内容简介:###1.LRU等算法剔除:例如 maxmemory-policy###3.主动更新:开发控制生命周期###解决方法1:缓存空对象(设置过期时间)
缓存的受益与成本
1.受益
2.成本
-
数据不一致:缓存层和数据层有时间窗口不一致问题,和更新策略有关
-
代码维护成本:多了一层缓存逻辑
-
运维成本:例如Redis Cluster
3.使用场景
-
降低后端负载
-
对高消耗的SQL:join结果集/分组统计结果缓存
-
-
加速请求响应
-
利用Redis/Memcache优化IO响应时间
-
-
大量写合并为批量写
-
入计数器先Redis累加再批量写DB
-
缓存的更新策略
###1.LRU等算法剔除:例如 maxmemory-policy
淘汰策略 | 含义 |
---|---|
noeviction | 当内存使用达到阈值的时候,所有引起申请内存的命令会报错 |
allkeys-lru | 在主键空间中,优先移除最近未使用的key |
volatile-lru | 在设置了过期时间的键空间中,优先移除最近未使用的key |
allkeys-random | 最主键空间中,随机移除某个key |
volatile-random | 在设置了过期的键空间中,随机移除某个key |
volatile-ttl | 在设置了过期时间的键空间中,具有更早过期时间的key优先移除 |
2.超时剔除:例如expire
###3.主动更新:开发控制生命周期
4.两条建议
-
低一致性数据:最大内存和淘汰策略
-
高一致性:超时剔除和主动更新结合,最大内存和淘汰策略兜底
缓存粒度问题
-
通用性:全量属性更好
-
占用空间:部分属性更好
-
代码维护:表面上全量属性更好
缓存穿透优化
-
含义:查询一个不存在的数据,由于缓存是不命中时需要从数据库查询,查不到数据则不写入缓存,这将导致这个不存在的数据每次请求都要到数据库去查询
-
产生原因
-
业务代码自身问题
-
恶意攻击、爬虫
-
-
发现问题
-
业务的响应时间,受到恶意攻击时,普遍请求被打到存储层,必会引起响应时间提高,可通过监控发现。
-
业务本身问题
-
相关指标:总调用数、缓存层命中数、存储层命中数
-
###解决方法1:缓存空对象(设置过期时间)
-
含义:当存储层查询不到数据后,往cache层中存储一个null,后期再被查询时,可以通过cache返回null。
-
缺点
-
cache层需要存储更多的key
-
缓存层和数据层数据“短期”不一致
-
-
示例代码
public String getPassThrough(String key) { String cacheValue = cache.get(key); if( StringUtils.isEmpty(cacheValue) ) { String storageValue = storage.get(key); cache.set(key , storageValue); if( StringUtils.isEmpty(storageValue) ) { cache.expire(key , 60 * 5 ); } return storageValue; } else { return cacheValue; } }
###解决方法2:布隆过滤器拦截(适合固定的数据)
-
将所有可能存在的数据哈希到一个足够大的bitmap中,一个不存在的数据会被这个bitmap拦截掉,从而避免了对底层存储系统的查询压力
缓存雪崩优化
-
含义:由于cache服务器承载大量的请求,当cache服务异常脱机,流量直接压向后端组件,造成级联故障。或者缓存集中在一段时间内失效,发生大量的缓存穿透
解决方法1:保证缓存高可用性
-
做到缓存多节点、多机器、甚至多机房。
-
Redis Cluster、Redis Sentinel
-
做二级缓存
解决方法2:依赖隔离组件为后端限流
-
使用Hystrix做服务降级
解决方法3:提前演练(压力测试)
解决方法4:对不同的key随机设置过期时间
无底洞问题
-
问题描述:添加机器时,客户端的性能不但没提升,反而下降
-
问题关键点
-
更多的机器 != 更高的性能
-
更多的机器 = 数据增长与水平扩展
-
批量接口需求:一次mget随着机器增多,网络节点访问次数更多。网络节点的时间复杂度由O(1) -> O(node)
-
-
优化IO的方法
-
命令本身优化:减少慢查询命令:keys、hgetall、查询bigKey并进行优化
-
减少网络通信次数
-
mget由O(keys),升级为O(node),O(max_slow(node)) , 甚至是O(1)
-
-
降低接入成本:例如客户端长连接/连接池、NIO等
-
热点Key的重建优化
-
热点Key(访问量比较大) + 较长的重建时间(重建过程中的API或者接口比较费时间)
-
导致的问题:有大量的线程会去查询数据源并重建缓存,对存储层造成了巨大的压力,响应时间会变得很慢
1.三个目标
-
减少重建缓存的次数
-
数据尽可能一致
