Redis缓存穿透、缓存击穿、缓存雪崩的解决方案

一、背景

不管是实际工作还是面试，这3个问题都是非常常见的，今天我们就好好探讨一下这个三个问题的解决方案

三者的区别：

缓存穿透：查询缓存和数据库都不存在的数据，缓存没有，数据库也没有

缓存击穿：缓存中数据的key过期了，这时候所有请求都到数据库查询，瞬时大量请求击穿数据库

缓存雪崩：缓存雪崩通常发生在大量key同一时间失效，⼤量的请求进来直接打到DB上，影响整个系统，而缓存击穿是针对某一具体的缓存 key 失效而言，影响相对局部。

接下来，我们逐个分析并解决上述问题

二、缓存穿透

缓存穿透指的查询缓存和数据库中都不存在的数据，这样每次请求直接打到数据库，就好像缓存不存在一样。

缓存穿透指的是一个请求查询一个缓存中不存在的数据，而且这个数据也不在后端存储中，导致大量的请求直接访问后端存储，从而增加了后端存储的负载。

通常情况下，大量的缓存穿透问题不太可能由正常的程序行为引起，更可能是由于恶意攻击者的行为。正常的程序通常会经过合理的设计，避免频繁查询不存在的数据，或者在查询不存在的数据时会有一些容错机制或者缓存预热等策略。

为了防止缓存穿透，可以采取一些预防措施，例如：

数据校验：对请求的数据进行校验，确保数据的完整性和有效性
缓存空对象：对于不存在的数据，将其缓存起来，并设置一个较短的过期时间，这样可以避免大量请求直接穿透到数据库。
布隆过滤器：布隆过滤器是一种数据结构，可以快速判断一个元素是否在一个集合中。在缓存系统中，可以使用布隆过滤器来过滤掉非法请求，避免它们穿透到数据库。
限流和验证：对于频繁出现缓存穿透的请求，可以进行限流，确保不会过多地访问数据库。
使用互斥锁或分布式锁：在缓存失效时，使用锁机制防止多个线程同时查询数据库，只允许一个线程去数据库查询，其他线程等待查询结果。

1 未做处理出现缓存穿透

代码演示：

@GetMapping("/getGoodsDetailsWithCache")
public GoodsInfo getGoodsDetailsWithCache(@RequestParam(value = "goodsId") Long goodsId) {String goodsInfoCache = stringRedisTemplate.opsForValue().get(RedisConstants.GOODS_INFO + goodsId);if (StringUtils.isNotBlank(goodsInfoCache)) {log.info("getGoodsDetailsWithCache hit cache, goodsId: {}", goodsId);return JSON.parseObject(goodsInfoCache, GoodsInfo.class);}log.info("getGoodsDetailsWithCache request database, goodsId: {}", goodsId);GoodsInfo goodsInfo = goodsInfoMapper.selectByPrimaryKey(goodsId);// 数据也没有if (goodsInfo == null) {log.warn("getGoodsDetailsWithCache data not find, goodsId: {}", goodsId);return null;}// 保存到RedisstringRedisTemplate.opsForValue().set(RedisConstants.GOODS_INFO + goodsId, JSON.toJSONString(goodsInfo), Duration.ofSeconds(300));log.info("getGoodsDetailsWithCache get by mysql, goodsId: {}", goodsId);return goodsInfo;
}

演示同一个不存在的Key大量请求，goodsId = 10000000(数据库不存在)

大量的请求访问数据库，导致数据库的压力剧增加，严重时会出其他的正常的请求无法访问数据库，所以这种问题必须要提前预防

2 数据校验

对一些明显无效的数据进行校验，可以在一定程度上防止黑客恶意仿造数据库中不存在的Key

存在的问题：攻击者可以轻松找到key的规律，生成符合规律的Key，比较简单，这里就不演示了

3 缓存空对象

对数据库中不存在的对象也缓存一个Null到Redis中，可以解决攻击者采用少量不同的key攻击

存在的问题：如果攻击者仿造大量不同的key，缓存穿透问题没有解决，还导致Redis增加大量的无效Key，影响正常的key

代码演示

@GetMapping("/getGoodsDetailsWithCache1")
public GoodsInfo getGoodsDetailsWithCache1(@RequestParam(value = "goodsId") Long goodsId) {String goodsInfoCache = stringRedisTemplate.opsForValue().get(RedisConstants.GOODS_INFO + goodsId);if (StringUtils.isNotBlank(goodsInfoCache)) {log.info("getGoodsDetailsWithCache hit cache, goodsId: {}", goodsId);return JSON.parseObject(goodsInfoCache, GoodsInfo.class);}if (Objects.equals(goodsInfoCache, "")) {log.info("getGoodsDetailsWithCache hit cache, goodsId: {}", goodsId);return null;}log.info("getGoodsDetailsWithCache request database, goodsId: {}", goodsId);GoodsInfo goodsInfo = goodsInfoMapper.selectByPrimaryKey(goodsId);// 数据也没有if (goodsInfo == null) {log.warn("getGoodsDetailsWithCache data not find, goodsId: {}", goodsId);stringRedisTemplate.opsForValue().set(RedisConstants.GOODS_INFO + goodsId, "", Duration.ofSeconds(120));return null;}// 保存到RedisstringRedisTemplate.opsForValue().set(RedisConstants.GOODS_INFO + goodsId, JSON.toJSONString(goodsInfo), Duration.ofSeconds(300));log.info("getGoodsDetailsWithCache get by mysql, goodsId: {}", goodsId);return goodsInfo;
}

