概述
缓存预热
问题排查
应用服务如果里面使用redis，服务器启动以后会快速“宕机”，这个只是对外的一个现象。
- 请求数量较高
- 主从之间数据吞吐量较大，数据同步操作频率较高
- 数据库取的频度比较高
在高请求之前，做好一系列措施，保证大量用户数量点击造成灾难
缓存预热解决方案
前置准备工作：
- 日常例行统计数据访问记录，统计访问频度较高的热点数据
- 利用LRU数据删除策略，构建数据留存队列
例如：storm与kafka配合
准备工作：
- 将统计结果中的数据分类，根据级别，redis优先加载级别较高的热点数据
- 利用分布式多服务器同时进行数据读取，提速数据加载过程
实施：
- 使用脚本程序固定出大数据预热过程
- 如果条件允许，使用CDN（内容分发网络），效果会更好
总结缓存预热的原因：
缓存预热就是系统启动前（启动前的时候数据不能零），提前将相关的缓存数据直接加载到缓存系统。避免在用户请求的时候，先查询数据库，然后再将数据缓存的问题！用户直接查询事先被预热的缓存数据!
缓存雪崩
数据库服务器崩溃（1）
- 系统平稳运行过程中，忽然数据库连接量激增
- 应用服务器无法及时请求
- 大量408，500错误页面出现
- 客户反复刷新页面获取数据
- 数据库崩溃
- 应用服务器崩溃
- 重启应用服务器无效
- Redis服务器崩溃
- Redis集群崩溃
- 重启数据之后再次被瞬间流量放倒
- CPU占用过高、使用率过频繁
问题排查
- 在一个较短的时间内，缓存中较多的key集中过期
- 此周期内请求访问过期的数据，redis未命中，redis向数据库获取数据
- 数据库同时接受到大量的请求无法即时处理
- Redis大量请求被积压，开始出现超时现象
- 数据库流量激增，数据库崩溃
- 重启后任然面对缓存中无数据可用
- Redis服务器资源被严重占用，Redis服务器崩溃
- Redis集群呈现崩塌，集群瓦解
- 应用服务器无法即时得到数据响应请求，来自客户端的请求数量越来越多，应用服务器崩溃
- 应用服务器，redis，数据库全部重启，效果不理想
问题分析
- 短时间范围内
- 大量key集中过期
解决方案（道）
- 更多数据从redis取，构建页面静态化处理
- 构建多级缓存架构
Nginx缓存+redis缓存+ehcache缓存 - 检测Mysql严重耗时业务进行优化
对数据库的瓶颈排查：例如超时查询、耗时较高事务等 - 灾难预警机制
监控redis服务器性能指标
1、CPU占用、CPU使用率
2、内存容量
3、查询平均响应时间
4、线程数 - 限流、降级
短时间范围内习生一些客户体验，限制一部分请求访问，降低应用服务器压力，待业务低速运转后再逐渐放开访问
解决方案（术）
- LRU（到期删除）与LFU（计数删除）切换
- 数据有效期策略调整
根据业务数据有效期进行分类错峰，A类90分钟，B类80分钟，C类70分钟
过期时间使用固定形式+随机值的形式，稀释集中到期的key的数量 - 超热数据使用永久key，超热跟热点要区分开，超热永久key迟早会崩
- 定期维护（自动脚本+人工）
对即将过期数据做访问量分析，确认是否演示，配合访问量统计，做热点数据的延时 - 加锁
慎用！因为加锁后拿的到锁就干活，拿不到锁就不干活，就得停
总结雪崩的原因：
当我们的客户端去访问我们系统时，通过我们Nginx分发到我们tomcat走到我们redis，redis的数据本该命中给它，如果没有命中，它去数据库取。结果现在大量的key集中过期了，redis这边无法得到有效的命中，于是它们就不走redis，而是向我们的数据库发出了更多的请求，就相当于redis空设了。
把它的过期时间给错开，就分流开，通过随机值来解决它，另外还有其他的策略。
缓存雪崩式瞬间过期数量太大，导致对数据库服务器造成压力。如果能有效避免过期时间集中，可以有效解决雪崩现象的出现（约40%）。配合其他策略一起使用，并监控服务器的运行数据，根据运行巨鹿做快速调整。
缓存击穿
数据库服务器崩溃（2）
- 系统平稳运行过程中
- 数据库连接量瞬间激增
- Redis服务器无大量key过期
- Redis内存平稳，无波动
- Redis服务器CPU正常
- 数据库崩溃
问题排查
- Redis中某一个key过期，该key访问量巨大，redis没有命中就放行了，导致数据库查询瞬间激增
- 多个数据请求从服务器直接压到Redis后，均为命中
- Redis在短时间内发起了大量对数据库中同一个数据的访问
问题分析
- 单个key高热数据
- key过期
解决方案（术）
- 预先设定
以电商为例，每个商家根据店铺等级，指定若干款主打商品，在购物节期间，加大此类信息key的过期时常
