这是我参与「第五届青训营 」笔记创作活动的第15天
Redis注意事项，常出现的问题
大key，热key问题
大key的定义
| 数据类型 | 大Key标准 |
|---|---|
| String类型 | value的字节数大于10KB即为大key |
| Hash/Set/Zset/list等复杂数据结构类型 | 元素个数大于5000个或总value字节数大于10MB即为大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
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、位掩码的方式决定放在哪个key中
- 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
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
1.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ocalCache。Java的Guava、 Golang的Bigcache就 是这类LocalCache
2.拆分
将key:value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
3. 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
慢查询场景
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
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
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，下次再查缓存直接反回空值。
- 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
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-些。
- 使用缓存集群，避免单机宕机造成的缓存雪崩。
