这是我参与「第五届青训营 」笔记创作活动的第19天
一：Redis简介
1：出现背景
- 数据从单表，演进出了分库分表
- MySoL从单机演进出了集群
- 数据量增长
- 读写数据压力的不断增加
- 数据分冷热
- 热数据:经常被访问到的数据
- 将热数据存储到内存中
2：Redis工作原理
- 数据从内存中读写
- 数据保存到硬盘上防止重启数据丢失
- 增量数据保存到AOF文件
- 全量数据RDB文件
- 单线程处理所有操作命令
二：Redis应用案例
1：实际应用场景
（1）连续签到
- 用户每日有一次签到的机会，如果断签，连续签到计数将归0。
- 连续签到的定义:每天必须在23:59:59前签到
- Key: cc_uid_1165894833417101
- value: 252
- expireAt:后天的0点
// Ex01 连续签到天数
func Ex01(ctx context.Context, params []string) {
if userID, err := strconv.ParseInt(params[0], 10, 64); err == nil {
addContinuesDays(ctx, userID)
} else {
fmt.Printf("参数错误, params=%v, error: %v\n", params, err)
}
}
// addContinuesDays 为用户签到续期
func addContinuesDays(ctx context.Context, userID int64) {
key := fmt.Sprintf(continuesCheckKey, userID)
// 1. 连续签到数+1
err := RedisClient.Incr(ctx, key).Err()
if err != nil {
fmt.Errorf("用户[%d]连续签到失败", userID)
} else {
expAt := beginningOfDay().Add(48 * time.Hour)
// 2. 设置签到记录在后天的0点到期
if err := RedisClient.ExpireAt(ctx, key, expAt).Err(); err != nil {
panic(err)
} else {
// 3. 打印用户续签后的连续签到天数
day, err := getUserCheckInDays(ctx, userID)
if err != nil {
panic(err)
}
fmt.Printf("用户[%d]连续签到：%d(天), 过期时间:%s", userID, day, expAt.Format("2006-01-02 15:04:05"))
}
}
}
（2）消息通知
- 用list作为消息队列
- 传用场景:消息通知。
- 例如当文章更新时，将更新后的文章推送到ES，用户就能搜索到最新的文章数据
（3）计数
一个用户有多项计数需求，可通过hash结构存储
（4）排行榜
- 积分变化时，排名要实时变更
- 结合dict后，可实现通过key操作跳表的功能
- zINCRBY myzset 2 "A1ex"
- zSCORE myzset "A1ex"
（5）限流
- 要求1秒内放行的请求为N，超过N则禁止访问
- Key: comment_freq_limit_1671356046
- 对这个Key调用incr，超过限制N则禁止访问
- 1671356046是当前时间戳
（6）分布式锁
- 并发场景，要求一次只能有一个协程执行。执行完成后，其它等待中的协程才能执行。
- 可以使用redis的setnx实现，利用了两个特性
- Redis是单线程执行命令
- setnx只有未设置过才能执行成功
2：常用数据结构
（1）string
- 数据结构-sds
- 可以存储字符串、数字、二进制数据
- 通常和expire配合使用
- 场景:存储计数、Session
（2）list数据结构quicklist
Quicklist由一个双向链表和listpack实现
（3）listpack
（4）hash数据结构dict
- rehash: rehash操作是将ht[0]中的数据.全部迁移到ht[1]中。数据量小的场景下,直接将数据从ht[0]拷贝到ht[1]速度是较快的。数据量大的场景，例如存有上百万的KV时，迁移过程将会明显阻塞用户请求。
- 渐进式rehash:为避免出现这种情况，使用了rehash方案。基本原理就是，每次用户访问时都会迁移少量数据。将整个迁移过程，平摊到所有的访问用户请求过程中。
（5）zset数据结构zskiplist
- 查找数字7的路径，head,3,3,7
- 结合dict后，可实现通过key操作跳表的功能
- 之工NCRBY myzset 2 "Alex"
- zSCORE myzset "Alex"
三：Redis使用注意事项
1：大key
- 大Key的危害
- 读取成本高
- 容易导致慢查询(过期、删除)
- 主从复制异常,服务阻塞，无法正常响应请求
- 业务侧使用大Key的表现
- 请求Redis超时报错
消除大key的方法
- 拆分
- 将大key拆分为小key。例如一个String拆分成多个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、则解压耗时就长。需要对实际数据进行测试后，选择一个合适的算法
- 如果存储的是JSON字符串，可以考虑使用MessagePack进行序列化。
- 集合类结构hash、list、set、set
- 拆分:可以用hash取余、位掩砣的方犬边宁计六人I..山8738
- 区分冷热:如榜单列表场景使用zset，只缓存前10页数据，后续数据走db
2：热key
- 热Key的定义
- 用户访问一个Key的QPS特别高，导致Server实例出现CPU负载突增或者不均的情况。热key没有明确的标准,QPS超过500就有可能被识别为热Key
解决热Key的方法
- 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Guava、Golang的Bigcache就是这类LocalCache
- 拆分
- 将keyvalue这一个热Key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分散到不同实例上，降低负载。代价是，更新时需要更新多个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承载能力。本质上是结合了"热Key发现"、"LocalCache"两个功能
3：慢查询情景
- 容易导致redis慢查询的操作
- 批量操作一次性传入过多的key/value，如mset/hmset/sadd/zadd等O(n)操作 ，建议单批次不要超过100，超过100之后性能下降明显。
- zset大部分命令都是O(log(n))、当大小超过5k以上时，简单的zadd/zrem也可能导致慢查询
- 操作的单个value过大，超过10KB。也即，避免使用大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
4：缓存穿透、缓存雪崩
-
缓存穿透:热点数据查询绕过缓存,直接查询数据库
-
缓存雪崩:大量缓存同时过期
-
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，那么容易导致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db无法响应新的查询
- 查询一个一定不存在的数据
-
如何减少缓存穿透
- 缓存空值
- 如一个不存在的userlD。这个id在缓存和数据库中都不存在。则可以缓存一个空值，下次再查缓存直接反空值。
- 布隆过滤器
- 通过bloom filter算法来存储合法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
- 缓存空值
-
如何避免缓存雪崩
- 缓存空值
- 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过期时间，
- 可以设置为10分1秒过期,10分23秒过期,10分8秒过期。单位秒部分就是随机时间，这样过期时间就分散了。
- 对于热点数据，过期时间尽量设置得长一些，冷门的数据可以相对设置过期时间短一些。
- 使用缓存集群，避免单机宕机造成的缓存雪崩。
- 缓存空值
