提前排雷！分布式緩存的25個優(yōu)秀實踐與線上案例

本文主要介紹使用分布式緩存的優(yōu)秀實踐和線上案例。這些案例是筆者在多家互聯(lián)網公司里積累并形成的優(yōu)秀實踐，能夠幫助大家在生產實踐中避免很多不必要的生產事故。

一、緩存設計的核心要素

我們在應用中決定使用緩存時，通常需要進行詳細的設計，因為設計緩存架構看似簡單，實則不然，里面蘊含了很多深奧的原理，如果使用不當，則會造成很多生產事故甚至是服務雪崩之類的嚴重問題。

筆者在做設計評審的過程中，總結了所有與緩存設計相關的設計點，這里列出來供大家參考。

1、容量規(guī)劃

• 緩存內容的大小

• 緩存內容的數量

• 淘汰策略

• 緩存的數據結構

• 每秒的讀峰值

• 每秒的寫峰值

2、性能優(yōu)化

• 線程模型

• 預熱方法

• 緩存分片

• 冷熱數據的比例

3、高可用

• 復制模型

• 失效轉移

• 持久策略

• 緩存重建

4、緩存監(jiān)控

• 緩存服務監(jiān)控

• 緩存容量監(jiān)控

• 緩存請求監(jiān)控

• 緩存響應時間監(jiān)控

5、注意事項

• 是否有可能發(fā)生緩存穿透

• 是否有大對象

• 是否使用緩存實現分布式鎖

• 是否使用緩存支持的腳本（Lua）

• 是否避免了Race Condition

筆者在這里把這些設計點提供給讀者，請讀者在做緩存設計時把每一項作為一個思考的起點，思考我們在設計緩存時是否想到了這些點，以避免在設計的過程中因忽略某一項而導致嚴重的線上事故發(fā)生。

二、緩存設計的優(yōu)秀實踐

筆者在做設計評審的過程中，總結了一些開發(fā)人員在設計緩存系統(tǒng)時的優(yōu)秀實踐，如下所述：

優(yōu)秀實踐1

緩存系統(tǒng)主要消耗的是服務器的內存，因此，在使用緩存時必須先對應用需要緩存的數據大小進行評估，包括緩存的數據結構、緩存大小、緩存數量、緩存的失效時間，然后根據業(yè)務情況自行推算在未來一定時間內的容量的使用情況，根據容量評估的結果來申請和分配緩存資源，否則會造成資源浪費或者緩存空間不夠。

優(yōu)秀實踐2

建議將使用緩存的業(yè)務進行分離，核心業(yè)務和非核心業(yè)務使用不同的緩存實例，從物理上進行隔離，如果有條件，則請對每個業(yè)務使用單獨的實例或者集群，以減小應用之間互相影響的可能性。筆者就經常聽說有的公司應用了共享緩存，造成緩存數據被覆蓋以及緩存數據錯亂的線上事故。

優(yōu)秀實踐3

根據緩存實例提供的內存大小推算應用需要使用的緩存實例數量，一般在公司里會成立一個緩存管理的運維團隊，這個團隊會將緩存資源虛擬成多個相同內存大小的緩存實例。

例如一個實例有4GB內存，在應用申請時可以按需申請足夠的實例數量來使用，對這樣的應用需要進行分片，詳情請參考《可伸縮服務架構：框架與中間件》中4.4.3的內容。這里需要注意，如果我們使用了RDB備份機制，每個實例使用4GB內存，則我們的系統(tǒng)需要大于8GB內存，因為RDB備份時使用了 copy-on-write 機制，需要fork出一個子進程，并且復制一份內存，因此需要雙份的內存存儲大小。

優(yōu)秀實踐4

緩存一般是用來加速數據庫的讀操作的，一般先訪問緩存后訪問數據庫，所以緩存的超時時間的設置是很重要的。筆者曾經在一家互聯(lián)網公司遇到過由于運維操作失誤導致緩存超時設置得較長，從而拖垮服務的線程池，最終導致服務雪崩的情況。

優(yōu)秀實踐5

所有的緩存實例都需要添加監(jiān)控，這是非常重要的，我們需要對慢查詢、大對象、內存使用情況做可靠的監(jiān)控。

優(yōu)秀實踐6

我們不推薦多個業(yè)務共享一個緩存實例，但是由于成本控制的原因，這種情況經常出現，我們需要通過規(guī)范來限制各個應用使用的key有唯一的前綴，并進行隔離設計，避免產生緩存互相覆蓋的問題。

