1.无处不在的缓存
缓存在计算机系统是无处不在，在CPU层面有L1-L3的Cache，在Linux中有TLB加速虚拟地址和物理地址的转换，在应用层有Redis等内存数据库缓存、在浏览器有本地缓存、手机有本地文件缓存等等。
可见，缓存在计算机系统中有非常重要的地位，主要作用就是提高响应速度、减少磁盘读取等，本文主要讨论在高并发系统中的缓存系统。一句话概括缓存系统在高并发系统中的地位的话，就是：
如果高并发系统是烤羊肉串，那么缓存系统就是那一撮孜然......
2.高并发系统中的缓存
缓存系统在高并发系统的作用巨大，没有缓存系统很难支撑C50K(或许这个值已经非常乐观了)以上的场景。
基于机械磁盘或SSD的数据库系统，读写的速度远慢于内存，因此单纯磁盘介质的数据库无法支撑高并发，你可以认为缓存就是为了保护磁盘数据库、是磁盘数据库的屏障。
![]()
以读多写少的场景为例(实际场景也是读多写少)，看看请求是如何得到响应的，简单流程：请求到达之后，业务线程首先访问缓存，如果缓存命中则返回，如果未命中则继续请求磁盘数据库系统，并将结果回写到缓存系统且增加老化时间，这样在超时时间内再有相同请求到达时则可以命中缓存。以上是高并发系统中缓存和磁盘数据库系统、客户端请求之间的交互过程，后续的问题分析，也是基于此过程展开的。
3.缓存系统的三大问题
网络上对于缓存三大问题的文章很多，提到的三个问题主要是：
缓存雪崩 Cache Avalanche
缓存穿透 Cache Penetration
缓存击穿 Hotspot Invalid
对于上面的三个名词我一直分不清楚，脑海中并没有清晰的区别，于是想到去谷歌看看歪果仁是怎么说的，然而英文表述就是上面的英文，基本上和汉语翻译是一样的，所以只能强记了。
所谓雪崩就是原来有所支撑的冰雪，某一瞬间失去依托，瞬间涌下来。这个场景让我想起了2011年上映的柯南剧场版《沉默的十五分钟》，柯南在北泽村水库为了拯救村庄制造的雪崩：
![]()
注:图为柯南被雪崩所埋，黄金抢救期时毛利兰在寻找他的镜头(如侵权则删除)
可见雪崩确实很可怕，回到高并发系统，如果缓存系统故障，大量的请求无法从缓存完成数据请求，因此就全量汹涌冲向磁盘数据库系统，导致数据库被打死，整个系统彻底崩溃。
* 从原因来看主要是缓存系统不够高可用，因此提高缓存系统的稳定性和可用性十分必要，对于使用Redis作为缓存的系统而言需要使用Sentinel哨兵机制、集群化、持久化等来提高缓存系统的HA。* 另一方面除了保证缓存系统的HA之外，服务本身也需要支持降级，可以使用奈飞的Hystrix来实现服务的熔断、降级、限流来降低出现雪崩时的故障程度。说白了就是别让服务彻底死掉就行，就像大雪封高速肯定彻底不能通行了，堵车就是慢一些至少可以走，如果还不清楚，回想一下每年你回乡的车票是怎么从12306抢回来的。穿透形象一点就是：请求过来了 转了一圈 一无所获 就像穿过透明地带一样。在高并发系统中缓存穿透，其实是这样的如果一个req需要请求的key在缓存中没有，这时业务线程就会访问磁盘数据库系统，然而磁盘数据库也没有这个key，无奈业务线程只能返回null，白白处理一圈。
小概率事件在高并发系统几乎要成为必然，也就是如果某时段有大量恶意的不存在的key的爆破请求，那么服务将一直处理这些根本不存在的请求，导致正常请求无法被处理，从而出现问题。
拉面馆的服务员和厨师不允许拒绝已经进来的消费者，但是拉面馆的经营范围有限，此时恶意消费者点了一只5斤的澳洲龙虾，经过服务员和厨师都无法响应这个需求，因此被最终被拒绝，此时轮流来了1000个这样的恶意消费者，拉面馆基本要歇菜了。
高并发系统也是如此，有效甄别是否存在这个key再决定是否读取很重要，常见的做法有：* 把不存在的key写一下null，这样再来就相当于命中了，其实这种方法局限性很大，今天是5斤龙虾，明天改成6斤的螃蟹，缓存系统和数据库中存储大量无用key本身是无意义的，所以一般不建议。
* 另外一种思路，转换为查找问题，类似于在海量数据中查找某个key是否存在，考虑空间复杂度和时间复杂度，一般选用布隆过滤器来实现。布隆过滤器是个好东西，有非常多的用途，包括：垃圾邮件识别、搜索蜘蛛爬虫url去重等，主要借助K个哈希函数和一个超大的bit数组来降低哈希冲突本身带来的误判，从而提高识别准确性。
布隆过滤器也存在一定的误判，假如判断存在可能不一定存在，但是假如判断不存在就一定不存在，因此刚好用在解决缓存穿透的key查找场景，事实上很多系统都是基于布隆过滤器来解决缓存穿透问题的。布隆过滤器Bloom Filter是1970年由布隆提出的。它实际上是一个很长的二进制向量和一系列随机映射函数。
布隆过滤器可以用于检索一个元素是否在一个集合中。它的优点是空间效率和查询时间都远远超过一般的算法，缺点是有一定的误识别率和删除困难。
缓存击穿是这样一种情况：由于缓存系统中的热点数据都有过期时间，如果没有过期时间就造成了主存和缓存的数据不一致，因此过期时间一般都不会太长，设想某时刻一批热点数据同时在缓存系统中过期失效，那么这部分数据就都将请求磁盘数据库系统。
从描述上来看有点像微小规模的雪崩，但是对数据库的压力就很小了，只不过会影响并发性能，然而在多线程场景中缓存击穿却是经常发生的，相反缓存穿透和雪崩频率不如缓存击穿，因此研究击穿的现实意义更大一些。
* 在设置热点数据过期时间时尽量分散，比如设置100ms的基础值，在此基础上正负浮动10ms，从而降低相同时刻出现CacheMiss的key的数量。
* 另外一种做法是多线程加锁，其中第一个线程发现CacheMiss之后进行加锁，再从数据库获取内容之后写到缓存中，其他线程获取锁失败则阻塞数ms之后再进行缓存读取，这样可以降低访问数据数据库的线程数，需要注意在单机和集群需要使用不同的锁，集群环境使用分布式锁来实现，但是由于锁的存在也会影响并发效率。
* 还有一种办法是使用类似于Redis的SETNX命令，这种貌似存在问题
* 最后一种方法是在业务层对使用的热点数据查看是否即将过期，如果即将过期则去数据库获取最新数据进行更新并延长该热点key在缓存系统中的时间，从而避免后面的过期CacheMiss，相当于把事情提前解决了。缓存击穿的解决方法都有一定的权衡，实际中根据自己的需求来解决，不过缓存击穿的影响一般来说并不会太大，或许在你的服务跑了很久之后你才意识到会有缓存击穿问题。