本篇内容介绍了“如何理解redis缓存之淘汰机制、缓存雪崩、数据不一致”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
专注于为中小企业提供成都网站制作、成都网站建设服务,电脑端+手机端+微信端的三站合一,更高效的管理,为中小企业连平免费做网站提供优质的服务。我们立足成都，凝聚了一批互联网行业人才，有力地推动了超过千家企业的稳健成长，帮助中小企业通过网站建设实现规模扩充和转变。
在实际的工作项目中， 缓存成为高并发、高性能架构的关键组件 ，那么Redis为什么可以作为缓存使用呢？首先可以作为缓存的两个主要特征：
在分层系统中处于内存/CPU具有访问性能良好，
缓存数据饱和，有良好的数据淘汰机制
由于Redis 天然就具有这两个特征，Redis基于内存操作的，且其具有完善的数据淘汰机制，十分适合作为缓存组件。
其中，基于内存操作，容量可以为32-96GB，且操作时间平均为100ns，操作效率高。而且数据淘汰机制众多，在Redis 4.0 后就有8种了促使Redis作为缓存可以适用很多场景。
那Redis缓存为什么需要数据淘汰机制呢？有哪8种数据淘汰机制呢？
Redis缓存基于内存实现的，则其缓存其容量是有限的，当出现缓存被写满的情况，那么这时Redis该如何处理呢？
Redis对于缓存被写满的情况，Redis就需要缓存数据淘汰机制，通过一定淘汰规则将一些数据刷选出来删除，让缓存服务可再使用。那么Redis使用哪些淘汰策略进行刷选删除数据？
在Redis 4.0 之后，Redis 缓存淘汰策略6+2种，包括分成三大类：
不淘汰数据
noeviction ，不进行数据淘汰，当缓存被写满后，Redis不提供服务直接返回错误。
在设置过期时间的键值对中，
volatile-random ，在设置过期时间的键值对中随机删除
volatile-ttl ，在设置过期时间的键值对，基于过期时间的先后进行删除，越早过期的越先被删除。
volatile-lru ， 基于LRU(Least Recently Used) 算法筛选设置了过期时间的键值对， 最近最少使用的原则来筛选数据
volatile-lfu ，使用 LFU( Least Frequently Used ) 算法选择设置了过期时间的键值对, 使用频率最少的键值对,来筛选数据。
在所有的键值对中，
allkeys-random， 从所有键值对中随机选择并删除数据
allkeys-lru， 使用 LRU 算法在所有数据中进行筛选
allkeys-lfu， 使用 LFU 算法在所有数据中进行筛选
Note: LRU( 最近最少使用，Least Recently Used)算法， LRU维护一个双向链表 ，链表的头和尾分别表示 MRU 端和 LRU 端，分别代表最近最常使用的数据和最近最不常用的数据。
LRU 算法在实际实现时，需要用链表管理所有的缓存数据，这会带来额外的空间开销。而且，当有数据被访问时，需要在链表上把该数据移动到 MRU 端，如果有大量数据被访问，就会带来很多链表移动操作，会很耗时，进而会降低 Redis 缓存性能。
其中，LRU和LFU 基于Redis的对象结构 redisObject 的 lru 和 refcount 属性实现的:
重庆分公司
重庆分公司
typedef struct redisObject { unsigned type:4; unsigned encoding:4; // 对象最后一次被访问的时间 unsigned lru:LRU_BITS; /* LRU time (relative to global lru_clock) or * LFU data (least significant 8 bits frequency // 引用计数 * and most significant 16 bits access time). */ int refcount; void *ptr; } robj;Redis 的 LRU 会使用 redisObject 的 lru 记录最近一次被访问的时间，随机选取参数 maxmemory-samples 配置的数量作为候选集合，在其中选择 lru 属性值最小的数据淘汰出去。
在实际项目中，那么该如何选择数据淘汰机制呢？
优先选择 allkeys-lru 算法，将最近最常访问的数据留在缓存中，提升应用的访问性能。
有顶置数据使用 volatile-lru 算法 ,顶置数据不设置缓存过期时间，其他数据设置过期时间，基于LRU 规则进行筛选 。
