緩存雪崩

緩存雪崩指的是Redis當(dāng)中的大量緩存在同一時間全部失效，而假如恰巧這一段時間同時又有大量請求被發(fā)起，那么就會造成請求直接訪問到數(shù)據(jù)庫，可能會把數(shù)據(jù)庫沖垮。

緩存雪崩一般形容的是緩存中沒有而數(shù)據(jù)庫中有的數(shù)據(jù)，而因為時間到期導(dǎo)致請求直達(dá)數(shù)據(jù)庫。

解決方案

解決緩存雪崩的方法有很多：

• 1、加鎖，保證單線程訪問緩存。這樣就不會有很多請求同時訪問到數(shù)據(jù)庫。

• 2、失效時間不要設(shè)置成一樣。典型的就是初始化預(yù)熱數(shù)據(jù)的時候，將數(shù)據(jù)存入緩存時可以采用隨機(jī)時間來確保不會咋同一時間有大量緩存失效。

• 3、內(nèi)存允許的情況下，可以將緩存設(shè)置為永不失效。

緩存擊穿

緩存擊穿和緩存雪崩很類似，區(qū)別就是緩存擊穿一般指的是單個緩存失效，而同一時間又有很大的并發(fā)請求需要訪問這個key，從而造成了數(shù)據(jù)庫的壓力。

解決方案

解決緩存擊穿的方法和解決緩存雪崩的方法很類似：

• 1、加鎖，保證單線程訪問緩存。這樣第一個請求到達(dá)數(shù)據(jù)庫后就會重新寫入緩存，后續(xù)的請求就可以直接讀取緩存。

• 2、內(nèi)存允許的情況下，可以將緩存設(shè)置為永不失效。

緩存穿透

緩存穿透和上面兩種現(xiàn)象的本質(zhì)區(qū)別就是這時候訪問的數(shù)據(jù)其在數(shù)據(jù)庫中也不存在，那么既然數(shù)據(jù)庫不存在，所以緩存里面肯定也不會存在，這樣如果并發(fā)過大就會造成數(shù)據(jù)源源不斷的到達(dá)數(shù)據(jù)庫，給數(shù)據(jù)庫造成極大壓力。

解決方案

對于緩存穿透問題，加鎖并不能起到很好地效果，因為本身key就是不存在，所以即使控制了線程的訪問數(shù)，但是請求還是會源源不斷的到達(dá)數(shù)據(jù)庫。

解決緩存穿透問題一般可以采用以下方案配合使用：

• 1、接口層進(jìn)行校驗，發(fā)現(xiàn)非法的key直接返回。比如數(shù)據(jù)庫中采用的是自增id，那么如果來了一個非整型的id或者負(fù)數(shù)id可以直接返回，或者說如果采用的是32位uuid，那么發(fā)現(xiàn)id長度不等于32位也可以直接返回。

• 2、將不存在的數(shù)據(jù)也進(jìn)行緩存，可以直接緩存一個空或者其他約定好的無效value。采用這種方案最好將key設(shè)置一個短期失效時間，否則大量不存在的key被存儲到Redis中，也會占用大量內(nèi)存。

布隆過濾器（Bloom Filter）

針對上面緩存穿透的解決方案，我們思考一下：假如一個key可以繞過第1種方法的校驗，而此時有大量的不存在key被訪問（如1億個或者10億個），那么這時候全部存儲到緩存，會占用非常大的空間，會浪費大量服務(wù)器內(nèi)存，導(dǎo)致內(nèi)存不足。

那么有沒有一種更好的解決方案呢？這就是我們接下來要介紹的布隆過濾器，布隆過濾器就可以最大程度的解決key值過多的這個問題。

什么是布隆過濾器

可能大部分人都知道有這么一個面試問題：如何在10億的海量的無序的數(shù)據(jù)中快速判斷一個元素是否存在？

要解決這個問題就需要用到布隆過濾器，否則大部分服務(wù)器的內(nèi)存是無法存儲這么大的數(shù)量級的數(shù)據(jù)的。

布隆過濾器（Bloom Filter）是由布隆在1970年提出的。它實際上是一個很長的二進(jìn)制向量（位圖）和一系列隨機(jī)映射函數(shù)（哈希函數(shù)）。

