1. 程式人生 > >Redis快取擊穿原理、解決方案

Redis快取擊穿原理、解決方案

什麼是快取擊穿


在談論快取擊穿之前,我們先來回憶下從快取中載入資料的邏輯,如下圖所示




因此,如果黑客每次故意查詢一個在快取內必然不存在的資料,導致每次請求都要去儲存層去查詢,這樣快取就失去了意義。如果在大流量下資料庫可能掛掉。這就是快取擊穿。


場景如下圖所示:




我們正常人在登入首頁的時候,都是根據userID來命中資料,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,然後將這些請求懟到你的伺服器上,這些請求在快取中不存在,就會穿過快取,直接懟到資料庫上,從而造成資料庫連線異常。


解決方案


在這裡我們給出三套解決方案,大家根據專案中的實際情況,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


時間複雜度: O(1)


返回值: 設定成功,返回 1。設定失敗,返回 0 。


效果如下


redis> EXISTS 

job                # job 不存在

(integer) 0

 

redis> SETNX job "programmer"    # job 設定成功

(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,再從資料庫載入,載入完畢,釋放鎖。若其他執行緒發現獲取鎖失敗,則睡眠50ms後重試。


至於鎖的型別,單機環境用併發包的Lock型別就行,叢集環境則使用分散式鎖( redis的setnx)


叢集環境的redis的程式碼如下所示:


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 {  

        //其他執行緒休息50毫秒後重試  

        Thread.sleep(50);  

        get(key);  

    }  

  }  

}  


優點


  1. 思路簡單

  2. 保證一致性


缺點


  1. 程式碼複雜度增大

  2. 存在死鎖的風險


2、非同步構建快取


在這種方案下,構建快取採取非同步策略,會從執行緒池中取執行緒來非同步構建快取,從而不會讓所有的請求直接懟到資料庫上。該方案redis自己維護一個timeout,當timeout小於System.currentTimeMillis()時,則進行快取更新,否則直接返回value值。


叢集環境的redis程式碼如下所示:


String get(final String key) {  

        V v = redis.get(key);  

        String value = v.getValue();  

        long timeout = v.getTimeout();  

        if (v.timeout <= System.currentTimeMillis()) {  

            // 非同步更新後臺異常執行  

            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


  1. 性價最佳,使用者無需等待


缺點


  1. 無法保證快取一致性


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:


  1. 網頁爬蟲對URL的去重,避免爬取相同的URL地址

  2. 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,垃圾簡訊)

  3. 快取擊穿,將已存在的快取放到布隆過濾器中,當黑客訪問不存在的快取時迅速返回避免快取及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陣列,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,則陣列越長,所佔空間越大。誤判率越高則陣列越小,所佔的空間越小。


假設,根據誤判率,我們生成一個10位的bit陣列,以及2個hash函式((f_1,f_2)),如下圖所示(生成的陣列的位數和hash函式的數量,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,則將陣列下標為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,則將陣列下標為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


  1. 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

  2. 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,下面我們進行效能測試,


2、效能測試


程式碼如下:


(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("程式執行時間: " + (endTime - startTime) + "納秒");

 

    }

}


輸出如下所示


命中了

程式執行時間: 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,效能極佳。


(3)誤判率的一些概念


首先,我們先不對誤判率做顯示的設定,進行一個測試,程式碼如下所示


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個不在過濾器裡的值,看看有多少個會被認為在過濾器裡

        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


如果上述程式碼所示,我們故意取10000個不在過濾器裡的值,卻還有330個被認為在過濾器裡,這說明了誤判率為0.03.即,在不做任何設定的情況下,預設的誤判率為0.03。


下面上原始碼來證明:




接下來我們來看一下,誤判率為0.03時,底層維護的bit陣列的長度如下圖所示




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陣列的長度如下圖所示



由此可見,誤判率越低,則底層維護的陣列越長,佔用空間越大。因此,誤判率實際取值,根據伺服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虛擬碼如下所示


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


  1. 思路簡單

  2. 保證一致性

  3. 效能強


缺點


  1. 程式碼複雜度增大

  2. 需要另外維護一個集合來存放快取的Key

  3. 布隆過濾器不支援刪值操作