在理解了Redis缓存淘汰机制后，来看看Redis作为缓存其有多少种模式呢？
Redis缓存模式基于是否接收写请求，可以分成只读缓存和读写缓存：
只读缓存：只处理读操作，所有的更新操作都在数据库中，这样数据不会有丢失的风险。
Cache Aside模式
读写缓存，读写操作都在缓存中执行，出现宕机故障，会导致数据丢失。缓存写回数据到数据库有分成两种同步和异步：
同步：访问性能偏低，其更加侧重于保证数据可靠性
Read-Throug模式
Write-Through模式
异步：有数据丢失风险，其侧重于提供低延迟访问
Write-Behind模式
查询数据先从缓存读取数据，如果缓存中不存在，则再到数据库中读取数据，获取到数据之后更新到缓存Cache中， 但更新数据操作，会先去更新数据库种的数据，然后将缓存种的数据失效。
而且Cache Aside模式会存在并发风险：执行读操作未命中缓存，然后查询数据库中取数据，数据已经查询到还没放入缓存，同时一个更新写操作让缓存失效，然后读操作再把查询到数据加载缓存，导致缓存的脏数据。
查询数据和更新数据都直接访问缓存服务， 缓存服务同步方式地将数据更新到数据库 。出现脏数据的概率较低，但是就强依赖缓存，对缓存服务的稳定性有较大要求，但同步更新会导致其性能不好。
查询数据和更新数据都直接访问缓存服务， 但缓存服务使用异步方式地将数据更新到数据库（通过异步任务） 速度快，效率会非常高，但是数据的一致性比较差，还可能会有数据的丢失情况，实现逻辑也较为复杂。
在实际项目开发中根据实际的业务场景需求来进行选择缓存模式。那了解上述后，我们的应用中为什么需要使用到 redis 缓存呢？
在应用使用 Redis 缓存可以提高系统性能和并发，主要体现在
高性能：基于内存查询，KV结构，简单逻辑运算
高并发： MySQL 每秒只能支持2000左右的请求， Redis 轻松每秒1W以上。让80%以上查询走缓存，20%以下查询走数据库，能让系统吞吐量有很大的提高
虽然使用Redis缓存可以大大提升系统的性能，但是使用了缓存，会出现一些问题，比如，缓存与数据库双向不一致、缓存雪崩等，对于出现的这些问题该怎么解决呢？
使用了缓存，会出现一些问题，主要体现在：
缓存与数据库双写不一致
缓存雪崩: Redis 缓存无法处理大量的应用请求，转移到数据库层导致数据库层的压力激增;
缓存穿透：访问数据不存在在Redis缓存中和数据库中，导致大量访问穿透缓存直接转移到数据库导致数据库层的压力激增;
缓存击穿：缓存无法处理高频热点数据，导致直接高频访问数据库导致数据库层的压力激增;
只读缓存( Cache Aside 模式)
对于 只读缓存( Cache Aside 模式) ，读 操作都发生在缓存中 ，数据不一致只会发生在 删改操作 上（新增操作不会，因为新增只会在数据库处理），当发生删改操作时，缓存将数据中标志为无效和更新数据库。因此在更新数据库和删除缓存值的过程中，无论这两个操作的执行顺序谁先谁后，只要有一个操作失败了就会出现数据不一致的情况。
总结出， 当不存在并发的情况使用重试机制（消息队列使用），当存在高并发的情况，使用延迟双删除(在第一次删除后，睡眠一定时间后，再进行删除) ，具体如下：
| 操作顺序 | 是否高并发 | 潜在问题 | 现象 | 应对方案 |
|---|---|---|---|---|
| 先删除缓存，再更新数据库 | 否 | 缓存删除成功，数据库更新失败 | 读到数据库的旧值 | 重试机制（数据库更新） |
| 先更新数据库，再删除缓存 | 否 | 数据库更新成功，缓存删除失败 | 读到缓存的旧值 | 重试机制（缓存删除） |
| 先删除缓存，再更新数据库 | 是 | 缓存删除后，尚未更新数据库，有并发读请求 | 并发读请求读到数据库旧值，并更新到缓存，导致之后的读请求读到旧值 | 延迟双删（） |
| 先更新数据库，再删除缓存 | 是 | 数据库更新成功，尚未删除缓存 | 读到缓存的旧值 | 不一致的情况短暂存在，对业务影响较小 |
NOTE:
延迟双删除伪代码：
redis.delKey(X) db.update(X) Thread.sleep(N) redis.delKey(X)
读写缓存（Read/Write-Throug、Write Behind模式 ）
对于读写缓存，写操作都发生在缓存中，后再更新数据库，只要有一个操作失败了就会出现数据不一致的情况。
总结出，当不存在并发的情况使用重试机制（消息队列使用），当存在高并发的情况，使用分布锁。具体如下：