優(yōu)秀實踐7

任何緩存的key都必須設定緩存失效時間，且失效時間不能集中在某一點，否則會導致緩存占滿內存或者緩存雪崩。

優(yōu)秀實踐8

低頻訪問的數據不要放在緩存中，如我們前面所說的，我們使用緩存的主要目的是提高讀取性能。

曾經有個小伙伴設計了一套定時的批處理系統(tǒng)，由于批處理系統(tǒng)需要對一個大的數據模型進行計算，所以該小伙伴把這個數據模型保存在每個節(jié)點的本地緩存中，并通過消息隊列接收更新的消息來維護本地緩存中模型的實時性，但是這個模型每個月只用了一次，所以這樣使用緩存是很浪費的。

既然是批處理任務，就需要把任務進行分割，進行批量處理，采用分而治之、逐步計算的方法，得出最終的結果即可。

優(yōu)秀實踐9

緩存的數據不易過大，尤其是Redis，因為Redis使用的是單線程模型，在單個緩存key的數據過大時，會阻塞其他請求的處理。

優(yōu)秀實踐10

對于存儲較多value的key，盡量不要使用HGETALL等集合操作，該操作會造成請求阻塞，影響其他應用的訪問。

優(yōu)秀實踐11

緩存一般用于在交易系統(tǒng)中加速查詢的場景，有大量的更新數據時，尤其是批量處理時，請使用批量模式，但是這種場景較少。

優(yōu)秀實踐12

如果對性能的要求不是非常高，則盡量使用分布式緩存，而不要使用本地緩存，因為本地緩存在服務的各個節(jié)點之間復制，在某一時刻副本之間是不一致的，如果這個緩存代表的是開關，而且分布式系統(tǒng)中的請求有可能會重復，就會導致重復的請求走到兩個節(jié)點，一個節(jié)點的開關是開，一個節(jié)點的開關是關，如果請求處理沒有做到冪等，就會造成處理重復，在嚴重情況下會造成資金損失。

優(yōu)秀實踐13

在寫緩存時一定要寫入完全正確的數據，如果緩存數據的一部分有效、一部分無效，則寧可放棄緩存，也不要把部分數據寫入緩存，否則會造成空指針、程序異常等。

優(yōu)秀實踐14

在通常情況下，讀的順序是先緩存，后數據庫；寫的順序是先數據庫，后緩存。

優(yōu)秀實踐15

在使用本地緩存（如Ehcache）時，一定要嚴格控制緩存對象的個數及聲明周期。由于JVM的特性，過多的緩存對象會極大影響JVM的性能，甚至導致內存溢出等。

優(yōu)秀實踐16

在使用緩存時，一定要有降級處理，尤其是對關鍵的業(yè)務環(huán)節(jié)，緩存有問題或者失效時也要能回源到數據庫進行處理。

三、關于常見的緩存問題的線上案例

筆者在多家互聯(lián)網公司負責架構方案評審和線上事故復盤，這里列舉其中的一些典型案例，供大家參考和借鑒。

案例1

現象：某應用程序的數據庫負載瞬時升高。

原因：在應用程序中對使用的大量緩存key設置了同一個固定的失效時間，當緩存失效時，會造成在一段時間內同時訪問數據庫，造成數據庫的壓力較大。

總結：在使用緩存時需要進行緩存設計，要充分考慮如何避免常見的緩存穿透、緩存雪崩、緩存并發(fā)等問題，尤其是對于高并發(fā)的緩存使用，需要對key的過期時間進行隨機設置，例如，將過期時間設置為10秒+random(2)，也就是將過期時間隨機設置成10～12秒。

案例2

現象：導致遷移前后兩個系統(tǒng)的核心操作重復。

原因：在遷移的過程中，重復的流量進入了不同的節(jié)點，由于使用了本地緩存存儲遷移開關，而遷移開關在開關打開的瞬間導致各個節(jié)點的開關狀態(tài)不一致，有的是開、有的是關，所以對于不同節(jié)點的流量的處理重復，一個走了開關開的邏輯，一個走了開關關的邏輯。

