本套技术专栏是作者 (秦凯新) 平时工作的总结和升华, 并深度整理大量网上资源和专业书籍. 通过从真实商业环境抽取案例进行总结和分享, 并给出商业应用的调优建议和集群环境容量规划等内容, 请持续关注本套博客. QQ 邮箱地址: 1120746959@qq.com, 如有任何学术交流, 可随时联系.
1 缓存雪崩的解决方案
事前: Redis 高可用, 主从 + 哨兵, Redis cluster, 避免全盘崩溃
事中: 本地 ehcache 缓存 + hystrix 限流 & 降级, 避免 MySQL 被打死
事后: Redis 持久化, 快速恢复缓存数据
2 cache aside pattern
读的时候, 先读缓存, 缓存没有的话, 那么就读数据库, 然后取出数据后放入缓存, 同时返回响应
更新的时候, 先删除缓存, 然后再更新数据库
3 缓存不一致问题
只有在对一个数据在并发的进行读写的时候, 才可能会出现这种问题
其实如果说你的并发量很低的话, 特别是读并发很低, 每天访问量就 1 万次, 那么很少的情况下, 会出现刚才描述的那种不一致的场景
但是问题是, 如果每天的是上亿的流量, 每秒并发读是几万, 每秒只要有数据更新的请求, 就可能会出现上述的数据库 + 缓存不一致的情况
3.1 缓存不一致问题 1
问题: 先修改数据库, 再删除缓存, 如果删除缓存失败了, 那么会导致数据库中是新数据, 缓存中是旧数据, 数据出现不一致
解决思路
先删除缓存, 再修改数据库, 如果删除缓存成功了, 如果修改数据库失败了, 那么数据库中是旧数据, 缓存中是空的, 那么数据不会不一致
因为读的时候缓存没有, 则读数据库中旧数据, 然后更新到缓存中
3.2 缓存不一致问题 2
数据发生了变更, 先删除了缓存, 然后要去修改数据库, 此时还没修改
一个请求过来, 去读缓存, 发现缓存空了, 去查询数据库, 查到了修改前的旧数据, 放到了缓存中 数据变更的程序完成了数据库的修改, 导致此时数据库和缓存不一致.
4 数据库与缓存更新与读取操作进行异步串行化
异步串行化
更新数据的时候, 根据数据的唯一标识, 将操作路由之后, 发送到一个 jvm 内部的队列中, 读取数据的时候, 如果发现数据不在缓存中, 那么将重新读取数据 + 更新缓存的操作, 根据唯一标识路由之后, 也发送同一个 jvm 内部的队列中. 一个队列对应一个工作线程, 每个工作线程串行拿到对应的操作, 然后一条一条的执行.
这样的话, 一个数据变更的操作, 先执行, 删除缓存, 然后再去更新数据库, 但是还没完成更新, 此时如果一个读请求过来, 读到了空的缓存, 那么可以先将缓存更新的请求发送到队列中, 此时会在队列中积压, 然后同步等待缓存更新完成
这里有一个优化点, 一个队列中, 其实多个更新缓存请求串在一起是没意义的, 因此可以做过滤, 如果发现队列中已经有一个更新缓存的请求了, 那么就不用再放个更新请求操作进去了, 直接等待前面的更新操作请求完成即可
待那个队列对应的工作线程完成了上一个操作的数据库的修改之后, 才会去执行下一个操作, 也就是缓存更新的操作, 此时会从数据库中读取最新的值, 然后写入缓存中
如果请求还在等待时间范围内, 不断轮询发现可以取到值了, 那么就直接返回; 如果请求等待的时间超过一定时长, 那么这一次直接从数据库中读取当前的旧值
读请求长时阻塞
由于读请求进行了非常轻度的异步化, 所以一定要注意读超时的问题, 每个读请求必须在超时时间范围内返回, 该解决方案, 最大的风险点在于说, 可能数据更新很频繁, 导致队列中积压了大量更新操作在里面, 然后读请求会发生大量的超时, 最后导致大量的请求直接走数据库, 务必通过一些模拟真实的测试, 看看更新数据的频繁是怎样的
另外一点, 因为一个队列中, 可能会积压针对多个数据项的更新操作, 因此需要根据自己的业务情况进行测试, 可能需要部署多个服务, 每个服务分摊一些数据的更新操作
如果一个内存队列里居然会挤压 100 个商品的库存修改操作, 每个库存修改操作要耗费 10ms 区完成, 那么最后一个商品的读请求, 可能等待 10 * 100 = 1000ms = 1s 后, 才能得到数据
这个时候就导致读请求的长时阻塞
一定要做根据实际业务系统的运行情况, 去进行一些压力测试, 和模拟线上环境, 去看看最繁忙的时候, 内存队列可能会挤压多少更新操作, 可能会导致最后一个更新操作对应的读请求, 会 hang 多少时间, 如果读请求在 200ms 返回, 如果你计算过后, 哪怕是最繁忙的时候, 积压 10 个更新操作, 最多等待 200ms, 那还可以的
如果一个内存队列可能积压的更新操作特别多, 那么你就要加机器, 让每个机器上部署的服务实例处理更少的数据, 那么每个内存队列中积压的更新操作就会越少
5 Redis 的并发竞争
就是多客户端同时并发写一个 key, 可能本来应该先到的数据后到了, 导致数据版本错了. 或者是多客户端同时获取一个 key, 修改值之后再写回去, 只要顺序错了, 数据就错了.
Redis 自己就有天然解决这个问题的 CAS 类的乐观锁方案
6 生产环境中的 Redis 部署方案
6.1 Redis 部署需要考虑的问题
Redis 是主从架构? 集群架构? 用了哪种集群方案? 有没有做高可用保证? 有没有开启持久化机制确保可以进行数据恢复? 线上 Redis 给几个 G 的内存? 设置了哪些参数? 压测后你们 Redis 集群承载多少 QPS?
6.2 Redis 部署线上思路
采用 Redis cluster 模式, 10 台机器, 5 台机器部署了 Redis 主实例, 另外 5 台机器部署了 Redis 的从实例, 每个主实例挂了一个从实例, 5 个节点对外提供读写服务, 每个节点的读写高峰 qps 可能可以达到每秒 5 万, 5 台机器最多是 25 万读写请求 / s.
机器是什么配置? 32G 内存 + 8 核 CPU+1T 磁盘, 但是分配给 Redis 进程的是 10g 内存, 一般线上生产环境, Redis 的内存尽量不要超过 10g, 超过 10g 可能会有问题.
因为每个主实例都挂了一个从实例, 所以是高可用的, 任何一个主实例宕机, 都会自动故障迁移, Redis 从实例会自动变成主实例继续提供读写服务
你往内存里写的是什么数据? 每条数据的大小是多少? 假如商品数据每条是 10kb.100 条数据是 1mb,10 万条数据是 1g. 常驻内存的是 200 万条商品数据, 占用内存是 20g, 仅仅不到总内存的 50%.
7 总结
在此感谢石杉的讲义, 结合大数据在我们工业大数据平台的实践, 总结成一篇实践指南, 方便以后查阅反思, 后续我会根据本篇博客进行代码技术实践实现.
凯新云技术社区
来源: https://juejin.im/post/5c8de9e5e51d45369d2f00cd