-
减少潜在危险:例如死锁、线程池大量被hang住(悬挂)
2.两种解决方案
-
互斥锁(分布式锁)
-
第一个线程需要重建时候,对这个Key的重建加入分布式锁,重建完成后进行解锁
-
这个方法避免了大量的缓存重建与存储层的压力,但是还是会有大量线程的阻塞
jedis.set(lockKey, requestId, SET_IF_NOT_EXIST, SET_WITH_EXPIRE_TIME, expireTime) String get(String key) { String SET_IF_NOT_EXIST = "NX"; String SET_WITH_EXPIRE_TIME = "PX"; String value = jedis.get(key); if( null == value ) { String lockKey = "lockKey:" + key; if( "OK".equals(jedis.set(lockKey , "1" , SET_IF_NOT_EXIST , SET_WITH_EXPIRE_TIME , 180)) ) { value = db.get(key); jedis.set(key , value); jedis.delete(lockKey); } else { Thread.sleep(50); get(key); } } return value; }
-
-
永远不过期
-
缓存层面:不设置过期时间(不使用expire)
-
功能层面:为每个value添加逻辑过期时间,单发现超过逻辑过期时间后,会使用单独的线程去重建缓存。
-
还存在一个数据不一致的情况。可以将逻辑过期时间相对实际过期时间相对减小
-
缓存的受益与成本
1.受益
-
加速读写
-
CPU L1/L2/L3 Cache、浏览器缓存、Ehcache缓存数据库结果
-
-
降低后端负载
-
后端服务器通过前端缓存降低负载:业务端使用Redis降低后端MySQL的负载
-
2.成本
-
数据不一致:缓存层和数据层有时间窗口不一致问题,和更新策略有关
-
代码维护成本:多了一层缓存逻辑
-
运维成本:例如Redis Cluster
3.使用场景
-
降低后端负载
-
对高消耗的SQL:join结果集/分组统计结果缓存
-
-
加速请求响应
-
利用Redis/Memcache优化IO响应时间
-
-
大量写合并为批量写
-
入计数器先Redis累加再批量写DB
-
缓存的更新策略
###1.LRU等算法剔除:例如 maxmemory-policy
淘汰策略 | 含义 |
---|---|
noeviction | 当内存使用达到阈值的时候,所有引起申请内存的命令会报错 |
allkeys-lru | 在主键空间中,优先移除最近未使用的key |
volatile-lru | 在设置了过期时间的键空间中,优先移除最近未使用的key |
allkeys-random | 最主键空间中,随机移除某个key |
volatile-random | 在设置了过期的键空间中,随机移除某个key |
volatile-ttl | 在设置了过期时间的键空间中,具有更早过期时间的key优先移除 |
2.超时剔除:例如expire
###3.主动更新:开发控制生命周期
4.两条建议
-
低一致性数据:最大内存和淘汰策略
-
高一致性:超时剔除和主动更新结合,最大内存和淘汰策略兜底
缓存粒度问题
-
通用性:全量属性更好
-
占用空间:部分属性更好
-
代码维护:表面上全量属性更好
缓存穿透优化
-
含义:查询一个不存在的数据,由于缓存是不命中时需要从数据库查询,查不到数据则不写入缓存,这将导致这个不存在的数据每次请求都要到数据库去查询
-
产生原因
-
业务代码自身问题
-
恶意攻击、爬虫
-
-
发现问题
-
业务的响应时间,受到恶意攻击时,普遍请求被打到存储层,必会引起响应时间提高,可通过监控发现。
-
业务本身问题
-
相关指标:总调用数、缓存层命中数、存储层命中数
-
###解决方法1:缓存空对象(设置过期时间)
-
含义:当存储层查询不到数据后,往cache层中存储一个null,后期再被查询时,可以通过cache返回null。
-
缺点
-
cache层需要存储更多的key
-
缓存层和数据层数据“短期”不一致
-
-
示例代码
public String getPassThrough(String key) { String cacheValue = cache.get(key); if( StringUtils.isEmpty(cacheValue) ) { String storageValue = storage.get(key); cache.set(key , storageValue); if( StringUtils.isEmpty(storageValue) ) { cache.expire(key , 60 * 5 ); } return storageValue; } else { return cacheValue; } }