總結：避免使用本地緩存來存儲遷移開關，遷移開關應該在有狀態(tài)的訂單上標記。

案例3

現象：某模塊設計使用了緩存加速數據庫的讀操作的性能，但發(fā)現數據庫負載并沒有明顯下降。

原因：由于這個模塊的使用方查詢請求的數據在數據庫中不存在，是非法的數據，所以導致緩存沒有命中，每次都穿透到數據庫，且量級較大。

總結：在使用緩存時需要進行緩存設計，要充分考慮如何避免常見的緩存穿透、緩存雪崩、緩存并發(fā)等問題，尤其是對高并發(fā)的緩存使用，需要對無效的key進行緩存，以抵擋惡意的或者無意的對無效緩存查詢的攻擊或影響。

案例4

現象：監(jiān)控系統(tǒng)報警，Redis中單個哈希鍵占用的空間巨大。

原因：應用系統(tǒng)使用了哈希鍵，哈希鍵本身有過期時間，但是哈希鍵里面的每個鍵值對沒有過期時間。

總結：在設計Redis的過程中，如果有大量的鍵值對要保存，則請使用字符串鍵的數據庫類型，并對每個鍵都設置過期時間，請不要在哈希鍵內部存儲一個沒有邊界的集合數據。實際上，無論是對緩存、內存還是對數據庫的設計，如果使用任意一個集合的數據結構，則都要考慮為它設置最大限制，避免內存用光，最常見的是集合溢出導致的內存溢出的問題。

案例5

現象：某業(yè)務項目由于緩存宕機導致業(yè)務邏輯中斷，數據不一致。

原因：Redis進行主備切換，導致瞬間內應用連接Redis異常，應用并沒有對緩存做降級處理。

總結：對于核心業(yè)務，在使用緩存時一定要有降級方案。常見的降級方案是在數據庫層次預留足夠的容量，在某一部分緩存出現問題時，可以讓應用暫時回源到數據庫繼續(xù)業(yè)務邏輯，而不應該中斷業(yè)務邏輯，但是這需要嚴格的容量評估，請參考《分布式服務架構：原理設計與實戰(zhàn)》第3章的內容。

案例6

現象：某應用系統(tǒng)負載升高，響應變慢，發(fā)現應用進行頻繁GC，甚至出現OutOfMemroyError: GC overhead limt exceed的錯誤日志。

原因：
因為這個項目是個歷史項目，使用了Hibernate ORM框架，在Hibernate中開啟了二級緩存，使用了Ehcache；但是在Ehcache中沒有控制緩存對象的個數，緩存對象增多，導致內存緊張，所以進行了頻繁的GC操作。

總結：
使用本地緩存（如Ehcache、OSCache、應用內存）時，一定要嚴格控制緩存對象的個數及聲明周期。

案例7

現象：某個正常運行的應用突然報警線程數過高，之后很快就出現了內存溢出。

原因：由于緩存連接數達到最大限制，應用無法連接緩存，并且超時時間設置得較大，導致訪問緩存的服務都在等待緩存操作返回，由于緩存負載較高，處理不完所有的請求，但是這些服務都在等待緩存操作返回，服務這時在等待，并沒有超時，就不能降級并繼續(xù)訪問數據庫。這在BIO模式下線程池就會撐滿，使用方的線程池也都撐滿；在NIO模式下一樣會使服務的負載增加，服務響應變慢，甚至使服務被壓垮。

總結：在使用遠程緩存（如Redis、Memcached）時，一定要對操作超時時間進行設置，這是非常關鍵的，一般我們設計緩存作為加速數據庫讀取的手段，也會對緩存操作做降級處理，因此推薦使用更短的緩存超時時間，如果一定要給出一個數字，則希望是100毫秒以內。

案例8

現象：某項目使用緩存存儲業(yè)務數據，上線后出現錯誤問題，開發(fā)人員束手無策。

原因：開發(fā)人員不知道如何發(fā)現、排查、定位和解決緩存問題。

總結：在設計緩存時要有降級方案，在遇到問題時首先使用降級方法，還要設計完善的監(jiān)控和報警功能，幫助開發(fā)人員快速發(fā)現緩存問題，進而來定位和解決問題。

案例9

現象：某項目在使用緩存后，開發(fā)測試通過，到生產環(huán)境后，服務卻出現了不可預知的問題。

原因：該應用的緩存key與其他應用緩存 key沖突，導致互相覆蓋，出現邏輯錯誤。

總結：在使用緩存時一定要有隔離的設計，可以通過不同的緩存實例來做物理隔離，也可以通過各個應用的緩存key使用不同的前綴進行邏輯隔離。