1：緩存技術和框架的重要性
互聯網的一些高併發，高性能的項目和系統中，緩存技術是起著功不可沒的作用。緩存不僅僅是key-value的簡單存取，它在具體的業務場景中，還是很複雜的，需要很強的架構設計能力。我曾經就遇到過因為緩存架構設計不到位，導致了系統崩潰的案例。
2：緩存的技術方案分類
1）是做實時性比較高的那塊數據，比如說庫存，銷量之類的這種數據，我們採取的實時的緩存+數據庫雙寫的技術方案，雙寫一致性保障的方案。
2）是做實時性要求不高的數據，比如說商品的基本信息，等等，我們採取的是三級緩存架構的技術方案，就是說由一個專門的數據生產的服務，去獲取整個商品詳情頁需要的各種數據，經過處理後，將數據放入各級緩存中。
3：高併發以及高可用的複雜系統中的緩存架構都有哪些東西
1）在大型的緩存架構中，redis是最最基礎的一層。高併發，緩存架構中除了redis，還有其他的組成部分，但是redis至關重要。
- 如果你的數據量不大（10G以內），單master就可以。redis持久化+備份方案+容災方案+replication（主從+讀寫分離）+sentinal（哨兵集群，3個節點，高可用性）
- 如果你的數據量很大（1T+），採用redis cluster。多master分佈式存儲數據，水平擴容,自動進行master -> slave的主備切換。
2）最經典的緩存+數據庫讀寫的模式，cache aside pattern。讀的時候，先讀緩存，緩存沒有的話，那麼就讀數據庫。更新緩存分以下兩種方式：
- 數據發生變化時，先更新緩存，然後再更新數據庫。這種適用於緩存的值相對簡單，和數據庫的值一一對應，這樣更新比較快。
- 數據發生變化時，先刪除緩存，然後再更新數據庫，讀數據的時候再設置緩存。這種適用於緩存的值比較複雜的場景。比如可能更新了某個表的一個字段，然後其對應的緩存，是需要查詢另外兩個表的數據，並進行運算，才能計算出緩存最新的值的。這樣更新緩存的代價是很高的。如果你頻繁修改一個緩存涉及的多個表，那麼這個緩存會被頻繁的更新，頻繁的更新緩存代價很高。而且這個緩存的值如果不是被頻繁訪問，就得不償失了。
大部分情況下，建議適用刪除更新的方式。其實刪除緩存，而不是更新緩存，就是一個lazy計算的思想，不要每次都重新做複雜的計算，不管它會不會用到，而是讓它到需要被使用的時候再重新計算。
舉個例子，一個緩存涉及的表的字段，在1分鐘內就修改了20次，或者是100次，那麼緩存跟新20次，100次; 但是這個緩存在1分鐘內就被讀取了1次，有大量的冷數據。28黃金法則，20%的數據，佔用了80%的訪問量。實際上，如果你只是刪除緩存的話，那麼1分鐘內，這個緩存不過就重新計算一次而已，開銷大幅度降低。每次數據過來，就只是刪除緩存，然後修改數據庫，如果這個緩存，在1分鐘內只是被訪問了1次，那麼只有那1次，緩存是要被重新計算的。
3）數據庫與緩存雙寫不一致問題的解決方案
問題：併發請求的時候，數據發生了變更，先刪除了緩存，然後要去修改數據庫，此時還沒修改。另一個請求過來，去讀緩存，發現緩存空了，去查詢數據庫，查到了修改前的舊數據，放到了緩存中。
方案：數據庫與緩存更新與讀取操作進行異步串行化。（引入隊列）
更新數據的時候，將相應操作發送到一個jvm內部的隊列中。讀取數據的時候，如果發現數據不在緩存中，那麼將重新讀取數據的操作也發送到同一個jvm內部的隊列中。隊列消費者串行拿到對應的操作，然後一條一條的執行。這樣的話，一個數據變更的操作，先執行刪除緩存，然後再去更新數據庫，但是還沒完成更新。此時如果一個讀請求過來，讀到了空的緩存，那麼可以先將緩存更新的請求發送到隊列中，此時會在隊列中積壓，然後同步等待緩存更新完成。
這裡有兩個可以優化的點：
- 一個隊列中，其實多個讀緩存，更新緩存的請求串在一起是沒意義的，而且如果讀同一緩存的大量請求到來時，會依次進入隊列等待，這樣會導致隊列最後一個的請求響應時間超時。因此可以做過濾，如果發現隊列中已經有一個讀緩存，更新緩存的請求了，那麼就不用再放個新請求操作進去了，直接等待前面的更新操作請求完成即可。如果請求還在等待時間範圍內，不斷輪詢發現可以取到值了，那麼就直接返回; 如果請求等待的時間超過一定時長，那麼這一次直接從數據庫中讀取當前的舊值。
- 如果請求量特別大的時候，可以用多個隊列，每個隊列對應一個線程。每個請求來時可以根據請求的標識id進行hash路由進入到不同的隊列。
最後，一定要做根據實際業務系統的運行情況，去進行一些壓力測試，和模擬線上環境，去看看最繁忙的時候，內存隊列可能會擠壓多少更新操作，可能會導致最後一個更新操作對應的讀請求，會hang多少時間，如果讀請求在200ms返回，如果你計算過後，哪怕是最繁忙的時候，積壓10個更新操作，最多等待200ms，那還可以的。如果一個內存隊列可能積壓的更新操作特別多，那麼你就要加機器，讓每個機器上部署的服務實例處理更少的數據，那麼每個內存隊列中積壓的更新操作就會越少。其實根據之前的項目經驗，一般來說數據的寫頻率是很低的，因此實際上正常來說，在隊列中積壓的更新操作應該是很少的。