注意：购物节不仅仅指当天，以及后续若干天，访问峰值呈现逐渐降低趋势 - 现场调整
监控访问量，对自然流量激增的数据延长过期时间或设置为永久性key - 后台刷新数据
启动定时任务，高峰期来临之前，刷新数据有效期，保存不丢失 - 二级缓存
设置不同的失效时间，保障不会被同时淘汰就行 - 加锁
分布式锁：保证对于每个key同时只能一个线程去查询后端服务，其他线程没有获得分布式锁的权限，因此只需要等待即可。这种方式高并发的压力转移到了分布式锁，因此对分布式锁的考验很大。防止被击穿，但是要注意也是性能瓶颈，慎重！！！！！！！！
总结击穿的原因：
与雪崩相比它的数量变少了，是单个高热数据过期，瞬间访问量比较大，然后redis没有命中，同时发起了对数据库的暴力访问，导致的这种现象。最终导致数据库崩溃。应对策略应该在业务数据分析与预防方面进行，配合运行监控测试与即时调整策略，毕竟单个key的过期监控难度较高，配合雪崩处理策略即可。
缓存穿透
概念
用户想要查询一个数据，发现redis内存数据库中没有，也就是缓存未命中。于是向持久层数据库查询，发现也没有，于是本次查询就失败。当用户很多的时候，缓存都没有命中（秒杀），于是都去请求持久层数据库，这会给持久层数据库造成很大压力，这时候就相当于出现了缓存穿刺。
数据库服务器崩溃（3）
- 系统平稳运行过程中
- 应用服务器流量随时间增量较大
- Redis服务器命中率随时间逐步降低
- Redis内存平稳，内存无压力
- Redis服务器CPU占用激增
- 数据库服务器压力激增
- 数据库崩溃
问题排查
- redis中大面积出现未命中
- 出现非正常URL访问
问题分析
- 获取的数据在数据库中也不存在，数据库查询未得到对应数据
- Redis获取到null数据未进行持久化，直接返回
- 下次此类数据到达重复上述过程
- 出现黑客攻击服务器，访问一些不存在的URK，想办法穿透redis，对数据库进行攻击，这种攻击是为搞瘫痪服务器
解决方法（术）
- 缓存空对象
对查询结果为null的数据进行缓存（长期使用，定期清理），设定短时限，例如30-60秒，最高五分钟 - 白名单策略（布隆过滤器 ）
提前预热各种分类数据id对应的bitmaps,id作为bitmaps的offset,相当于设置了数据白名单。当加载正常数据后放型，加载异常数据时直接拦截（效率偏低）
使用布隆过滤器（有关布隆过滤器的命中问题对当前状态可以忽略） - 实时监控
试试监控redis命中率（业务正常范围时，通常回有一个波动值）与null数据的占比
非活动时间波动：通常检测3-5倍，超过5倍纳入重点排查对象
活动时间波动：通常检测10-50倍，超过50倍纳入重点排查对象
根据背书不同，启动不同的排查流程。然后使用黑名单进行防控（运营） - key加密
问题出现后，临时启动防灾业务key,对key进行业务层传输加密服务，设定校验程序，过来的key校验
例如每天随机分配60个加密串，挑选2-3个，混淆到页面数据id中，发现访问key不满足规则，驳回数据访问
布隆过滤器是一种数据结构，对所有可能查询的参数以hash形式存储，在控制层先进行校验，不符合就丢弃，从而避免了对底层存储系统的查询压力；
总结穿透的原因：
缓存穿透是访问了不存在的数据，redis跟数据库都不存在跳过了合法数据的redis数据缓存阶段，每次访问数据库，导致对数据库服务器造成压力。通常此类数据的出现量是一个较低的值，当出现此类情况以毒攻毒，并即时报警。应对策略应该在临时预案防范方面多做文章
无论是黑名单还是白名单，都是对整体系统的压力，警报解除后尽快移除
性能指标监控
性能指标：5个指标
- 性能指标：Performance
- 内存指标：Memory
- 基本活动指标：Basic activity
- 持久性指标：Persistence
- 错误指标：Error
监控方式
工具
- Cloud Insght Redis
- Prometheus
- Redis-stat
- Redis-faina
- RedisLive
- zabbix
命令 - benchmark
- redis cli
monitor
showlog
redis压力测试工具redis-benchmark
monitor
slowlog
最后
以上就是搞怪牛排为你收集整理的十七、缓存预热、缓存雪崩、缓存击穿、缓存穿透、性能指标监控等企业级解决方案的全部内容，希望文章能够帮你解决十七、缓存预热、缓存雪崩、缓存击穿、缓存穿透、性能指标监控等企业级解决方案所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
发表评论 取消回复