前面的文章我們主要聊了一些redis 的基礎知識，一直沒有實戰或實際中遇到的問題，大家會枯燥無味些，今天我就來聊聊實戰。
相信這三個問題，網路上已經有很多的夥伴講過了，但是今天我還是想說下，會多畫圖，讓大家加深印象，這三個問題也高頻的面試題，但是能把這幾個問題說清楚，也是需要技巧的。 【相關推薦：Redis影片教學】
再說這三個問題的時候，先說下正常的請求流程，看圖片說話：
上圖的意思大致如下：
首先會在你的程式碼中，可能是tomcat 也可以是你的rpc 服務中，先判斷快取cache 中是否存在你想要的數據，如果儲存了，那麼直接傳回給呼叫端，如果不存在，那麼就需要查詢資料庫，查詢出結果來，再繼續快取到cache中，然後傳回結果給呼叫方，下次再來的查詢的時候，也就命中緩存了。
定義
#記得之前在做推薦系統的時候，有些資料是離線演算法算出來的，需求是看了這個商品會推薦哪些相似的商品，這個算出來之後會存儲到hbase，同時存儲到redis，由於都是批量算法出來的，再存儲到redis 的時候，如果過期時間設置相同，那麼就會造成大批量的key ，在同一時刻失效，那麼就會有大批量的請求會被打到後台的數據庫上，因為數據庫的吞吐量是有限的，很有可能會把數據庫打垮的，這種情況就是快取雪崩，看圖說話：
這個主要是說明一個快取雪崩出現的場景，尤其是定時任務在批次設定cache的時候，一定要注意過期時間的設定。
如何預防雪崩
其實也很簡單，就是在你批次設定cache的快取時間的時候，給設定的快取時間，設定一個隨機數(如隨機數可以10分鐘內的數字，隨機數的生成可以用java的Random生成)，這樣，就不會出現大量的key，再同一時刻集體失效了，看圖說話：
如果真的發生了雪崩怎麼辦？
流量不太大，資料庫能抗住，ok，恭喜你逃過一劫。
流量很大，超過了資料庫所能處理的請求數的極限，資料庫down機了，也恭喜你領了一個P0事故單。
流量很大，如果你的資料庫有限流方案，當達到了限流設定的參數，那麼就會拒絕請求，從而保護了後台db。這裡對限流多說幾句。
可以透過設定每秒請求數，來限制大量的請求到達db端，注意這裡的每秒請求數，或者說是並發數，並不是資料當前的每秒請求數，可以設定為查詢某個key 對應的每秒請求數量，這樣做的目的，是防止大量相同key的請求到達後端資料庫，這樣就能攔截了大部分請求了。
看圖說話：
這樣相同的key，就會被限流了大部分請求，從而保護了資料庫db。
其實限流也分為本地限流和分散式限流兩種，後面的文章裡，我會 介紹本地限流和redis 實現的分散式限流。
定義
#例如在某網站在進行雙十一或在搞秒殺等營運活動的時候，那麼此時網站流量一般都會很大的，某個一個商品因為促銷會成為爆品，流量超級的大，如果這個商品，在這個時候，由於某種原因，在cache內失效了，那麼就瞬間這個key的流量都會湧向資料庫了，那麼db最後撐不住了，down了，後果可想而知啊，正常其他的資料也查詢不了。
看圖片說話：
redis 中的huawei pro 這個key 突然失效了，可能是到期了，可能是記憶體不夠被淘汰了，那麼就會有大流量的請求到達redis ，發現redis 沒有這個key，那麼這些流量，就會轉到DB 上去，查詢對應的huawei pro，此時DB 挺不住了，down了。
如何解決
其實歸根到底還是不能讓更多的流量到達DB就行了，所以我們就是要限製到達db的流量就可以了。
1、限流
和上面說的類似，主要是限制某個key的流量，當這個key ，被擊穿後，限制只有一個流量進入到db，其他都被拒絕，或等待重試查詢redis。
限流的圖可以參考快取擊穿限流的圖。
這裡也會分本地限流和分散式限流 。
何為本地限流，就是在本地單一實例範圍內，限制這個key的流量多少，只對目前實例有效。
何為分散式限流呢，就是在分散式的環境下，多個實例的範圍內，這個key的限制流量的累加是來自多個實例的流量，達到限制，所有的實例都會限制流量到達DB。
2、利用分散式鎖定
這裡簡單說下分散式鎖定的定義，在並發場景下，需要使用鎖定對共享資源互斥存取來保證線程安全；同樣，在分散式場景下，也需要一種機制來確保對多節點共享資源的互斥訪問，實現機制就是分散式鎖。
在這裡共享資源就是例子中的huawei pro，也就是在訪問db中的huawei pro 的時候，要確保只有一個線程或者一個流量去訪問，就達到了分佈式鎖的效果。
看圖片說話：
去搶鎖：
#大量請求在沒有取得到huawei pro 這個key的值後，準備去db取得數據，此時取得db的程式碼加了分散式鎖，那麼每個請求，也是每個執行緒都會去取得huawei pro 的分散式鎖(圖中利用redis實作了分散式鎖，後面我會有單獨一篇文章來介紹分散式鎖的實現，不限於redis)。
取得鎖定之後：