演示不存在同一个Key的大量请求

goodsId = 10000000(数据库不存在)

全部命中cache，并发量也达到了8k+，数据库仍然得到了保护

演示不存在且不同Key的大量请求

大量的请求仍然访问到了数据库，另外Redis中存在大量的空值，所以比什么都不做，导致系统的问题更大

4 布隆过滤器

因为我们是分布式系统，所以选择Redis版本的布隆过滤器，在分布式环境中使用Redis版本会更容易管理和维护

布隆过滤器的安装过程，这里不做重点演示了，如果连接github网络情况比较差的话，非常麻烦，下面推荐一篇博文，我的安装过程比这个遇到的坑更多安装RedisBloom插件_redisbloom下载-CSDN博客

布隆过滤器在java中的使用，这里我尝试通过Spring提供的RedisTemplate，各种尝试均失败了，无法通过RedisTemplate 操作Redis的布隆过滤器，最后无赖放弃了，网上比较推荐的是使用Redisson，所以最后没办法在一个项目中使用了2个Redis组件，不多说开始演示吧

代码演示

初始化布隆过滤器，预计200w的数据，误判率1%，现在有100w的商品ID需要初始化，需要等待大约5分钟左右初始化完成（真实的应用是要一直维护布隆过滤器的，每新增一件商品都需要往布隆过滤器中添加商品ID）

@Test
public void testRedissonBloom() {RBloomFilter<Long> filter = redissonClient.getBloomFilter("goods_id_bloom_filter");filter.tryInit(2000000, 0.01);List<Long> idList = goodsInfoMapper.selectGoods();int size = idList.size();for (int i = 0; i < size; i++) {filter.add(idList.get(i));if (i % 1000 == 0) {log.info("进度: " + i * 100 / size + "%");}}
}

下面是用于测试商品加入了布隆过滤器解决了缓存穿透问题，这里要注意的是，布隆过滤器请求需要放在缓存请求之后，数据库访问之前，这样不会影响到正常访问缓存中数据的吞吐量，并且同样能够保护到MySQL数据库

@GetMapping("/getGoodsDetailsWithCache2")
public GoodsInfo getGoodsDetailsWithCache2(@RequestParam(value = "goodsId") Long goodsId) {if(!bloomFilter.contains(goodsId)){log.info("bloomFilter not contains, goodsId: {}", goodsId);return null;}String goodsInfoCache = stringRedisTemplate.opsForValue().get(RedisConstants.GOODS_INFO + goodsId);if (StringUtils.isNotBlank(goodsInfoCache)) {log.info("getGoodsDetailsWithCache hit cache, goodsId: {}", goodsId);return JSON.parseObject(goodsInfoCache, GoodsInfo.class);}if (Objects.equals(goodsInfoCache, "")) {log.info("getGoodsDetailsWithCache hit cache, goodsId: {}", goodsId);return null;}log.info("getGoodsDetailsWithCache request database, goodsId: {}", goodsId);GoodsInfo goodsInfo = goodsInfoMapper.selectByPrimaryKey(goodsId);// 数据也没有if (goodsInfo == null) {log.warn("getGoodsDetailsWithCache data not find, goodsId: {}", goodsId);stringRedisTemplate.opsForValue().set(RedisConstants.GOODS_INFO + goodsId, "", Duration.ofSeconds(86400));return null;}// 保存到RedisstringRedisTemplate.opsForValue().set(RedisConstants.GOODS_INFO + goodsId, JSON.toJSONString(goodsInfo), Duration.ofSeconds(86400));log.info("getGoodsDetailsWithCache get by mysql, goodsId: {}", goodsId);return goodsInfo;
}

演示不存在且不同Key的大量请求

大量的请求都被布隆过滤器过滤掉了

演示访问存在且在缓存中的key

结论

从上面的演示结果来看，引入布隆过滤器的确解决了大量不存在且不同Key缓存穿透问题，虽然牺牲部分Redis的性能，但是保护了MySQL的正常访问。

5 限流和验证

限制来自客户端的请求数量和频率，防止过多的请求直接穿透到数据库，这里可以使用Sentinel 框架限制请求，比如通过IP限流，用户ID限流，一般情况下我们系统访问商品详情需要登录才能访问，那么如果一个用户疯狂请求商品详情接口，也就说明这是恶意攻击了，可以直接拦截掉，所以我认为

6 使用互斥锁或分布式锁

在缓存失效时，使用锁机制防止多个线程同时查询数据库，只允许一个线程去数据库查询，其他线程等待查询结果。我认为这种方式也是一种非常不错简单高效的方式，或者另一种变相的方式是，就不演示了