| 操作顺序 | 是否高 并发 | 潜在问题 | 现象 | 应对方案 |
|---|---|---|---|---|
| 先更新缓存，再更新数据库 | 否 | 缓存更新成功，数据库更新失败 | 会从缓存中读到最新值，短期影响不大 | 重试机制（数据库更新） |
| 先更新数据库，再更新缓存 | 否 | 数据库更新成功，缓存更新失败 | 会从缓存读到旧值 | 重试机制（缓存删除） |
| 先更新数据库，再更新缓存 | 写+读并发 | 线程A先更新数据库，之后线程B读取数据，之后线程A更新缓存 | B会命中缓存，读取到旧值 | A更新缓存前，对业务有短暂影响 |
| 先更新缓存，再更新数据库 | 写+读并发 | 线程A先更新缓存成功，之后线程B读取数据，此时线程B命中缓存，读取到最新值后返回，之后线程A更新数据库成功 | B会命中缓存，读取到最新值 | 业务没影响 |
| 先更新数据库，再更新缓存 | 写+写并发 | 线程A和线程B同时更新同一条数据，更新数据库的顺序是先A后B，但更新缓存时顺序是先B后A，这会导致数据库和缓存的不一致 | 数据库和缓存的不一致 | 写操作加分布式锁 |
| 先更新缓存，再更新数据库 | 写+写并发 | 线程A和线程B同时更新同一条数据，更新缓存的顺序是先A后B，但是更新数据库的顺序是先B后A，这也会导致数据库和缓存的不一致 | 数据库和缓存的不一致 | 写操作加分布式锁 |
缓存雪崩，由于缓存中有大量数据同时过期失效或者缓存出现宕机，大量的应用请求无法在 Redis 缓存中进行处理，进而发送到数据库层导致数据库层的压力激增，严重的会造成数据库宕机。
对于缓存中有大量数据同时过期，导致大量请求无法得到处理， 解决方式：
数据预热， 将发生大并发访问前手动触发加载缓存不同的key， 可以避免在用户请求的时候，先查询数据库
设置不同的过期时间，让缓存失效的时间点尽量均匀
双层缓存策略， 在原始缓存上加上拷贝缓存，原始缓存失效时可以访问拷贝缓存，且原始缓存失效时间设置为短期，拷贝缓存设置为长期
服务降级 ， 发生缓存雪崩时，针对不同的数据采取不同的降级方案，比如，非核心数据直接返回预定义信息、空值或是错误信息
对于缓存出现宕机，解决方式：
业务系统中实现服务熔断或请求限流机制，防止大量访问导致数据库出现宕机
缓存穿透，数据在数据库和缓存中都不存在，这样就导致查询数据，在缓存中找不到对应 key 的 value ，都要去数据库再查询一遍，然后返回空（相当于进行了两次无用的查询）。
当有大量访问请求，且其绕过缓存直接查数据库，导致数据库层的压力激增，严重的会造成数据库宕机。
对于缓存穿透，解决方式：
缓存空值或缺省值，当一个查询返回的数据为空时， 空结果也将进行缓存，并将它的过期时间设置比较短，下次访问直接从缓存中取值，避免了把大量请求发送给数据库处理，造成数据库出问题。
布隆过滤器( BloomFilter )，将所有可能查询数据 key 哈希到一个足够大的 bitmap 中 , 在查询的时候先去 BloomFilter 去查询 key 是否存在，如果不存在就直接返回，存在再去查询缓存，缓存中没有再去查询数据库 ，从而避免了数据库层的压力激增出现宕机。
缓存击穿，针对某个访问非常频繁的热点数据过期失效，导致访问无法在缓存中进行处理，进而会有导致大量的直接请求数据库，从而使得数据库层的压力激增，严重的会造成数据库宕机。
对于缓存击穿，解决方式：
不设置过期时间，对于访问特别频繁的热点数据，不设置过期时间。
在大多数业务场景下，Redis缓存作为只读缓存使用。针对只读缓存来说， 优先使用先更新数据库再删除缓存的方法保证数据一致性 。
其中，缓存雪崩，缓存穿透，缓存击穿三大问题的原因和解决方式
| 问题 | 原因 | 解决方式 |
|---|---|---|
| 缓存雪崩 | 大量数据同时过期失 效缓存出现宕机 | 数据预热 设置不同的过期时间 双层缓存策略 服务降级 服务熔断 限流机制 |
| 缓存穿透 | 数据在数据库和缓存中都不存在 | 缓存空值或缺省 值布隆过滤器( BloomFilter ) |
| 缓存击穿 | 访问非常频繁的热点数据过期失效 | 对于访问特别频繁的热点数据，不设置过期时间 |
“如何理解Redis缓存之淘汰机制、缓存雪崩、数据不一致”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注创新互联网站，小编将为大家输出更多高质量的实用文章！
