什么是緩存擊穿
在談論緩存擊穿之前，我們先來回憶下從緩存中加載數據的邏輯，如下圖所示
因此，如果黑客每次故意查詢一個在緩存內必然不存在的數據，導致每次請求都要去存儲層去查詢，這樣緩存就失去了意義。如果在大流量下數據庫可能掛掉。這就是緩存擊穿。
場景如下圖所示:
我們正常人在登錄首頁的時候，都是根據userID來命中數據，然而黑客的目的是破壞你的系統，黑客可以隨機生成一堆userID,然后將這些請求懟到你的服務器上，這些請求在緩存中不存在，就會穿過緩存，直接懟到數據庫上,從而造成數據庫連接異常。
解決方案
在這里我們給出三套解決方案，大家根據項目中的實際情況，選擇使用.
講下述三種方案前，我們先回憶下redis的setnx方法
SETNX key value
將 key 的值設為 value ，當且僅當 key 不存在。
若給定的 key 已經存在，則 SETNX 不做任何動作。
SETNX 是『SET if Not eXists』(如果不存在，則 SET)的簡寫。
可用版本：>= 1.0.0
時間復雜度： O(1)
返回值： 設置成功，返回 1。設置失敗，返回 0 。
效果如下
redis> EXISTS job # job 不存在
(integer) 0
redis> SETNX job "programmer" # job 設置成功
(integer) 1
redis> SETNX job "code-farmer" # 嘗試覆蓋 job ，失敗
(integer) 0
redis> GET job # 沒有被覆蓋
"programmer"
1、使用互斥鎖
該方法是比較普遍的做法，即，在根據key獲得的value值為空時，先鎖上，再從數據庫加載，加載完畢，釋放鎖。若其他線程發現獲取鎖失敗，則睡眠50ms后重試。
至於鎖的類型，單機環境用並發包的Lock類型就行，集群環境則使用分布式鎖( redis的setnx)
集群環境的redis的代碼如下所示:
String get(String key) {
String value = redis.get(key);
if (value == null) {
if (redis.setnx(key_mutex, "1")) {
// 3 min timeout to avoid mutex holder crash
redis.expire(key_mutex, 3 * 60)
value = db.get(key);
redis.set(key, value);
redis.delete(key_mutex);
} else {
//其他線程休息50毫秒后重試
Thread.sleep(50);
get(key);
}
}
}
優點
-
思路簡單
-
保證一致性
缺點
-
代碼復雜度增大
-
存在死鎖的風險
2、異步構建緩存
在這種方案下，構建緩存采取異步策略，會從線程池中取線程來異步構建緩存，從而不會讓所有的請求直接懟到數據庫上。該方案redis自己維護一個timeout，當timeout小於System.currentTimeMillis()時，則進行緩存更新，否則直接返回value值。
集群環境的redis代碼如下所示:
String get(final String key) {
V v = redis.get(key);
String value = v.getValue();
long timeout = v.getTimeout();
if (v.timeout <= System.currentTimeMillis()) {
// 異步更新后台異常執行
threadPool.execute(new Runnable() {
public void run() {
String keyMutex = "mutex:" + key;
if (redis.setnx(keyMutex, "1")) {
// 3 min timeout to avoid mutex holder crash
redis.expire(keyMutex, 3 * 60);
String dbValue = db.get(key);
redis.set(key, dbValue);
redis.delete(keyMutex);
}
}
});
}
return value;
}
優點
-
性價最佳，用戶無需等待
缺點
-
無法保證緩存一致性
3、布隆過濾器
1、原理
布隆過濾器的巨大用處就是，能夠迅速判斷一個元素是否在一個集合中。因此他有如下三個使用場景:
-
網頁爬蟲對URL的去重，避免爬取相同的URL地址
-
反垃圾郵件，從數十億個垃圾郵件列表中判斷某郵箱是否垃圾郵箱（同理，垃圾短信）
-
緩存擊穿，將已存在的緩存放到布隆過濾器中，當黑客訪問不存在的緩存時迅速返回避免緩存及DB掛掉。
OK，接下來我們來談談布隆過濾器的原理
其內部維護一個全為0的bit數組，需要說明的是，布隆過濾器有一個誤判率的概念，誤判率越低，則數組越長，所占空間越大。誤判率越高則數組越小，所占的空間越小。
假設，根據誤判率，我們生成一個10位的bit數組，以及2個hash函數（(f_1,f_2)），如下圖所示(生成的數組的位數和hash函數的數量，我們不用去關心是如何生成的，有數學論文進行過專業的證明)。
假設輸入集合為((N_1,N_2)),經過計算(f_1(N_1))得到的數值得為2，(f_2(N_1))得到的數值為5，則將數組下標為2和下表為5的位置置為1，如下圖所示
同理，經過計算(f_1(N_2))得到的數值得為3，(f_2(N_2))得到的數值為6，則將數組下標為3和下表為6的位置置為1，如下圖所示
