目前的IO裝置遠不能滿足網際網路應用海量的讀寫請求。於是便出現了快取，利用記憶體的高速讀寫效能來應付海量的查詢請求。然而記憶體資源非常寶貴，將全量資料儲存在記憶體中顯然是不切合實際的。因此目前採用記憶體和IO結合的方式，記憶體只儲存熱點資料，而IO裝置儲存全量資料。 快取的設計包含很多技巧，設計不當將會導致嚴重的後果。本文將介紹快取使用中常見的三大問題，並給出相應的解決方案。
1. 快取穿透
在大多數網際網路應用中，快取的使用方式如下圖所示：
- 當業務系統發起某一個查詢請求時，首先判斷快取中是否有該資料；
- 如果快取中存在，則直接返回資料；
- 如果快取中不存在，則再查詢資料庫，然後返回資料。
瞭解了上述過程後，下面說說快取穿透。
1.1 什麼是快取穿透？
業務系統要查詢的資料根本就存在！當業務系統發起查詢時，按照上述流程，首先會前往快取中查詢，由於快取中不存在，然後再前往資料庫中查詢。由於該資料壓根就不存在，因此資料庫也返回空。這就是快取穿透。
綜上所述：業務系統訪問壓根就不存在的資料，就稱為快取穿透。
1.2 快取穿透的危害
如果存在海量請求查詢壓根就不存在的資料，那麼這些海量請求都會落到資料庫中，資料庫壓力劇增，可能會導致系統崩潰（你要知道，目前業務系統中最脆弱的就是IO，稍微來點壓力它就會崩潰，所以我們要想種種辦法保護它）。
1.3 為什麼會發生快取穿透？
發生快取穿透的原因有很多，一般為如下兩種：
- 惡意攻擊，故意營造大量不存在的資料請求我們的服務，由於快取中並不存在這些資料，因此海量請求均落在資料庫中，從而可能會導致資料庫崩潰。
- 程式碼邏輯錯誤。這是程式設計師的鍋，沒啥好講的，開發中一定要避免！
1.4 快取穿透的解決方案
下面來介紹兩種防止快取穿透的手段。
1.4.1 快取空資料
之所以發生快取穿透，是因為快取中沒有儲存這些空資料的key，導致這些請求全都打到資料庫上。
那麼，我們可以稍微修改一下業務系統的程式碼，將資料庫查詢結果為空的key也儲存在快取中。當後續又出現該key的查詢請求時，快取直接返回null，而無需查詢資料庫。
1.4.2 BloomFilter
第二種避免快取穿透的方式即為使用BloomFilter。
它需要在快取之前再加一道屏障，裡面儲存目前資料庫中存在的所有key，如下圖所示：
當業務系統有查詢請求的時候，首先去BloomFilter中查詢該key是否存在。若不存在，則說明資料庫中也不存在該資料，因此快取都不要查了，直接返回null。若存在，則繼續執行後續的流程，先前往快取中查詢，快取中沒有的話再前往資料庫中的查詢。
1.4.3 兩種方案的比較
這兩種方案都能解決快取穿透的問題，但使用場景卻各不相同。
對於一些惡意攻擊，查詢的key往往各不相同，而且資料賊多。此時，第一種方案就顯得提襟見肘了。因為它需要儲存所有空資料的key，而這些惡意攻擊的key往往各不相同，而且同一個key往往只請求一次。因此即使快取了這些空資料的key，由於不再使用第二次，因此也起不了保護資料庫的作用。 因此，對於空資料的key各不相同、key重複請求概率低的場景而言，應該選擇第二種方案。而對於空資料的key數量有限、key重複請求概率較高的場景而言，應該選擇第一種方案。
2. 快取雪崩
2.1 什麼是快取雪崩？
通過上文可知，快取其實扮演了一個保護資料庫的角色。它幫資料庫抵擋大量的查詢請求，從而避免脆弱的資料庫受到傷害。
如果快取因某種原因發生了當機，那麼原本被快取抵擋的海量查詢請求就會像瘋狗一樣湧向資料庫。此時資料庫如果抵擋不了這巨大的壓力，它就會崩潰。
這就是快取雪崩。
2.2 如何避免快取雪崩？
2.2.1 使用快取叢集，保證快取高可用
也就是在雪崩發生之前，做好預防手段，防止雪崩的發生。 PS：關於分散式高可用問題不是今天討論的重點，套路就那些，後面會有高可用的相關文章，盡請關注。
2.2.2 使用Hystrix
Hystrix是一款開源的“防雪崩工具”，它通過 熔斷、降級、限流三個手段來降低雪崩發生後的損失。
Hystrix就是一個Java類庫，它採用命令模式，每一項服務處理請求都有各自的處理器。所有的請求都要經過各自的處理器。處理器會記錄當前服務的請求失敗率。一旦發現當前服務的請求失敗率達到預設的值，Hystrix將會拒絕隨後該服務的所有請求，直接返回一個預設的結果。這就是所謂的**“熔斷”。當經過一段時間後，Hystrix會放行該服務的一部分請求，再次統計它的請求失敗率。如果此時請求失敗率符合預設值，則完全開啟限流開關；如果請求失敗率仍然很高，那麼繼續拒絕該服務的所有請求。這就是所謂的“限流”。而Hystrix向那些被拒絕的請求直接返回一個預設結果，被稱為“降級”**。
更多Hystrix的介紹請參閱：https://segmentfault.com/a/1190000005988895
3. 熱點資料集中失效
3.1 什麼是熱點資料集中失效？
我們一般都會給快取設定一個失效時間，過了失效時間後，該資料庫會被快取直接刪除，從而一定程度上保證資料的實時性。
但是，對於一些請求量極高的熱點資料而言，一旦過了有效時間，此刻將會有大量請求落在資料庫上，從而可能會導致資料庫崩潰。其過程如下圖所示：
如果某一個熱點資料失效，那麼當再次有該資料的查詢請求[req-1]時就會前往資料庫查詢。但是，從請求發往資料庫，到該資料更新到快取中的這段時間中，由於快取中仍然沒有該資料，因此這段時間內到達的查詢請求都會落到資料庫上，這將會對資料庫造成巨大的壓力。此外，當這些請求查詢完成後，都會重複更新快取。
3.2 解決方案
3.2.1 互斥鎖
我們可以使用快取自帶的鎖機制，當第一個資料庫查詢請求發起後，就將快取中該資料上鎖；此時到達快取的其他查詢請求將無法查詢該欄位，從而被阻塞等待；當第一個請求完成資料庫查詢，並將資料更新值快取後，釋放鎖；此時其他被阻塞的查詢請求將可以直接從快取中查到該資料。
當某一個熱點資料失效後，只有第一個資料庫查詢請求發往資料庫，其餘所有的查詢請求均被阻塞，從而保護了資料庫。但是，由於採用了互斥鎖，其他請求將會阻塞等待，此時系統的吞吐量將會下降。這需要結合實際的業務考慮是否允許這麼做。
互斥鎖可以避免某一個熱點資料失效導致資料庫崩潰的問題，而在實際業務中，往往會存在一批熱點資料同時失效的場景。那麼，對於這種場景該如何防止資料庫過載呢？
3.3.2 設定不同的失效時間
當我們向快取中儲存這些資料的時候，可以將他們的快取失效時間錯開。這樣能夠避免同時失效。如：在一個基礎時間上加/減一個隨機數，從而將這些快取的失效時間錯開。