穿透
穿透：頻繁查詢一個不存在的資料，由於快取不命中，每次都要查詢持久層。從而失去快取的意義。
解決辦法：①用一個bitmap和n個hash函式做布隆過濾器過濾沒有在快取的鍵。
②持久層查詢不到就快取空結果，有效時間為數分鐘。
轉：https://www.cnblogs.com/rjzheng/p/8908073.html
什麼是快取擊穿
在談論快取擊穿之前，我們先來回憶下從快取中載入資料的邏輯，如下圖所示
因此，如果黑客每次故意查詢一個在快取內必然不存在的資料，導致每次請求都要去儲存層去查詢，這樣快取就失去了意義。如果在大流量下資料庫可能掛掉。這就是快取擊穿。
場景如下圖所示:
我們正常人在登入首頁的時候，都是根據userID來命中資料，然而黑客的目的是破壞你的系統，黑客可以隨機生成一堆userID,然後將這些請求懟到你的伺服器上，這些請求在快取中不存在，就會穿過快取，直接懟到資料庫上,從而造成資料庫連線異常。
解決方案
在這裡我們給出三套解決方案，大家根據專案中的實際情況，選擇使用.
講下述三種方案前，我們先回憶下redis的setnx方法
SETNX key value
將 key 的值設為 value ，當且僅當 key 不存在。
若給定的 key 已經存在，則 SETNX 不做任何動作。
SETNX 是『SET if Not eXists』(如果不存在，則 SET)的簡寫。
可用版本：>= 1.0.0
時間複雜度： O(1)
返回值： 設定成功，返回 1。設定失敗，返回 0 。
效果如下
redis> EXISTS job # job 不存在
(integer) 0
redis> SETNX job "programmer" # job 設定成功
(integer) 1
redis> SETNX job "code-farmer" # 嘗試覆蓋 job ，失敗
(integer) 0
redis> GET job # 沒有被覆蓋
"programmer"1、使用互斥鎖
該方法是比較普遍的做法，即，在根據key獲得的value值為空時，先鎖上，再從資料庫載入，載入完畢，釋放鎖。若其他執行緒發現獲取鎖失敗，則睡眠50ms後重試。
至於鎖的型別，單機環境用併發包的Lock型別就行，叢集環境則使用分散式鎖( redis的setnx)
叢集環境的redis的程式碼如下所示:
String get(String key) {
String value = redis.get(key);
if (value == null) {
if (redis.setnx(key_mutex, "1")) {
// 3 min timeout to avoid mutex holder crash
redis.expire(key_mutex, 3 * 60)
value = db.get(key);
redis.set(key, value);
redis.delete(key_mutex);
} else {
//其他執行緒休息50毫秒後重試
Thread.sleep(50);
get(key);
}
}
} 優點:
- 思路簡單
- 保證一致性
缺點
- 程式碼複雜度增大
- 存在死鎖的風險
2、非同步構建快取
在這種方案下，構建快取採取非同步策略，會從執行緒池中取執行緒來非同步構建快取，從而不會讓所有的請求直接懟到資料庫上。該方案redis自己維護一個timeout，當timeout小於System.currentTimeMillis()時，則進行快取更新，否則直接返回value值。
叢集環境的redis程式碼如下所示:
String get(final String key) {
V v = redis.get(key);
String value = v.getValue();
long timeout = v.getTimeout();
if (v.timeout <= System.currentTimeMillis()) {
// 非同步更新後臺異常執行
threadPool.execute(new Runnable() {
public void run() {
String keyMutex = "mutex:" + key;
if (redis.setnx(keyMutex, "1")) {
// 3 min timeout to avoid mutex holder crash
redis.expire(keyMutex, 3 * 60);
String dbValue = db.get(key);
redis.set(key, dbValue);
redis.delete(keyMutex);
}
}
});
}
return value;
} 優點:
- 性價最佳，使用者無需等待
缺點
- 無法保證快取一致性
3、布隆過濾器
1、原理
布隆過濾器的巨大用處就是，能夠迅速判斷一個元素是否在一個集合中。因此他有如下三個使用場景:
- 網頁爬蟲對URL的去重，避免爬取相同的URL地址
- 反垃圾郵件，從數十億個垃圾郵件列表中判斷某郵箱是否垃圾郵箱（同理，垃圾簡訊）
- 快取擊穿，將已存在的快取放到布隆過濾器中，當黑客訪問不存在的快取時迅速返回避免快取及DB掛掉。
OK，接下來我們來談談布隆過濾器的原理
其內部維護一個全為0的bit陣列，需要說明的是，布隆過濾器有一個誤判率的概念，誤判率越低，則陣列越長，所佔空間越大。誤判率越高則陣列越小，所佔的空間越小。
假設，根據誤判率，我們生成一個10位的bit陣列，以及2個hash函式（f1,f2f1,f2），如下圖所示(生成的陣列的位數和hash函式的數量，我們不用去關心是如何生成的，有數學論文進行過專業的證明)。
假設輸入集合為(N1,N2N1,N2),經過計算f1(N1)f1(N1)得到的數值得為2，f2(N1)f2(N1)得到的數值為5，則將陣列下標為2和下表為5的位置置為1，如下圖所示
同理，經過計算f1(N2)f1(N2)得到的數值得為3，f2(N2)f2(N2)得到的數值為6，則將陣列下標為3和下表為6的位置置為1，如下圖所示
