HI！我是小小，我们昨天没有见面，是因为昨天小小一天都在火车上呆，准备去广州的考试，所以脱稿一天，不过今天，小小的小blog已经开始恢复更新了。

汇报一下进度

小小今天坐车路过武汉，武汉武昌的一张路过照片。

下面开始今天的正文，看见小小怎么辛苦的份上，滑到底下，给个素质三连？

缓存雪崩

缓存雪崩是指在某一个时间段内，缓存集中过期失效，如果这个时间段内有大量请求，而查询数据量巨大，所有的请求都会达到存储层，存储层的调用量会暴增，引起数据库压力过大甚至宕机。

原因

1. Redis突然宕机

2. 大部分数据失效

举个栗子

比如我们基本上都经历过购物狂欢节，假设商家举办 23:00-24:00 商品打骨折促销活动。程序小哥哥在设计的时候，在 23:00 把商家打骨折的商品放到缓存中，并通过redis的expire设置了过期时间为1小时。这个时间段许多用户访问这些商品信息、购买等等。但是刚好到了24:00点的时候，恰好还有许多用户在访问这些商品，这时候对这些商品的访问都会落到数据库上，导致数据库要抗住巨大的压力，稍有不慎会导致，数据库直接宕机（over）。

当商品没有失效的时候是这样的：

当缓存GG（失效）的时候却是这样的：

对于缓存雪崩有以下解决方案：

（1）redis高可用

redis有可能挂掉，多增加几台redis实例，（一主多从或者多主多从），这样一台挂掉之后其他的还可以继续工作，其实就是搭建的集群。

（2）限流降级

在缓存失效后，通过加锁或者队列来控制读数据库写缓存的线程数量，对某个key只允许一个线程查询数据和写缓存，其他线程等待。

（3）数据预热

数据加热的含义就是在正式部署之前，我先把可能的数据先预先访问一遍，这样部分可能大量访问的数据就会加载到缓存中。在即将发生大并发访问前手动触发加载缓存不同的key。

（4）不同的过期时间

设置不同的过期时间，让缓存失效的时间点尽量均匀。

缓存穿透

什么是缓存穿透，当用户在查询一条数据的时候，而此时数据库和缓存没有任何关于这条数据的任何记录的时候，当这条数据再缓存中没找到数据，就会向数据库请求数据，这样就会对数据库造成比较大的压力。如：用户查询一个 id = -1 的商品信息，一般数据库 id 值都是从 1 开始自增，很明显这条信息是不在数据库中，当没有信息返回时，会一直向数据库查询，给当前数据库的造成很大的访问压力。解决方案有俩个，分别为缓存空对象，布隆过滤器。

缓存空对象

缓存空对象它就是指一个请求发送过来，如果此时缓存中和数据库都不存在这个请求所要查询的相关信息，那么数据库就会返回一个空对象，并将这个空对象和请求关联起来存到缓存中，当下次还是这个请求过来的时候，这时缓存就会命中，就直接从缓存中返回这个空对象，这样可以减少访问数据库的压力，提高当前数据库的访问性能。我们接下来可以看下面这个流程并且为了大量的空对象过多，导致缓存空对象也过多，所以需要利用Redis的过期机制，解决这个问题。

setex key seconds valule:设置键值对的同时指定过期时间(s)

在Java中

redisCache.put(Integer.toString(id), null, 60) //过期时间为 60s

布隆过滤器

布隆过滤器用来过滤东西的。它是一种基于概率的数据结构，主要使用爱判断当前某个元素是否在该集合中，运行速度快。我们也可以简单理解为是一个不怎么精确的 set 结构（set 具有去重的效果）。但是有个小问题是：当你使用它的 contains 方法去判断某个对象是否存在时，它可能会误判。也就是说布隆过滤器不是特别不精确，但是只要参数设置的合理，它的精确度可以控制的相对足够精确，只会有小小的误判概率。当布隆过滤器说某个值存在时，这个值可能不存在；当它说不存在时，那就肯定不存在。

举个栗子

打个比方，当它说不认识你时，肯定就不认识；当它说见过你时，可能根本就没见过面，不过因为你的脸跟它认识的人中某脸比较相似 (某些熟脸的系数组合)，所以误判以前见过你。在上面的使用场景中，布隆过滤器能准确过滤掉那些已经看过的内容，那些没有看过的新内容，它也会过滤掉极小一部分 (误判)，但是绝大多数新内容它都能准确识别。这样就可以完全保证推荐给用户的内容都是无重复的。

特点

1. 一个非常大的二进制位数组（数组中只存在 0 和 1）

2. 拥有若干个哈希函数（Hash Function）

3. 在空间效率和查询效率都非常高

4. 布隆过滤器不会提供删除方法，在代码维护上比较困难。

每个布隆过滤器对应到 Redis 的数据结构里面就是一个大型的位数组和几个不一样的无偏 hash 函数。所谓无偏就是能够把元素的 hash 值算得比较均匀。向布隆过滤器中添加 key 时，会使用多个 hash 函数对 key 进行 hash 算得一个整数索引值然后对位数组长度进行取模运算得到一个位置，每个 hash 函数都会算得一个不同的位置。再把位数组的这几个位置都置为 1 就完成了 add 操作。（ 每一个 key 都通过若干的hash函数映射到一个巨大位数组上，映射成功后，会在把位数组上对应的位置改为1。）

为什么存在误判率

当 key1 和 key2 映射到位数组上的位置为 1 时，假设这时候来了个 key3，要查询是不是在里面，恰好 key3 对应位置也映射到了这之间，那么布隆过滤器会认为它是存在的，这时候就会产生误判（因为明明 key3 是不在的）。

提高准确率

1. 哈希函数的好坏

2. 存储空间大小

3. 哈希函数个数 hash函数的设计也是一个十分重要的问题，对于好的hash函数能大大降低布隆过滤器的误判率。同时，对于一个布隆过滤器来说，如果其位数组越大的话，那么每个key通过hash函数映射的位置会变得稀疏许多，不会那么紧凑，有利于提高布隆过滤器的准确率。同时，对于一个布隆过滤器来说，如果key通过许多hash函数映射，那么在位数组上就会有许多位置有标志，这样当用户查询的时候，在通过布隆过滤器来找的时候，误判率也会相应降低。

缓存击穿

一个被经常访问并且查询到的key，经常有用户访问，但是这个时候，这个key正好到了失效时间，或者突然变成冷门key，此时仍然有大量的关于这个的key的请求，这样会造成大量的并发访问到数据库，造成数据库的压力剧增。导致缓存击穿的产生。

原因有两条。

1. 一个冷门的key，突然有大量的用户请求访问。

2. 一个热门的key恰好到了过期的时间。

缓存击穿问题的解决： 加锁，对于key过期的时候，查询数据库的时候加锁，可以让只有一个连接访问到数据库，然后获取到key缓存到redis中，减少了缓存的压力。在单机幻觉使用单机的锁，在分布式环境下使用分布式锁。

关于作者

一个生于二线，生存在一线的程序猿，佛系生活，佛系度日，我是小小，我们下期再见。

小明菜市场

推荐阅读

● 必备收藏 |详解 | 求你别用效率低下的I/O了，要不试试这种I/O

● 明了 | 看了这篇文章，多年不能理解的分布式事物，终于看懂了！

● 推荐 | 作为IDEA的死忠粉，这样设置，效果棒棒哒！

● 异常 | 求你别再写满屏的try-catch了，用全局异常好吗？- 夹私货-行测

● 探讨 | 深入探讨Redis管道

给我个好看再走好吗？