###解决方法2:布隆过滤器拦截(适合固定的数据)
-
将所有可能存在的数据哈希到一个足够大的bitmap中,一个不存在的数据会被这个bitmap拦截掉,从而避免了对底层存储系统的查询压力
缓存雪崩优化
-
含义:由于cache服务器承载大量的请求,当cache服务异常脱机,流量直接压向后端组件,造成级联故障。或者缓存集中在一段时间内失效,发生大量的缓存穿透
解决方法1:保证缓存高可用性
-
做到缓存多节点、多机器、甚至多机房。
-
Redis Cluster、Redis Sentinel
-
做二级缓存
解决方法2:依赖隔离组件为后端限流
-
使用Hystrix做服务降级
解决方法3:提前演练(压力测试)
解决方法4:对不同的key随机设置过期时间
无底洞问题
-
问题描述:添加机器时,客户端的性能不但没提升,反而下降
-
问题关键点
-
更多的机器 != 更高的性能
-
更多的机器 = 数据增长与水平扩展
-
批量接口需求:一次mget随着机器增多,网络节点访问次数更多。网络节点的时间复杂度由O(1) -> O(node)
-
-
优化IO的方法
-
命令本身优化:减少慢查询命令:keys、hgetall、查询bigKey并进行优化
-
减少网络通信次数
-
mget由O(keys),升级为O(node),O(max_slow(node)) , 甚至是O(1)
-
-
降低接入成本:例如客户端长连接/连接池、NIO等
-
热点Key的重建优化
-
热点Key(访问量比较大) + 较长的重建时间(重建过程中的API或者接口比较费时间)
-
导致的问题:有大量的线程会去查询数据源并重建缓存,对存储层造成了巨大的压力,响应时间会变得很慢
1.三个目标
-
减少重建缓存的次数
-
数据尽可能一致
-
减少潜在危险:例如死锁、线程池大量被hang住(悬挂)
2.两种解决方案
-
互斥锁(分布式锁)
-
第一个线程需要重建时候,对这个Key的重建加入分布式锁,重建完成后进行解锁
-
这个方法避免了大量的缓存重建与存储层的压力,但是还是会有大量线程的阻塞
jedis.set(lockKey, requestId, SET_IF_NOT_EXIST, SET_WITH_EXPIRE_TIME, expireTime) String get(String key) { String SET_IF_NOT_EXIST = "NX"; String SET_WITH_EXPIRE_TIME = "PX"; String value = jedis.get(key); if( null == value ) { String lockKey = "lockKey:" + key; if( "OK".equals(jedis.set(lockKey , "1" , SET_IF_NOT_EXIST , SET_WITH_EXPIRE_TIME , 180)) ) { value = db.get(key); jedis.set(key , value); jedis.delete(lockKey); } else { Thread.sleep(50); get(key); } } return value; }
-
-
永远不过期
-
缓存层面:不设置过期时间(不使用expire)
-
功能层面:为每个value添加逻辑过期时间,单发现超过逻辑过期时间后,会使用单独的线程去重建缓存。
-
还存在一个数据不一致的情况。可以将逻辑过期时间相对实际过期时间相对减小
-
以上所述就是小编给大家介绍的《缓存设计与优化》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:- YYCache 源码解析(二):磁盘缓存的设计与缓存组件设计思路
- 如何设计一个本地缓存
- 缓存_系统设计笔记13
- 缓存架构设计,从此不再发愁
- 设计实现高性能本地内存缓存
- 架构设计笔记(十一):关键模式_缓存
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
Computational Geometry
Mark de Berg、Otfried Cheong、Marc van Kreveld、Mark Overmars / Springer / 2008-4-16 / USD 49.95
This well-accepted introduction to computational geometry is a textbook for high-level undergraduate and low-level graduate courses. The focus is on algorithms and hence the book is well suited for st......一起来看看 《Computational Geometry》 这本书的介绍吧!
随机密码生成器
多种字符组合密码
HEX CMYK 转换工具
HEX CMYK 互转工具