這個時候，我們有第三個數N3N3，我們判斷N3N3在不在集合(N1,N2N1,N2)中，就進行f1(N3)，f2(N3)f1(N3)，f2(N3)的計算
- 若值恰巧都位於上圖的紅色位置中，我們則認為，N3N3在集合(N1,N2N1,N2)中
- 若值有一個不位於上圖的紅色位置中，我們則認為，N3N3不在集合(N1,N2N1,N2)中
以上就是布隆過濾器的計算原理，下面我們進行效能測試，
2、效能測試
程式碼如下:
(1)新建一個maven工程，引入guava包
<dependencies>
<dependency>
<groupId>com.google.guava</groupId>
<artifactId>guava</artifactId>
<version>22.0</version>
</dependency>
</dependencies> (2)測試一個元素是否屬於一個百萬元素集合所需耗時
package bloomfilter;
import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;
import java.nio.charset.Charset;
public class Test {
private static int size = 1000000;
private static BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), size);
public static void main(String[] args) {
for (int i = 0; i < size; i++) {
bloomFilter.put(i);
}
long startTime = System.nanoTime(); // 獲取開始時間
//判斷這一百萬個數中是否包含29999這個數
if (bloomFilter.mightContain(29999)) {
System.out.println("命中了");
}
long endTime = System.nanoTime(); // 獲取結束時間
System.out.println("程式執行時間： " + (endTime - startTime) + "納秒");
}
}
輸出如下所示
命中了
程式執行時間： 219386納秒也就是說，判斷一個數是否屬於一個百萬級別的集合，只要0.219ms就可以完成，效能極佳。
(3)誤判率的一些概念
首先，我們先不對誤判率做顯示的設定，進行一個測試，程式碼如下所示
package bloomfilter;
import java.util.ArrayList;
import java.util.List;
import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;
public class Test {
private static int size = 1000000;
private static BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), size);
public static void main(String[] args) {
for (int i = 0; i < size; i++) {
bloomFilter.put(i);
}
List<Integer> list = new ArrayList<Integer>(1000);
//故意取10000個不在過濾器裡的值，看看有多少個會被認為在過濾器裡
for (int i = size + 10000; i < size + 20000; i++) {
if (bloomFilter.mightContain(i)) {
list.add(i);
}
}
System.out.println("誤判的數量：" + list.size());
}
}
輸出結果如下
誤判對數量：330如果上述程式碼所示，我們故意取10000個不在過濾器裡的值，卻還有330個被認為在過濾器裡，這說明了誤判率為0.03.即，在不做任何設定的情況下，預設的誤判率為0.03。
下面上原始碼來證明：
接下來我們來看一下，誤判率為0.03時，底層維護的bit陣列的長度如下圖所示
將bloomfilter的構造方法改為
private static BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), size,0.01);即，此時誤判率為0.01。在這種情況下，底層維護的bit陣列的長度如下圖所示
由此可見，誤判率越低，則底層維護的陣列越長，佔用空間越大。因此，誤判率實際取值，根據伺服器所能夠承受的負載來決定，不是拍腦袋瞎想的。
3、實際使用
redis虛擬碼如下所示
String get(String key) {
String value = redis.get(key);
if (value == null) {
if(!bloomfilter.mightContain(key)){
return null;
}else{
value = db.get(key);
redis.set(key, value);
}
}
return value；
} 優點:
- 思路簡單
- 保證一致性
- 效能強
缺點
- 程式碼複雜度增大
- 需要另外維護一個集合來存放快取的Key
- 布隆過濾器不支援刪值操作
總結
在總結部分，來個漫畫把。希望對大家找工作有幫助
雪崩
雪崩：快取大量失效的時候，引發大量查詢資料庫。
解決辦法：①用鎖/分散式鎖或者佇列序列訪問
②快取失效時間均勻分佈
熱點key
熱點key:某個key訪問非常頻繁，當key失效的時候有打量執行緒來構建快取，導致負載增加，系統崩潰。
解決辦法：
①使用鎖，單機用synchronized,lock等，分散式用分散式鎖。
②快取過期時間不設定，而是設定在key對應的value裡。如果檢測到存的時間超過過期時間則非同步更新快取。
③在value設定一個比過期時間t0小的過期時間值t1，當t1過期的時候，延長t1並做更新快取操作。