轉載自：微信公眾號《Java知音》
在實際的開發當中，我們經常需要進行磁盤數據的讀取和搜索，因此經常會有出現從數據庫讀取數據的場景出現。
但是當數據訪問量次數增大的時候，過多的磁盤讀取可能會最終成為整個系統的性能瓶頸，甚至是壓垮整個數據庫，導致系統卡死等嚴重問題。
常規的應用系統中，我們通常會在需要的時候對數據庫進行查找，因此系統的大致結構如下所示：
當數據量較高的時候，需要減少對於數據庫里面的磁盤讀寫操作，因此通常都會選擇在業務系統和MySQL數據庫之間加入一層緩存從而減少對數據庫方面的訪問壓力。
但是很多時候，緩存在實際項目中的應用並非這么簡單。下邊我們來通過幾個比較經典的緩存應用場景來列舉一些問題：
1.緩存和數據庫之間數據一致性問題
常用於緩存處理的機制我總結為了以下幾種：
Cache Aside
Read Through
Write Through
Write Behind Caching
首先來簡單說說Cache aside的這種方式：
Cache Aside模式
這種模式處理緩存通常都是先從數據庫緩存查詢，如果緩存沒有命中則從數據庫中進行查找。
這里面會發生的三種情況如下：
緩存命中：
當查詢的時候發現緩存存在，那么直接從緩存中提取。
緩存失效：
當緩存沒有數據的時候，則從database里面讀取源數據，再加入到cache里面去。
緩存更新：
當有新的寫操作去修改database里面的數據時，需要在寫操作完成之后，讓cache里面對應的數據失效。
這種Cache aside模式通常是我們在實際應用開發中最為常用到的模式。但是並非說這種模式的緩存處理就一定能做到完美。
關於這種模式下依然會存在缺陷。
比如，一個是讀操作，但是沒有命中緩存，然后就到數據庫中取數據，此時來了一個寫操作，寫完數據庫后，讓緩存失效，然后，之前的那個讀操作再把老的數據放進去，所以，會造成臟數據。
Facebook的大牛們也曾經就緩存處理這個問題發表過相關的論文，鏈接如下:
https://www.usenix.org/system/files/conference/nsdi13/nsdi13-final170_update.pdf
分布式環境中要想完全的保證數據一致性是一件極為困難的事情，我們只能夠盡可能的減低這種數據不一致性問題產生的情況。
Read Through模式
Read Through模式是指應用程序始終從緩存中請求數據。如果緩存沒有數據，則它負責使用底層提供程序插件從數據庫中檢索數據。檢索數據后，緩存會自行更新並將數據返回給調用應用程序。使用Read Through 有一個好處。
我們總是使用key從緩存中檢索數據, 調用的應用程序不知道數據庫， 由存儲方來負責自己的緩存處理，這使代碼更具可讀性， 代碼更清晰。
但是這也有相應的缺陷，開發人員需要給編寫相關的程序插件，增加了開發的難度性。
Write Through模式
Write Through模式和Read Through模式類似，當數據發生更新的時候，先去Cache里面進行更新，如果命中了，則先更新緩存再由Cache方來更新database。如果沒有命中的話，就直接更新Cache里面的數據。
Write Behind Caching模式
Write Behind Caching 這種模式通常是先將數據寫入到緩存里面，然后再異步的寫入到database中進行數據同步
這樣的設計既可以直接的減少我們對於數據的database里面的直接訪問，降低壓力，同時對於database的多次修改可以進行合並操作，極大的提升了系統的承載能力。
但是這種模式處理緩存數據具有一定的風險性，例如說當cache機器出現宕機的時候，數據會有丟失的可能。
2.緩存穿透問題
在高並發的場景中，緩存穿透是一個經常都會遇到的問題。
什么是緩存穿透？
大量的請求在緩存中沒有查詢到指定的數據，因此需要從數據庫中進行查詢，造成緩存穿透。
會造成什么后果？
大量的請求短時間內涌入到database中進行查詢會增加database的壓力，最終導致database無法承載客戶單請求的壓力，出現宕機卡死等現象。
常用的解決方案通常有以下幾類：
1.空值緩存
在某些特定的業務場景中，對於數據的查詢可能會是空的，沒有實際的存在，並且這類數據信息在短時間進行多次的反復查詢也不會有變化，那么整個過程中，多次的請求數據庫操作會顯得有些多余。
不妨可以將這些空值（沒有查詢結果的數據）對應的key存儲在緩存中，那么第二次查找的時候就不需要再次請求到database那么麻煩，只需要通過內存查詢即可。這樣的做法能夠大大減少對於database的訪問壓力。
2.布隆過濾器
通常對於database里面的數據的key值可以預先存儲在布隆過濾器里面去，然后先在布隆過濾器里面進行過濾
如果發現布隆過濾器中沒有的話，就再去redis里面進行查詢，如果redis中也沒有數據的話，再去database查詢。這樣可以避免不存在的數據信息也去往存儲庫中進行查詢情況。
關於布隆過濾器的學習可以參考下我的這篇筆記：
https://blog.csdn.net/Danny_idea/article/details/88946673
3.緩存雪崩場景
什么是緩存雪崩？
當緩存服務器重啟或者大量緩存集中在某一個時間段失效，這樣在失效的時候，也會給后端系統(比如DB)帶來很大壓力。
如何避免緩存雪崩問題？
1.使用加鎖隊列來應付這種問題。當有多個請求涌入的時候，當緩存失效的時候加入一把分布式鎖，只允許搶鎖成功的請求去庫里面讀取數據然后將其存入緩存中，再釋放鎖，讓后續的讀請求從緩存中取數據。
但是這種做法有一定的弊端，過多的讀請求線程堵塞，將機器內存占滿，依然沒有能夠從根本上解決問題。
2.在並發場景發生前，先手動觸發請求，將緩存都存儲起來，以減少后期請求對database的第一次查詢的壓力。
數據過期時間設置盡量分散開來，不要讓數據出現同一時間段出現緩存過期的情況。
3.從緩存可用性的角度來思考，避免緩存出現單點故障的問題，可以結合使用 主從+哨兵的模式來搭建緩存架構
但是這種模式搭建的緩存架構有個弊端，就是無法進行緩存分片，存儲緩存的數據量有限制，因此可以升級為Redis Cluster架構來進行優化處理
（需要結合企業實際的經濟實力，畢竟Redis Cluster的搭建需要更多的機器）
4.Ehcache本地緩存 + Hystrix限流&降級,避免MySQL被打死。
使用 Ehcache本地緩存的目的也是考慮在 Redis Cluster 完全不可用的時候，Ehcache本地緩存還能夠支撐一陣。
使用 Hystrix進行限流 & 降級 ，比如一秒來了5000個請求，我們可以設置假設只能有一秒 2000個請求能通過這個組件，那么其他剩余的 3000 請求就會走限流邏輯。
然后去調用我們自己開發的降級組件（降級），比如設置的一些默認值呀之類的。以此來保護最后的 MySQL 不會被大量的請求給打死。