Redis及其使用 | 青训营笔记

jirafa
55 阅读7分钟

这是我参与「第五届青训营」伴学笔记创作活动的第 12 天

为什么需要Redis

  • 数据从单表，演进出了分库分表
  • MySQL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

image-20230222231918831

在应用中，数据通常分为冷热数据

热数据：经常被查询的数据

将热数据存入内存中减少数据库压力

image-20230222232036430

Redis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

image-20230222232142598

Redis应用案例

连续签到

  • 掘金每日连续签到

  • 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

  • 数据定义：

    Key: CC uid 1165894833417101 value: 252 expireAt:后天的0点

当key过期时则视为断签

redis的string所使用的底层数据结构为动态字符串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

image-20230222232554703

消息通知

使用list作为队列进行消息推送，同时结合redis的pub/sub模式进行使用

image-20230222232730266

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

而list在redis底层由QuickList进行实现：Quicklist由一个双向链表和listpack实现

image-20230222232935514

计数

一个用户有多项计数要求时，可通过hash进行实现

image-20230222233049656

hash在底层采用dict数据结构:

在扩容时有以下两种策略

  • 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不请求过程中。

image-20230222233242899

排行榜

因为数据更新时，排名要实时更新，所以使用zset相关数据储存（有序集合）

zset底层zskiplist结构：

image-20230223004948543

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

  • Z INCRBY myzset 2” Alex"
  • ZSCORE myzset "Alex"

image-20230223005051953

限流

维护一个计数器，每次访问使用incr指令自增一次，当超过限定访问次数时拒绝访问

image-20230223005317889

需求： 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
  • 每次访问对这个Key调用incr,超过限制N则禁止访问

1671356046是当前时间戳

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

在写成使用完后应该将锁进行释放（删除），避免死锁发生，同时也应设置过期时间，防止服务超时

image-20230223005643550

使用注意事项

大key

image-20230223005752796

当出现大key时，可以采用以下方法进行大key的消除：

  1. 将大key拆分为多个key

    image-20230223005848303

  2. 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。

  3. 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

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

而在热key出现时，我们也应将其进行处理

  1. 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L ocalCache。Java的Guava、 Golang的Bigcache就是 这类IocalCache

  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（不具备强一致性）

    image-20230223010347644

  3. 使用redis代理

    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

    在服务端与redis间增加了一层服务

    image-20230223010540105

慢查询场景

  • 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

缓存穿透

缓存穿透: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，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bloomfilter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

缓存雪崩

缓存 雪崩是指大量缓存中的key同时过期

  • 随机设置过期时间 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。
avatar
文章
阅读
粉丝