这是我参与「第五届青训营 」伴学笔记创作活动的第 11 天
Redis介绍
什么是Redis
可以简单的理解为存放在内存中的数据库
为什么需要Redis
传统的数据库是基于硬盘读写的，而普遍的机械硬盘读取速度最高也仅百兆每秒，即使是目前的SSD最快也仅7G/s，而存放在内存中意味着读取速度可以进一步提升
在现在的许多互联网业务场景中，对数据库的高频率OI的场景越来越多，例如电商秒杀、抢购等等，这意味着服务端需要在短时间内响应大量请求
如果我们使用一般的数据库，那么我们很难做到高并发（被读写速度限制）
因此我们需要考虑基于内存的Redis数据库
Redis工作原理
通过前一小节我们可以知道，Redis是基于内存的，因此我们读写都会在内存中完成
但是服务器一旦重启，内存数据就会丢失
实际上，Redis在一定程度上是可以做到数据持久化
AOF
Redis在写之前会把写命令追加到AOF文件（Append Of File）的末尾，产生一条日志
假设服务器宕机，Redis会读取AOF日志中的数据
RDB
RDB是已经储存在数据库中的数据，Redis会使用RDB配合AOF实现数据持久化
Redis首先会读取RDB内容，然后会在AOF中进行对比，继续完成AOF中没完成的操作，实现数据同步
单线程处理
在Redis中，所有数据处理都是单线程的
也就是说，所有的操作都是需要排队的，不会进行异步处理
Redis使用关键点
大Key
定义
| 数据类型 | 大Key标准 |
|---|---|
| String | value的字节数大于10KB |
| Hash/Set/Zset/list等复杂类型 | 元素个数大于5000个或总value字节数大于10MB |
危害
- 读取成本高，单条读取消耗资源大
- 容易导致慢查询（过期、删除），也就是查询的时候数据被操作
- 主从复制异常，服务阻塞，无法正常响应请求
实际上危害主要就是大Key的读取成本与时间对服务的影响，读取成本大、时间长、如果你一个大Key被有心者多次访问，服务器容易宕机
在业务侧就会出现请求Redis超时报错
字符串处理大Key的方法
- 拆分：将大Key拆封为小Key。例如一个String拆封为多个String
- 压缩：将value压缩后写入redis，读取时解压后再使用。压缩算法可以是gzip、snappy、lz4等。通常情况下，一个压缩算法压缩率高，则解压耗时长。需要对司机数据进行测试后，选择一个合适的算法。如果存储的是JSON，可以考虑使用MessagePack进行序列化
复杂数据结构处理大Key方法
这里以hash、list、set为例
- 拆分：可以使用hash取余、位掩码的方式决定放在哪个key中
- 区分冷热：例如榜单列表使用zset，只缓存前10页数据，后续数据走db
热Key
定义
用户访问一个Key的QPS特别高，导致Server实例出现CPU负载徒增或负载不均的情况
热Key没有明确的标准，QPS超过500就有可能被认为是热Key
解决方案
- 设置Localcache：在访问Redis前，在业务服务侧设置Localcache，降低访问Redis的QPS。LocalCache中缓存过期或未命中，则从Redis中将数据更新到LocalCache。Java的Gurava，Golang的Bigcache就是这类LocalCache
- 拆分：将k-v对复制写入多份，例如key1:value, key2:value，访问的时候访问多个key，但value是同一个。以此将QPS拆分到不同的实例上，降低负载。但是存在代价：更新Key需要同时更新多个Key，存在数据短暂不一致的风险
- 使用Redis代理的热Key承载能力：字节跳动的Redis访问代理就具备热Key的承载能力。本质上是结合了热Key发现和LocalCache两个功能
慢查询场景
容易导致慢查询的操作
- 批量操作一次传入过多的k-v，例如mset/hmset/sadd/zadd等O(N)的操作，建议单批次不要超过100，超过100后性能下降明显
- zset大部分命令都是O(logN)，当大小超过5k以上时，简单的zadd/zsm也可能导致慢查询
- 使用了大Key
- 对大Key的delete/expire操作也可能导致慢查询，Redis4.0之前不支持异步删除unlink，大Key删除会阻塞Redis
缓存穿透
定义
热点数据查询绕过缓存，直接查询数据库
缓存穿透的危害
-
查询一个一定不存在的数据
通常不会缓存不存在的数据，这类查询请求都会直接打到DB，如果有系统Bug或人为攻击，容易导致DB响应慢甚至宕机
-
缓存过期时
在高并发场景下，一个热Key如果过期，会有大量请求同时击穿至DB，容易影响Db性能和稳定
同一时间有大量key集中过期时，也会导致大量请求落到DB上，导致查询变慢，甚至出现无法响应新的查询
如何减少缓存穿透
-
缓存空值
如一个不存在的userID。这个ID在缓存和数据库中都不存在。则可以缓存一个空值，下次再查缓存直接返回空值
-
布隆过滤器（Bloom Filter）
使用Bloom Filter算法来存储合法的Key，得益于该算法超高的压缩率，只需占用极小的空间就能存储大量Key值
缓存雪崩
定义
大量缓存同时过期
如何减少缓存雪崩
-
分散失效时间
将缓存失效时间分散开，比如在原有的失效时间基础上增加一个随机值，例如不同Key的过期时间可以设置为10分1秒、10分23秒、10分8秒
对于热点数据，过期时间尽量设的长一些，冷门的数据可以设置相对短一些时间
-
使用缓存集群，避免单机宕机造成的缓存雪崩
