【Redis知识点总结】（七）——缓存雪崩、缓存穿透、缓存击穿、Redis高级用法

缓存雪崩

缓存雪崩是指，同一时间有大量的缓存key失效，或者redis节点直接宕机了，造成大量的请求打向数据库，像雪崩一样。

原本我们的redis就像是数据库前面的一堵墙，挡住大量的请求，只有少量的请求打到数据库。

但是由于大量的缓存key在同一时间失效，相当于是redis这堵墙开了个大口，这时候大量的请求就会同一时刻打向数据库，有可能直接把数据库打挂掉。

面对这种问题，解决办法就是给每一个key的过期时间添加一个随机值，然后redis要以集群方式部署，避免redis单点故障导致所有请求打向数据库。

缓存穿透

缓存穿透是指一个请求查询的数据在缓存中没有，在数据库中也没有，这种请求每次都会直达数据库，向穿过了缓存层一样。如果客户端不断的发起这样的请求，就会造成大量的无效查询，如果是黑客通过某种手段制造这种大量的无效请求打向数据库，也有可能把数据库打挂掉。

解决办法有如下几种：

• 添加校验规则，过滤无效请求
• 缓存一个空值到redis，并设置一个较短的过期时间
• 使用布隆过滤器

布隆过滤器

布隆过滤器是基于bitmap加多个hash函数组成的一个用于判断一个key是否存在的过滤器。当它判断该key不存在时，那就一定是不存在的；当它判断该key是存在的时候，大概率是存在的，但也有可能是误判。

原理如下：

布隆过滤器包含多个hash函数和一个bitmap，比如有3个hash函数和一个bitmap。当我要通过布隆过滤器判断是一个key是否存在是，布隆过滤器会分别使用这三个hash函数算出三个bitmap的下标，然后到bitmap中查看对应的bit是否为1，如果三个bit都为1，则判断key存在，如果有至少其中一个bit是0，则判断key不存在。

有了布隆过滤器之后，我们每次往数据库添加数据的时候，同时往布隆过滤器中添加一份，每次要向数据库查询数据的时候，先通过布隆过滤器判断是否存在，存在再去查，不存在就不去查了，这样就能过滤掉缓存穿透造成的无效查询请求。

缓存击穿

缓存击穿的意思是一个热点key在某个时间点突然失效了，因为它是热点key，因此大量请求同一时刻涌向数据库去查询这个key，把数据库打挂掉。

解决办法有两种：

• 设置热点key永不失效
• 添加分布式锁，每次查询数据前要先获取到锁，没抢到锁的则睡眠一会再重试

Redis高级用法

bitmap

上面说到布隆过滤器是基于bitmap实现的，这个bitmap其实就是基于redis的string类型的，因为string会保存二进制字节数组，所以自然可以用它来实现bitmap的功能。

当我们向bitmap中写入一个bit时，可以用以下命令：

setbit {bitmap} {offset} 1

查询一个bit时就这样：

getbit {bitmap} {offset}

这里的{bitmap}指的是这个bitmap的名字，由我们自己指定，{offset}则是bit在bitmap中的偏移量。

然后可以这样统计bitmap中共有多少个bit是1：

bitcount {bitmap}

还可以通过以下这个命令对多个bitmap进行按位与运算，合并成一个新的bitmap。

bitop and {new_bitmap} {bitmap1} {bitmap2} {bitmap3}

假设我们系统有1亿个用户，我们要统计在2024年1月28日当天这1亿个用户中有多少用户登录，我们可以用一个长度为1亿的bitmap，然后bitmap中每个bit对应一个用户当天的登录情况，登录了则置为1，否则该bit就是0，那么我们只要用一个bitcount命令就可以得到当天这1亿个用户的登录情况了。

那我们要统计一周内连续登录的用户数呢？我们只要使用 bitop and 命令把一周内的七天对应的七个bitmap按位与合并成一个新的bitmap，再用bitcount命令统计一下这个新的bitmap即可。

HyperLogLog

redis有一个高级功能HyperLogLog，可以用来做基数统计。基数统计的意思是求一个集合中不重复的元素个数。

比如我们现在要统计某网页的UV，UV就是一天之内访问当前页面的用户数，一个用户一天之内多次访问该页面，只能算作访问一次。

此时我们可以使用HyperLogLog完成网页UV的统计：

1. 我们用网页名称做key，比如uv:{pageName}这样
2. 一个用户访问该页面，我们就使用pfadd命令把该用户id添加进去，比如 pfadd uv:page1 uid1
3. 如果要统计该页面的uv，我们使用pfcount命令，比如pfcount uv:page1这样

但是有一点要注意，HyperLogLog的统计不是精确的，有一定的误差，如果要精确统计，那么HyperLogLog就不适用了。