0
点赞
收藏
分享

微信扫一扫

Redis缓存穿透解决方案

mm_tang 2022-03-15 阅读 64

先来说下什么是缓存穿透

缓存穿透是指查询一个根本不存在的数据,缓存层中和存储层中都不会命中,通常出于容错的考虑,如果从存储层查不到数据则不会写入数据层。这样将会导致数据的每次请求都要到存储层去查询,给存储层带来较大的访问压力,从而失去了缓存保护后端存储的意义。

造成缓存穿透的基本原因有两个
第一,自身业务代码或者数据出现问题。
第二,一些恶意攻击、爬虫等造成。

解决方案

  1. 缓存空对象
    如果缓存层和存储层都没有命中,则先再存储层中存储对应key为为空值,并设置过期时间。
    String get(String key) {
     		// 从缓存中获取数据
    	String cacheValue = cache.get(key);
    	// 缓存为空
    	if (StringUtils.isBlank(cacheValue)) {
    	// 从存储中获取
    	String storageValue = storage.get(key);
    	cache.set(key, storageValue);
    	// 如果存储数据为空, 需要设置一个过期时间(300秒)
    		if (storageValue == null) {
     		cache.expire(key, 60 * 5);
     			}
     		return storageValue;
     		} else {
     	// 缓存非空
     	return cacheValue;
     	}
     }
    
  2. 使用布隆过滤器
    对于恶意攻击,向服务器请求大量不存在的数据造成的缓存穿透,还可以用布隆过滤器先做一次过滤,对于不存在的数据布隆过滤器一般都能够过滤掉,不让请求再往后端发送。当布隆过滤器说某个值存在时,这个值可能不存在;当它说不存在时,那就肯定不存在。
    布隆过滤器就是一个大型的位数组和几个不一样的无偏 hash 函数。所谓无偏就是能够把元素的 hash 值算得比较均匀。
    向布隆过滤器中添加 key 时,会使用多个 hash 函数对 key 进行 hash 算得一个整数索引值然后对位数组长度进行取模运算得到一个位置,每个 hash 函数都会算得一个不同的位置。再把位数组的这几个位置都置为 1 就完成了 add 操作。
    向布隆过滤器询问 key 是否存在时,跟 add 一样,也会把 hash 的几个位置都算出来,看看位数组中这几个位置是否都为 1,只要有一个位为 0,那么说明布隆过滤器中这个key 不存在。如果都是 1,这并不能说明这个 key 就一定存在,只是极有可能存在,因为这些位被置为 1 可能是因为其它的 key 存在所致。如果这个位数组比较稀疏,这个概率就会很大,如果这个位数组比较拥挤,这个概率就会降低。
    这种方法适用于数据命中不高、 数据相对固定、 实时性低(通常是数据集较大) 的应用场景, 代码维护较为复杂, 但是缓存空间占用很少。

可以用redisson实现布隆过滤器,引入依赖:

	<dependency>
	<groupId>org.redisson</groupId>
	<artifactId>redisson</artifactId>
	<version>3.6.5</version>
	</dependency>

示例代码:

 import org.redisson.Redisson;
 import org.redisson.api.RBloomFilter;
 import org.redisson.api.RedissonClient;
 import org.redisson.config.Config;

 public class RedissonBloomFilter {

 	public static void main(String[] args) {
 		Config config = new Config();
 	config.useSingleServer().setAddress("redis://localhost:6379");
 		//构造Redisson
 	RedissonClient redisson = Redisson.create(config);
	RBloomFilter<String> bloomFilter = redisson.getBloomFilter("nameList");
	//初始化布隆过滤器:预计元素为100000000L,误差率为3%,根据这两个参数会计算出底层的bit数组大小

	bloomFilter.tryInit(100000000L,0.03);
	//将zhuge插入到布隆过滤器中
	bloomFilter.add("zhuge");

	//判断下面号码是否在布隆过滤器中
	System.out.println(bloomFilter.contains("guojia"));//false
 	System.out.println(bloomFilter.contains("baiqi"));//false
	System.out.println(bloomFilter.contains("zhuge"));//true
	 }
 }
举报

相关推荐

0 条评论