三、缓存击穿

缓存中数据的key过期了，这时候所有请求都到数据库查询，瞬时大量请求击穿数据库，常见的解决方案

使用互斥锁或分布式锁： 在缓存失效时，只允许一个线程去加载数据到缓存，其他线程需要等待。这样可以避免多个线程同时访问数据库，减轻数据库压力。
提前设置较长的缓存过期时间： 在设置缓存的过期时间时，可以将其设置得相对较长，避免在短时间内多次发生缓存失效。
使用二级缓存： 引入两层缓存，第一层是短期缓存，用于解决高并发下的缓存击穿问题，第二层是较长期的缓存，用于存放相对不频繁变更的数据。这样在第一层缓存失效时，可以从第二层缓存中快速获取数据。
预加载热点数据： 在系统启动或运行过程中，将一些热点数据提前加载到缓存中，防止在短时间内多次发生缓存失效。

1 未做处理出现缓存击穿场景演示

2 添加互斥锁

看代码，我在请求数据之前加了synchronized 互斥锁，达到保护数据库的作用

  @GetMapping("/getGoodsDetailsWithCache4")public GoodsInfo getGoodsDetailsWithCache4(@RequestParam(value = "goodsId") Long goodsId) {String goodsInfoCache = stringRedisTemplate.opsForValue().get(RedisConstants.GOODS_INFO + goodsId);if (StringUtils.isNotBlank(goodsInfoCache)) {log.info("getGoodsDetailsWithCache hit cache, goodsId: {}", goodsId);return JSON.parseObject(goodsInfoCache, GoodsInfo.class);}if (Objects.equals(goodsInfoCache, "")) {log.info("getGoodsDetailsWithCache hit cache, goodsId: {}", goodsId);return null;}GoodsInfo goodsInfo;synchronized (this) {log.info("getGoodsDetailsWithCache request database, goodsId: {}", goodsId);goodsInfo = goodsInfoMapper.selectByPrimaryKey(goodsId);// 数据也没有if (goodsInfo == null) {log.warn("getGoodsDetailsWithCache data not find, goodsId: {}", goodsId);stringRedisTemplate.opsForValue().set(RedisConstants.GOODS_INFO + goodsId, "", Duration.ofSeconds(3));return null;}// 保存到RedisstringRedisTemplate.opsForValue().set(RedisConstants.GOODS_INFO + goodsId, JSON.toJSONString(goodsInfo), Duration.ofSeconds(3));log.info("getGoodsDetailsWithCache get by mysql, goodsId: {}", goodsId);}return goodsInfo;}

使用synchronized锁的确对数据库起到了保护作用，但是会不会降低正常的并发数，接下来我们测试一下正常没有缓存的商品访问看看吞吐量是多少，使用随机10w个商品ID请求，最后测试的吞吐量为388，比不加synchronized锁直接请求数据库800多的吞吐量还是少了一半多

3 提前设置较长的缓存过期时间

在设置缓存的过期时间时，可以将其设置得相对较长，避免在短时间内多次发生缓存失效

4 使用二级缓存

引入两层缓存，第一层是短期缓存，用于解决高并发下的缓存击穿问题，第二层是较长期的缓存，用于存放相对不频繁变更的数据。这样在第一层缓存失效时，可以从第二层缓存中快速获取数据。

5 预加载热点数据

在系统启动或运行过程中，将一些热点数据提前加载到缓存中，防止在短时间内多次发生缓存失效。

四、缓存雪崩

缓存雪崩通常发生在大量key同一时间失效，⼤量的请求进来直接打到DB上，影响整个系统，而缓存击穿是针对某一具体的缓存 key 失效而言，影响相对局部。

设置合理的过期时间：
在缓存中设置过期时间，避免所有缓存同时过期。可以使用随机的过期时间，分散缓存过期的时间点，减缓雪崩效应。
使用互斥锁机制：
在缓存中加入互斥锁，保证在缓存失效的情况下，只有一个请求能够重新生成缓存，其他请求等待该请求完成后再获取缓存，避免大量请求同时落到数据库。
采用多级缓存：
使用多级缓存架构，例如本地缓存、分布式缓存、全局缓存等。即使一个缓存层出现问题，其他层次的缓存仍然可用，降低缓存雪崩的风险。
预热缓存：
在系统启动或低峰期，预先加载热门数据到缓存中，避免在高峰期大量请求同时访问数据库。这样可以降低缓存失效时对后端资源的冲击。
使用缓存异步刷新：
在缓存即将过期时，异步地去更新缓存，而不是等到缓存失效时再去重新生成。这样可以确保缓存数据的时效性，并减小因缓存过期导致的并发请求冲击。
限流和熔断机制：
对访问缓存的请求进行限流和熔断，防止大量请求同时涌入，减轻系统压力，确保系统能够稳定运行。
监控和报警：
部署监控系统，实时监测缓存的使用情况、命中率、过期情况等，设置相应的报警机制，及时发现并解决潜在的缓存问题。