前言

隨著我們業(yè)務(wù)開發(fā)越來越來大，并染請(qǐng)求就會(huì)越來越多，那么我們的項(xiàng)目的壓力就會(huì)越來越大，基本都會(huì)使用緩存，除本地緩存，還會(huì)用到redis緩存，但是你以為使用緩存就沒啥問題了么，那肯定不是的，使用了緩存又會(huì)出現(xiàn)新的問題，比如，緩存的key失效導(dǎo)致大量的請(qǐng)求到數(shù)據(jù)庫，大量的讀請(qǐng)求瞬間到達(dá)了數(shù)據(jù)庫，cpu的使用率爆增，導(dǎo)致數(shù)據(jù)庫都可能掛掉，這種情況下我們就要考慮使用redis的布隆過濾器了。

緩存穿透、擊穿、雪崩

首先我們從緩存會(huì)出現(xiàn)的幾種問題，來進(jìn)行分析，在高并發(fā)的場(chǎng)景下如果出現(xiàn)這種情況，我們應(yīng)該如何解決。

正常情況下，我們的web應(yīng)用會(huì)先去請(qǐng)求緩存服務(wù)，如果緩存命中，那么就去拿緩存里面的數(shù)據(jù)，返回結(jié)果給應(yīng)用，

緩存穿透

緩存穿透與緩存雪崩和緩存擊穿還是不一樣的，雪崩和擊穿的情況下，數(shù)據(jù)庫的數(shù)據(jù)都是真正常的，可以去請(qǐng)求數(shù)據(jù)庫獲取數(shù)據(jù)，只是緩存層出現(xiàn)問題，等待緩存恢復(fù)了，就會(huì)減輕數(shù)據(jù)庫的壓力。 而緩存透不一樣的就是，緩存和數(shù)據(jù)庫都沒有要請(qǐng)求的數(shù)據(jù)，大量的請(qǐng)求來了，數(shù)據(jù)庫的壓力很大。

出現(xiàn)情況

• 數(shù)據(jù)庫數(shù)據(jù)被大量清除，導(dǎo)致訪問不到
• 黑客惡意攻擊

常見的解決方案

• redis緩存空值，請(qǐng)求不到的時(shí)候返回給應(yīng)用空值。
• 使用布隆過濾器，把數(shù)據(jù)庫的一部分?jǐn)?shù)據(jù)hash到布隆過濾器里，在請(qǐng)求數(shù)據(jù)庫之前先去布隆過濾器里篩選到一部分請(qǐng)求，判斷數(shù)據(jù)是否存在，避免直接去訪問數(shù)據(jù)庫。

緩存擊穿

出現(xiàn)情況

• 大量熱點(diǎn)數(shù)據(jù)庫過期，導(dǎo)致無法從緩存獲取到數(shù)據(jù)，大量請(qǐng)求數(shù)據(jù)庫也無法返回書就

解決方案

• 加鎖，保證同一時(shí)間內(nèi)，只允許有一個(gè)線程去更新緩存，等鎖釋放后在重新去請(qǐng)求緩存。
• 熱點(diǎn)數(shù)據(jù)不去設(shè)置過期時(shí)間，如果要設(shè)置過期時(shí)間，在過期的時(shí)候通知后臺(tái)去更新緩存的過期時(shí)間。

緩存雪崩

• 大量緩存在同一時(shí)間失效，導(dǎo)致大量請(qǐng)求進(jìn)入數(shù)據(jù)庫
• redis故障宕機(jī)，導(dǎo)致緩存不能使用。

解決方案

• 同上加鎖
• 給緩存的過期時(shí)間加入隨機(jī)數(shù)，保證緩存不會(huì)在同一時(shí)間同時(shí)失效。
• 副本key策略，就是對(duì)于一個(gè)key，在它的基礎(chǔ)上在設(shè)置一個(gè)key，它們的value都是一樣的，只不過一個(gè)設(shè)置過期時(shí)間、一個(gè)不設(shè)置過期時(shí)間，相當(dāng)于給key做了個(gè)副本，只不過在更新緩存的時(shí)候，副本key也是要更新的，避免出現(xiàn)數(shù)據(jù)不一致的現(xiàn)象。

布隆過濾器 Bloom filter

前面提到過布隆過濾器在請(qǐng)求比較高的時(shí)候，可以幫助我們抵擋一部分請(qǐng)求，從而減輕數(shù)據(jù)庫的壓力，布隆過濾器的數(shù)據(jù)結(jié)構(gòu)是一個(gè)二進(jìn)制的bit向量，或者說是一個(gè)bit數(shù)組，它相對(duì)于list、set、map這些集合，它占用的空間更少，不足之處處就是返回的結(jié)果會(huì)有一定概率的誤差。

public static void main(String[] args) {
    int size = 1_000_000;
    BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), size);
    for (int i = 0; i < size; i++) {
        bloomFilter.put(i);
    }
    for (int i = 0; i < size; i++) {
        if (!bloomFilter.mightContain(i)) {
            System.out.println("有漏網(wǎng)之魚");
        }
    }
    List<Integer> list = new ArrayList<>(1000);
    for (int i = size + 10000; i < size + 20000; i++) {
        if (bloomFilter.mightContain(i)) {
            list.add(i);
        }
    }
    System.out.println("有誤差的數(shù)量：" + list.size());
}

確實(shí)有誤差的數(shù)量，但是誤差量不大，追求效率的同時(shí)只是犧牲一點(diǎn)誤差了。

總結(jié)

加鎖的排隊(duì)的場(chǎng)景確實(shí)能幫助我們很好的解決緩存穿透、擊穿的一些問題，但是效率也是非常低了，因?yàn)槊總€(gè)請(qǐng)求都是排隊(duì)等待，如果可以接受輕微誤差的話，布隆過濾器的確是個(gè)很不錯(cuò)的選擇，Bloom filter的bitmap的存儲(chǔ)效率確實(shí)很高。

以上就是Redis處理高并發(fā)之布隆過濾器詳解的詳細(xì)內(nèi)容，更多關(guān)于Redis布隆過濾器處理高并發(fā)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！