布隆過濾器可以用于檢索一個元素是否在一個集合中。它的優(yōu)點是空間效率和查詢時間都比一般的算法要好的多，缺點是有一定的誤識別率而且刪除困難。

位圖（Bitmap）

Redis當(dāng)中有一種數(shù)據(jù)結(jié)構(gòu)就是位圖，布隆過濾器其中重要的實現(xiàn)就是位圖的實現(xiàn)，也就是位數(shù)組，并且在這個數(shù)組中每一個位置只有0和1兩種狀態(tài)，每個位置只占用1個字節(jié)，其中0表示沒有元素存在，1表示有元素存在。如下圖所示就是一個簡單的布隆過濾器示例（一個key值經(jīng)過哈希運算和位運算就可以得出應(yīng)該落在哪個位置）：

哈希碰撞

上面我們發(fā)現(xiàn)，lonely和wolf落在了同一個位置，這種不同的key值經(jīng)過哈希運算后得到相同值的現(xiàn)象就稱之為哈希碰撞。發(fā)生哈希碰撞之后再經(jīng)過位運算，那么最后肯定會落在同一個位置。

如果發(fā)生過多的哈希碰撞，就會影響到判斷的準(zhǔn)確性，所以為了減少哈希碰撞，我們一般會綜合考慮以下2個因素：

• 1、增大位圖數(shù)組的大小（位圖數(shù)組越大，占用的內(nèi)存越大）。

• 2、增加哈希函數(shù)的次數(shù)（同一個key值經(jīng)過1個函數(shù)相等了，那么經(jīng)過2個或者更多個哈希函數(shù)的計算，都得到相等結(jié)果的概率就自然會降低了）。

上面兩個方法我們需要綜合考慮：比如增大位數(shù)組，那么就需要消耗更多的空間，而經(jīng)過越多的哈希計算也會消耗cpu影響到最終的計算時間，所以位數(shù)組到底多大，哈希函數(shù)次數(shù)又到底需要計算多少次合適需要具體情況具體分析。

布隆過濾器的2大特點

下面這個就是一個經(jīng)過了2次哈希函數(shù)得到的布隆過濾器，根據(jù)下圖我們很容易看到，假如我們的Redis根本不存在，但是Redis經(jīng)過2次哈希函數(shù)之后得到的兩個位置已經(jīng)是1了（一個是wolf通過f2得到，一個是Nosql通過f1得到）。

所以通過上面的現(xiàn)象，我們從布隆過濾器的角度可以得出布隆過濾器主要有2大特點：

• 1、如果布隆過濾器判斷一個元素存在，那么這個元素可能存在。

• 2、如果布隆過濾器判斷一個元素不存在，那么這個元素一定不存在。

而從元素的角度也可以得出2大特點：

• 1、如果元素實際存在，那么布隆過濾器一定會判斷存在。

• 2、如果元素不存在，那么布隆過濾器可能會判斷存在。

PS：需要注意的是，如果經(jīng)過N次哈希函數(shù)，則需要得到的N個位置都是1才能判定存在，只要有一個是0，就可以判定為元素不存在布隆過濾器中。

fpp

因為布隆過濾器中總是會存在誤判率，因為哈希碰撞是不可能百分百避免的。布隆過濾器對這種誤判率稱之為假陽性概率，即：False Positive Probability，簡稱為fpp。

在實踐中使用布隆過濾器時可以自己定義一個fpp，然后就可以根據(jù)布隆過濾器的理論計算出需要多少個哈希函數(shù)和多大的位數(shù)組空間。需要注意的是這個fpp不能定義為100%，因為無法百分保證不發(fā)生哈希碰撞。

總結(jié)

其他的內(nèi)容都可以按照路線圖里面整理出來的知識點逐一去熟悉，學(xué)習(xí)，消化，不建議你去看書學(xué)習(xí)，最好是多看一些視頻，把不懂地方反復(fù)看，學(xué)習(xí)了一節(jié)視頻內(nèi)容第二天一定要去復(fù)習(xí)，并總結(jié)成思維導(dǎo)圖，形成樹狀知識網(wǎng)絡(luò)結(jié)構(gòu)，方便日后復(fù)習(xí)。

這里還有一份很不錯的《Java基礎(chǔ)核心總結(jié)筆記》，特意跟大家分享出來，需要的話點擊這里免費獲取

目錄：

部分內(nèi)容截圖：

iP-1626932288633)]

部分內(nèi)容截圖：

[外鏈圖片轉(zhuǎn)存中…(img-ulePHIjj-1626932288635)]

[外鏈圖片轉(zhuǎn)存中…(img-Q54A4O50-1626932288637)]

總結(jié)

以上是生活随笔為你收集整理的不愧是Alibaba技术官，java数组实现单向链表的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。