缓存和数据库带来巨大压力，如下 图：

缓存穿透会发生有两种情况：

1. 业务层误操作：缓存中的数据和数据库中的数据被误删除了，所以缓存和数据库中都没有数据；
2. 恶意攻击：专门访问数据库中没有的数据。

避免缓存穿透的影响的三种应对方案：

方案一： 缓存空值或缺省值：发生缓存穿透可以针对查询的数据，在 Redis 中缓存一个空值或是和业务层协商确定的缺省值（例如，库存的缺省值可以设为 0）。应用发送的后续请求再进行查询时，直接从 Redis 中读取空值或缺省值返回给业务应用，避免了把大量请求发送给数据库处理，保持了数据库的正常运行。

方案二： 使用布隆过滤器快速判断数据是否存在，避免从数据库中查询数据是否存在，减轻数据库压力。

布隆过滤器工作原理：布隆过滤器由一个初值都为 0 的 bit 数组和 N 个哈希函数组成，用来快速判断某个数据是否存在。想标记某个数据存在时（例如，数据已被写入数据库），布隆过滤器会通过三个操作完成标记：

1. 使用 N 个哈希函数，分别计算这个数据的哈希值，得到 N 个哈希值。
2. 把这 N 个哈希值对 bit 数组的长度取模，得到每个哈希值在数组中的对应位置。
3. 把对应位置的 bit 位设置为 1，这就完成了在布隆过滤器中标记数据的操作。

如果数据不存在（例如，数据库里没有写入数据），也就没有用布隆过滤器标记过数据，bit 数组对应 bit 位的值仍然为 0。当需要查询某个数据时，执行计算过程，先得到这个数据在 bit 数组中对应的 N 个位置。查看 bit 数组中这 N 个位置上的 bit 值。只要这 N 个 bit 值有一个不为 1，就表明布隆过滤器没有对该数据做过标记，所以查询的数据一定没有在数据库中保存。

图中布隆过滤器是一个包含 10 个 bit 位的数组，使用了 3 个哈希函数，当在布隆过滤器中标记数据 X 时，X 会被计算 3 次哈希值，并对 10 取模，取模结果分别是 1、3、7。所 以 bit 数组的第 1、3、7 位被设置为 1。当应用想要查询 X 时，只要查看数组的第 1、 3、7 位是否为 1，只要有一个为 0，那么 X 就肯定不在数据库中。

正是基于布隆过滤器的快速检测特性，可以在把数据写入数据库时，使用布隆过滤器做个标记。当缓存缺失后，应用查询数据库时，可以通过查询布隆过滤器快速判断数据是否存在。如果不存在，就不用再去数据库中查询了。即使发生缓存穿透了，大量请求只会查询 Redis 和布隆过滤器，而不会积压到数据库，也就不会影响数据库的正常运行。布隆过滤器可以使用 Redis 实现，本身就能承担较大的并发访问压力。

方案三： 在请求入口的前端进行请求检测。缓存穿透的一个原因是有大量的恶意请求访问不存在的数据，所以一个有效的应对方案是在请求入口前端，对业务系统接收到的请求进行合法性检测，把恶意的请求（例如请求参数不合理、请求参数是非法值、请求字段不存在）直接过滤掉，不让它们访问后端缓存和数据库。也就不会出现缓存穿透问题了。

跟缓存雪崩、缓存击穿这两类问题相比，缓存穿透的影响更大一些。

• 从预防的角度来说，避免误删除数据库和缓存中的数据；
• 从应对角度来说， 在业务系统中使用缓存空值或缺省值、使用布隆过滤器，以及进行恶意请求检测等方法。

总结

缓存雪崩、击穿和穿透这三类异常问题，从问题成因来看，缓存雪崩和击穿主要是因为数据不在缓存中了，而缓存穿透则是因为数据既不在缓存中，也不在数据库中。所以缓存雪崩或击穿时，一旦数据库中的数据被再次写入到缓存后，应用又可以在缓存中快速访问数据了，数据库的压力也会相应地降低下来，而缓存穿透发生时， Redis 缓存和数据库会同时持续承受请求压力。
服务熔断、服务降级、请求限流这些方法都是属于有损方案， 在保证数据库和整体系统稳定的同时，会对业务应用带来负面影响。例如使用服务降级时，有部分数据的请求就只能得到错误返回信息，无法正常处理。如果使用了服务熔断，整个缓存系统的服务都被暂停了，影响的业务范围更大。而使用了请求限流机制后，整个业务系统的吞吐率会降低，能并发处理的用户请求会减少，会影响到用户体验。

所以尽量使用预防式方案：

• 针对缓存雪崩，合理地设置数据过期时间，以及搭建高可靠缓存集群；
• 针对缓存击穿，在缓存访问非常频繁的热点数据时，不要设置过期时间；
• 针对缓存穿透，提前在入口前端实现恶意请求检测，或者规范数据库的数据删除操作， 避免误删除。