本篇文章给大家带来了关于redis的相关知识，其中主要介绍了关于缓存雪崩、缓存击穿和缓存穿透的相关内容，下面一起来看一下，希望对大家有帮助。
推荐学习：Redis视频教程
关于Redis的高频问题，缓存雪崩、缓存击穿和缓存穿透一定少不了，相信大家在面试中都被问到过类似的问题。为什么这些问题一直热门呢？因为我们在使用Redis缓存时，这些问题都是很容易遇到的。接下来我们就来看看这些问题都是怎么产生的，对应的解决方案都有哪些吧。
缓存雪崩
首先来看看缓存雪崩，缓存雪崩的概念就是：大量的请求没有在Redis缓存中得到处理，从而导致请求都涌入到数据库中，然后数据库的压力剧增。
引起缓存雪崩的原因可总结为2个：
- 缓存中有大量的数据同时过期，这样此时大量的请求都怼到数据库了。
- Redis缓存实例发生故障了，无法处理大量请求，也会导致请求都跑到数据库去了。
先来看看第一个场景：缓存中大量的数据同时过期问题。
缓存中大量的数据同时过期
结合图例来看，就是大量的数据在同一时间过期，然后此时又有很多的请求要读取这些数据。当然就会发生缓存雪崩，从而导致数据库压力剧增了。
大量数据同时过期的解决方案
应对大量数据同时过期问题，通常有2种方案：
- 数据过期设置增加随机时间：也就是用expire命令给数据设置过期时间时，增加一个随机的时间，比如数据a是5分钟过期，在5分钟的基础上随机增加10-120秒时间。这样就能避免大量数据同时过期。
- 服务降级：也就是发生缓存雪崩时，（1）若访问的不是核心数据，当没有缓存命中时，不去数据库了，直接返回预先设置好的信息，比如空值或者错误信息；（2）当访问的是核心数据，缓存未命中时，允许去数据库查询。这样就将不是核心数据的请求都拒绝怼到数据库了。
看完了大量数据同时过期的情况，再来看看Redis缓存实例故障的情况。
Redis缓存实例故障导致的缓存雪崩
这种情况下，Redis无法处理读请求了，请求自然就怼到数据库了。
通常来说，应对这种情况，我们也有2种方式：
- 在业务系统中做好服务熔断/请求限流。
- 事前预防：构建Redis高可靠集群，比如主从集群的主备切换。
服务熔断，也就是当Redis发生故障时，暂停请求对缓存系统的访问。等到Redis恢复正常了再打开请求访问。
这种方式我们需要对Redis或数据库的运行状态进行监控，比如MySQL的负载压力、Redis的CPU使用率、内存使用率及QPS等。当发现Redis实例缓存雪崩了，就暂停服务。
这种情况能有效放置大量请求对数据库造成压力。但是会暂停请求访问，对业务端的影响很大。
因此，为了减少对业务端的影响，我们可以使用请求限流方式，控制QPS，避免过多的请求怼到数据库去。比如下面图例，本身有2万每秒的请求，但因为Redis故障宕机了。我们限流操作将qps降到2千每秒，数据库处理2000的qps还是没问题的。
缓存击穿
缓存击穿就是指个别访问频繁的热点数据无法缓存命中，然后请求都涌入到数据库中。它经常会在热点数据过期时发生。
对于缓存击穿问题，我们知道这些都是被访问非常频繁的热点数据，处理方式就简单粗暴了，直接不设置过期时间了。等热点数据不频繁访问再手动处理即可。
缓存穿透
缓存雪崩有些特别，它是指要访问的数据既不在Redis缓存，也不在数据库中。当大量请求进到系统时，Redis和数据库都会有巨大压力。
导致缓存穿透的原因通常有2种：
- 数据被误删除了，导致缓存和数据库都没有数据了。然而客户端是不知道的，还在疯狂请求。
- 有恶意攻击的情况：也就是被人盯上了，专门去查没有的数据。
对于缓存穿透的情况，解决方案可以参考下面几种：
- 是对缓存设置空值或者默认值。 比如发生缓存穿透时，在Redis缓存中设置空值/默认值。后续查询该值时就直接返回这个默认值了。
- 使用布隆过滤器来判断数据是否存在，避免从数据库查询。
- 在前端就进行请求检测。 比如在前端将一些不合法的请求直接过滤，不要发到后端来处理。
第一点和第三点比较容易理解，这里就不展开描述。我们重点来看看第二点：布隆过滤器。
布隆过滤器
布隆过滤器主要用于判断一个元素是否在一个集合中。它是由一个固定大小的二进制向量（可理解成默认为0的bit数组）和一系列的映射函数组成的。
我们首先来看看布隆过滤器是如何标记一个数据a的：
- 第一步，会使用到多个映射函数（哈希函数），每个函数都会计算这个数据a的哈希值；
- 第二步，这些计算得出的哈希值会分别对bit数组长度取模，这样就得到每个哈希值在数组上的位置；
- 第三步，把第二步得到的位置，分别在bit数组上设置为1。
通过这3个步骤，数据标记就完成了。然后要查询数据在不在的时候是这样做的：
- 先计算这个数据在bit数组中的多个位置；
- 然后分别查看bit数组的这些位置的bit值。只有每个位置的bit值都为1，说明数据才可能存在，否则数据一定不存在。
结合下图来看，基本原理就是这样。
推荐学习：Redis视频教程