這個時候，我們有第三個數(N_3)，我們判斷(N_3)在不在集合((N_1,N_2))中，就進行(f_1(N_3)，f_2(N_3))的計算
-
若值恰巧都位於上圖的紅色位置中，我們則認為，(N_3)在集合((N_1,N_2))中
-
若值有一個不位於上圖的紅色位置中，我們則認為，(N_3)不在集合((N_1,N_2))中
以上就是布隆過濾器的計算原理，下面我們進行性能測試，
2、性能測試
代碼如下:
(1)新建一個maven工程，引入guava包
<dependencies>
<dependency>
<groupId>com.google.guava</groupId>
<artifactId>guava</artifactId>
<version>22.0</version>
</dependency>
</dependencies>
(2)測試一個元素是否屬於一個百萬元素集合所需耗時
package bloomfilter;
import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;
import java.nio.charset.Charset;
public class Test {
private static int size = 1000000;
private static BloomFilter<Integer> bloomFilter =BloomFilter.create(Funnels.integerFunnel(), size);
public static void main(String[] args) {
for (int i = 0; i < size; i++) {
bloomFilter.put(i);
}
long startTime = System.nanoTime(); // 獲取開始時間
//判斷這一百萬個數中是否包含29999這個數
if (bloomFilter.mightContain(29999)) {
System.out.println("命中了");
}
long endTime = System.nanoTime(); // 獲取結束時間
System.out.println("程序運行時間： " + (endTime - startTime) + "納秒");
}
}
輸出如下所示
命中了
程序運行時間： 219386納秒
也就是說，判斷一個數是否屬於一個百萬級別的集合，只要0.219ms就可以完成，性能極佳。
(3)誤判率的一些概念
首先，我們先不對誤判率做顯示的設置，進行一個測試，代碼如下所示
package bloomfilter;
import java.util.ArrayList;
import java.util.List;
import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;
public class Test {
private static int size = 1000000;
private static BloomFilter<Integer> bloomFilter =BloomFilter.create(Funnels.integerFunnel(), size);
public static void main(String[] args) {
for (int i = 0; i < size; i++) {
bloomFilter.put(i);
}
List<Integer> list = new ArrayList<Integer>(1000);
//故意取10000個不在過濾器里的值，看看有多少個會被認為在過濾器里
for (int i = size + 10000; i < size + 20000; i++) {
if (bloomFilter.mightContain(i)) {
list.add(i);
}
}
System.out.println("誤判的數量：" + list.size());
}
}
輸出結果如下
誤判對數量：330
如果上述代碼所示，我們故意取10000個不在過濾器里的值，卻還有330個被認為在過濾器里，這說明了誤判率為0.03.即，在不做任何設置的情況下，默認的誤判率為0.03。
下面上源碼來證明：
接下來我們來看一下，誤判率為0.03時，底層維護的bit數組的長度如下圖所示
將bloomfilter的構造方法改為
private static BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), size,0.01);
即，此時誤判率為0.01。在這種情況下，底層維護的bit數組的長度如下圖所示
由此可見，誤判率越低，則底層維護的數組越長，占用空間越大。因此，誤判率實際取值，根據服務器所能夠承受的負載來決定，不是拍腦袋瞎想的。
3、實際使用
redis偽代碼如下所示
String get(String key) {
String value = redis.get(key);
if (value == null) {
if(!bloomfilter.mightContain(key)){
return null;
}else{
value = db.get(key);
redis.set(key, value);
}
}
return value；
}
優點
-
思路簡單
-
保證一致性
-
性能強
缺點
-
代碼復雜度增大
-
需要另外維護一個集合來存放緩存的Key
-
布隆過濾器不支持刪值操作
轉自：https://blog.csdn.net/hjm4702192/article/details/80518952