此時執行緒A取得了huawei pro 的分散式鎖，那麼執行緒A就會去DB載入數據，然後由線程A將huawei pro 再次設定到cache內，然後返回資料。
其他的執行緒就沒有取得到，一種方式就是直接傳回空值給客戶端，還有一個等待50-100ms ，因為查詢db和放入redis 會很快，此時等待，再一次查詢的時候，結果可能就有了，如果沒有就直接回傳null，當然也可以重試，當然在大並發的場景下，還是希望能夠快速的回傳結果，不能發生太多次數的重試操作。
3、定時任務更新熱點key
這個就很好理解，說穿了，就是一個定時任務定時的去監控某些熱點key的超時時間，是否到期，再進行快到期了的時候延長key在cache中的快取時間就可以了。
單一執行緒輪詢的方式檢查和更新失效時間,看圖：
多執行緒的方式，注意熱點的key 不能太多，某個執行緒會開啟很多，如果熱點key很多，可以採用執行緒池的方式，看圖：
延遲隊列實現
上面的方式說白了，無論是單一線程還是多個線程，都是會採用輪詢的方式（每次白白浪費的cpu），來檢查是否key 快到期了，這種方式檢查會存在檢查時間不准確，可能會造成時間的延遲或者不准確，你在等待進行下次檢查的時候，這個key就沒了，那麼此時就已經發了擊穿，這個情況的發生雖然機率低，但也是有的，那麼我們怎麼才能避免呢，其實咱們可以利用延遲隊列(環形隊列來實現，這裡我不深入講這個隊列的原理了，大家可以自行百度或者google )，所謂的延遲隊列就是你往這個隊列發送訊息，希望按照你設定的時間來進行消費，時間沒到不會進行消費，時間到了就進行消費，好了，看圖說話吧：
1、程式首次啟動取得名單內key的失效時間。
2、依序設定key 延遲消費的時間，注意這個消費時間要比失效時間早。
3、延遲佇列到期，消費端進行消費key。
4、消費端消費訊息，延遲key的失效時間到cache。
5、再次發送key 新的失效時間到延遲隊列，等待下次延遲cache的失效時間。
4、設定key 不失效
這種其實也可能會因為記憶體不足，key 被淘汰，大家可以想想什麼情況下，key 會被淘汰。
定義
所謂穿透，就是存取了一個cache不存在，資料庫裡也不存在的key ，那麼此時相當於流量直接到達了DB 了，那麼一些流氓就可以利用這個漏洞，瘋狂的刷你的接口，進而把你的DB打垮，你的業務也就不能正常運行了。
如何解決呢？
1、設定null 或特殊值
我們可以透過設定null 或特定的值到redis內，且不過期，那麼下次再來的時候，直接從redis 取得這個null 或者特殊值就可以了。
這個方案不能解決根本性的問題，如果這個流量能仿造出大量的無用key，你設定再多的null或特殊的值都是沒有用的，那我們該怎麼解決呢？
2、布隆過濾器
布隆過濾器英文為bloomfiler，這裡我們只是做簡單的介紹，介於篇幅的原因，後面會有單獨的文章做介紹。
舉個例子，如果我們資料庫裡儲存著千萬級的sku 數據，我們現在的需求是如果庫有這個sku，那麼就查詢redis ，如果redis 沒有就查詢資料庫，然後更新redis，我們最先想到的就是把sku資料放入到一hashmap內，key 就是sku，因為sku 的數量很多，那麼這個hashmap佔用的內存空間會很大，有可能會撐爆內存，最後得不償失了，那麼怎麼來節省內存，我們可以利用一個bit的數組，來儲存這個sku是否存在狀態，0 代表不存在，1 代表存在，我們可以利用一個雜湊函數，算出sku的雜湊值，然後sku的雜湊值對bit數組進行取模，找到所在數組的位置，然後設定為1，當請求來的時候，我們會算出這個sku 散列值對應的數組位置是否為1 ，為1 說明就存在，為0 說明就不存在。這樣簡單的bloomfilter就實現了，bloomfiler 是有錯誤率，可以考慮增加數組長度和散列函數的數量來提供準確率，具體可以百度或者google，今天在這裡就不講了。
下面來看看利用bloomfiler 來防止快取穿透的流程，看圖說話：
bloomfiler的初始化可以透過一個定時任務來讀取db，初始化bit數組的大小，預設值都是為0，表示不存在，然後每個都計算散列值對應的數組位置，然後插入到bit 數組中。
請求流程，看圖：
#如果不利用bloomfiler 過濾器，對於一個資料庫裡根本不存在的key，其實白白浪費了兩次IO，一次查詢redis，一次查詢DB，有了bloomfiler ，那麼就節省了這兩次無用的IO，減少後端redis 和DB 資源的浪費。
今天我們聊了redis快取 的高頻的面試和實戰中遇到的問題以及解決方案。
快取雪崩
解決方案：
#在設定失效時間段的時候，加上一個時間的隨機數，可以幾分鐘之內的都可以。
以及如果真的雪崩了怎麼辦的問題，可以採用限流的方式。
快取擊穿
解決方案：
定時更新熱點key ，這裡著重在延遲佇列。
以上是聊聊Redis中的快取雪崩、快取擊穿和快取穿透的詳細內容。更多資訊請關注PHP中文網其他相關文章！