舉個例子：一秒就100個寫操作。單臺機器，20個內存隊列，每個內存隊列，可能就積壓5個寫操作，每個寫操作性能測試後，一般在20ms左右就完成，那麼針對每個內存隊列中的數據的讀請求，也就最多hang一會兒，200ms以內肯定能返回了。如果把寫QPS擴大10倍，但是經過剛才的測算，就知道，單機支撐寫QPS幾百沒問題，那麼就擴容機器，擴容10倍的機器，10臺機器，每個機器20個隊列，200個隊列。大部分的情況下，應該是這樣的，大量的讀請求過來，都是直接走緩存取到數據的，少量情況下，可能遇到讀跟數據更新衝突的情況，如上所述，那麼此時更新操作如果先入隊列，之後可能會瞬間來了對這個數據大量的讀請求，但是因為做了去重的優化，所以也就一個更新緩存的操作跟在它後面。
4）大型緩存全量更新問題的解決方案
問題：緩存數據很大時，可能導致redis的吞吐量就會急劇下降，網絡耗費的資源大。如果不維度化，就導致多個維度的數據混合在一個緩存value中。而且不同維度的數據，可能更新的頻率都大不一樣。拿商品詳情頁來說，如果現在只是將1000個商品的分類批量調整了一下，但是如果商品分類的數據和商品本身的數據混雜在一起。那麼可能導致需要將包括商品在內的大緩存value取出來，進行更新，再寫回去，就會很坑爹，耗費大量的資源，redis壓力也很大
方案：緩存維度化。舉個例子：商品詳情頁分三個維度：商品維度，商品分類維度，商品店鋪維度。將每個維度的數據都存一份，比如說商品維度的數據存一份，商品分類的數據存一份，商品店鋪的數據存一份。那麼在不同的維度數據更新的時候，只要去更新對應的維度就可以了。大大減輕了redis的壓力。
5）通過多級緩存，達到高併發極致，同時給緩存架構最後的安全保護層。具體可以參照上一篇文章【億級流量的商品詳情頁架構分析】。
6）分佈式併發緩存重建的衝突問題的解決方案
問題：假如數據在所有的緩存中都不存在了（LRU算法弄掉了），就需要重新查詢數據寫入緩存。對於分佈式的重建緩存，在不同的機器上，不同的服務實例中，去做上面的事情，就會出現多個機器分佈式重建去讀取相同的數據，然後寫入緩存中。
方案：分佈式鎖：如果你有多個機器在訪問同一個共享資源，那麼這個時候，如果你需要加個鎖，讓多個分佈式的機器在訪問共享資源的時候串行起來。分佈式鎖當然有很多種不同的實現方案，redis分佈式鎖，zookeeper分佈式鎖。
zookeeper分佈式鎖的解決併發衝突的方案
- （1）變更緩存重建以及空緩存請求重建，更新redis之前，都需要先獲取對應商品id的分佈式鎖
- （2）拿到分佈式鎖之後，需要根據時間版本去比較一下，如果自己的版本新於redis中的版本，那麼就更新，否則就不更新
- （3）如果拿不到分佈式鎖，那麼就等待，不斷輪詢等待，直到自己獲取到分佈式的鎖
7）緩存冷啟動的問題的解決方案
問題：新系統第一次上線，此時在緩存裡可能是沒有數據的。或者redis緩存全盤崩潰了，數據也丟了。導致所有請求打到了mysql。導致mysql直接掛掉。
方案：緩存預熱。
- 提前給redis中灌入部分數據，再提供服務
- 肯定不可能將所有數據都寫入redis，因為數據量太大了，第一耗費的時間太長了，第二根本redis容納不下所有的數據，需要根據當天的具體訪問情況，實時統計出訪問頻率較高的熱數據，然後將訪問頻率較高的熱數據寫入redis中，肯定是熱數據也比較多，我們也得多個服務並行讀取數據去寫，並行的分佈式的緩存預熱。
8）恐怖的緩存雪崩問題的解決方案
問題：緩存服務大量的資源全部耗費在訪問redis和源服務無果，最後自己被拖死，無法提供服務。
方案：相對來說，考慮的比較完善的一套方案，分為事前，事中，事後三個層次去思考怎麼來應對緩存雪崩的場景。
- 事前：高可用架構。主從架構，操作主節點，讀寫，數據同步到從節點，一旦主節點掛掉，從節點跟上。
- 事中：多級緩存。redis cluster已經徹底崩潰了，緩存服務實例的ehcache的緩存還能起到作用。
- 事後：redis數據可以恢復，做了備份，redis數據備份和恢復，redis重新啟動起來。
9）緩存穿透問題的解決方案
問題：緩存中沒有這樣的數據，數據庫中也沒有這樣的數據。由於緩存是不命中時被動寫的，並且出於容錯考慮，如果從存儲層查不到數據則不寫入緩存，這將導致這個不存在的數據每次請求都要到存儲層去查詢，失去了緩存的意義。在流量大時，可能DB就掛掉了，要是有人利用不存在的key頻繁攻擊我們的應用，這就是漏洞。
方案：有很多種方法可以有效地解決緩存穿透問題，最常見的則是採用布隆過濾器，將所有可能存在的數據哈希到一個足夠大的bitmap中，一個一定不存在的數據會被 這個bitmap攔截掉，從而避免了對底層存儲系統的查詢壓力。另外也有一個更為簡單粗暴的方法（我們採用的就是這種），如果一個查詢返回的數據為空（不管是數 據不存在，還是系統故障），我們仍然把這個空結果進行緩存，但它的過期時間會很短，最長不超過五分鐘。
閱讀更多 IT新手 的文章
