服务高可用问题

Redis缓存的使用，极大的提升了应用程序的性能和效率，特别是数据查询方面，同时也带来了一些问题。其中，最要害的问题，

就是数据的一致性问题，严格意义上这个问题无解。对数据一致性要求很高，就不能使用缓存

缓存穿透：（查不到）

　　用户查一个数据，发现redis内存数据库没有，也就是缓存没有命中，于是向持久层数据库查询，发现也没有，本次查询失败。

当用户很多的时候，缓存都没有命中（秒杀场景），于是都请求了持久层数据，这会给持久层数据库造成很大的压力，相当于出现了缓存穿透。

解决方案：

　　布隆过滤器：是一种数据结构，对所有可能查询的参数以hash形式存储，在控制层先进行校验，不符合则丢弃，从而避免了对底层存储系统的查询压力。

 　　缓存空对象：

　　当存储层不命中后，即使返回的空对象也将其缓存起来，同时会设置一个过期时间，之后再访问这个数据库将从缓存中取出，

保护了后端数据源。

 这种方法存在问题：

　　1、如果控制能够被缓存起来，意味着缓存需要更多的空间存储更多的键，当中可能会有很多空值的键

　　2、即使对空值设置了过期时间，还是会存在缓存层和存储层的数据会有一段时间的窗口不一致，这对于需要保持一致性的业务会有影响。

缓存击穿：（量太大，缓存过期）

　　微博服务器宕机

　　与缓存穿透区别：缓存击穿是指一个key非常热点，在不停扛着高并发，高并发集中对这一个点访问，当这个key在失效的瞬间，持续的大并发就穿破缓存，直接请求数据库。

　　当某个key在过期的瞬间，有大量的请求并发访问，这类数据一般是热点数据，由于缓存过期，会同时访问数据库来查询最新的数据，并且回写缓存，会导致数据库瞬间压力增大。

解决方法：

　　1、设置热点数据永不过期

　　从缓存层面来看，没有设置过期时间，所以不会出现热点key过期后产生的问题

　　2、加互斥锁

　　分布式锁：使用分布式锁，保证对于每个key同时只有一个线程去查询后端服务，其他线程没有获得分布式锁的权限，因此只需要等待即可。这种方法将高并发的压力转移到了分布式锁，因此对分布式锁的考验很大。

缓存雪崩：

　　在某一个时间段，缓存集中过期失效，redis宕机

　　产生雪崩的原因之一：比如在写本文的时候，双十二抢购，商品集中放在了缓存，假设缓存一小时，到了凌晨一点时候，这批商品缓存过期。而对这批商品的访问查询，都落到了数据库上，对于数据库而言，产生周期性的压力波峰。于是所有的请求都会达到存储层，存储层的调用量暴增，造成存储层挂掉的情况。

 其实集中过期，倒不是非常致命，比较致命的缓存雪崩，是缓存服务器某个节点宕机或者断网。因为自然形成的缓存雪崩，一定是在某个时间段集中创建缓存，这个时候，数据库也是可以顶住压力的。无非就是对数据库产生周期性的压力，而缓存服务节点宕机，对数据库服务器造成的压力是不可预知，很有可能瞬间把数据库击穿

双十一：一般停掉一些服务（当天退不了款等），（保证主要的服务可用！）

解决方案：

　　redis高可用

　　既然redis有可能挂掉，多增设几台redis，一台挂掉其它几台也可以工作，就是搭建的集群。（异地多活）

　　限流降级（在springcloud）

　　缓存失效后，通过加锁或者队列来控制读数据库写缓存的线程数量。比如对某个key只允许一个线程查询数据和写缓存，其它线程等待。

　　数据预热

　　数据加热的含义就是在正是部署之前，我先把可能的数据先预先访问一遍，这样部分大量访问的数据就会加载到缓存中，在即将发生大并发访问前手动触发加载缓存不同的key，设置不同的过期时间，让缓存失效的时间点尽量均匀。