导读：如今，缓存系统的应用非常广泛，能够用来提高并发数、数据吞吐量，提高快速响应能力。那么当数据量达到一定程序，单机环境可能就显得有些力不从心了，就需要一个分布式缓存系统。
缓存系统的选择
图1-1
如上图所示，首先缓存大致可以分为四大类。
- CDN缓存：CDN即内容分发网络，CDN边缘节点将数据缓存起来。
- 反向代理缓存：如Nginx的缓存。
- 本地缓存：代表的有EhCache和Guava Cache
- 分布式缓存：各缓存系统
本文主要探讨各分布式缓存系统，如下图所示，列出了五种：
之后对MemCache、Tair、Redis做出对比
其中EvCache和Aerospike使用场景不是那么通用和广泛。
- EvCache：是Netflix的基于memcached & spymemcached的缓存方案。
- Aerospike：是可基于SSD的K-V NoSQL数据库。
除此之外，还有三种常见缓存系统。
- Tair：阿里开源，跨机房、性能随结点添加线性上升、适用大数据量。Tair还有三种引擎
- LDB: 基于google levelDB，支持kv和类hashmap结构,性能稍低,持久化可靠性最高。
- MDB: 基于memcache，支持kv和类hashMap,性能最优,不支持持久化存储。
- RDB: 基于Redis.
- Memcache: 不支持数据同步、分布式支持较差。
- Redis: 社区活跃、使用最多。
综上所述，在一般情况下，考虑到适用性和稳定性，Redis 是搭建缓存系统的最优选择。以下将基于 Redis 介绍。
Redis集群缓存方案
如顶部图所示，列出了Redis的集群高可用的方案，基本可以分为三种。
▐ 主从机制
常见的集群的架构，搭建简单，主要实现读写分离和备份，可以由 Master 负责读写，Slave 负责备份。但存在故障恢复复杂、水平拓展难、写能力受限等问题。结构图如下：
▐ 哨兵机制
Redis Sentinel 是社区版本推出的原生高可用解决方案。由一或多个哨兵实例监视任意个主从服务器，且在 Master 宕机时，自动将宕机服务器属下的 Slave 服务器升级为 主服务器，从而保证系统的可用性。较主从实现的监控、选主。但问题主要是要保证Master的HA切换。结构图如下：
▐ 分布式机制
到这里其实以上两种机制其实只能算作“集群”，并非严格意义上的“分布式”。接着来看看分布式方案。
集群强调高可用，分布式又强调协作。
Redis分布式缓存方案
任何分布式存储系统，首先面临的就是 sharding（分片）问题，如顶部图1-1所示可分为三种方式。
▐ 客户端分片
顾名思义，将数据分片的路由功能交给客户端，但这是一种静态分片，维护性差。基本而言是不予考虑的。
▐ 客户端分片
通过代理分发到具体的redis实例。有两个常用解决方案。
- Twemproxy Twitter开源，轻量级，但不再维护，也无法平滑地扩容/缩容，运维也不是很友好，性能一般。
- Codis 豌豆荚开源，支持水平拓展，运维平台完善，性能较 Twemproxy 快。Codis在国内使用较多，同时代理分片的思路也有很多公司在此基础开发了自己的二次方案。不过Codis也不再维护。
其实，这两种代理分片的方案，都是在 Redis 官方未推出良好的分布式方案时的策略，在官方更新后都不再维护。
▐ 服务器端分片
这就要谈到 Redis 官方的方案 Redis-cluster 。
在 Redis3.0 之前是没有较好的分布式方案的，这也是第三方方案出现的原因。3.0 开始，官方推出了去中心化的分布式方案。集群中包含16384个散列槽，每个节点负责其中一部分。
先看下拓扑图：
每个节点打开两个TCP连接，一个负责给客户端提供服务，一个负责节点间通信。
此刻要说说 CAP了 ：Consistency(一致性)、Availability(可用性)、Partition tolerance(分区容错性) 。对分布式系统而言，CAP 必须牺牲一者。Redis Cluster 的设计目标主要是高性能、高可用和高扩展, 只好抛弃一部分数据一致性.
- 数据一致性：由于Redis Cluster 使用异步复制, 在某些情况下如Master宕机但未同步至Slave, 可能会丢失写入。在绝对需要时支持同步写入的时候, 可通过 WAIT 命令实现, 可使得丢失写入的可能性大大降低。
- 可用性：当集群中一部分节点故障后, 集群整体能响应客户端读写请求。
- 节点间定时互 ping , 当超过一半Master 判定某节点失败，则标为 FAIL, 会向集群广播节点下线的消息。如下线节点是带有槽的主节点，则要从它的从节点选出一个替换。
- 高性能和拓展：操作某个 key时，不会先找到节点再处理，而是直接直接重定向到该节点, 同时相较代理分片也少了 proxy 的连接损耗。
- 但是在进行multiple key操作时需要keys位于同一个slot上,需要使用hash tags,使用{}强制将某些key映射到每个slot,以便进行multiple 。
- 在拓展方面，Redis Cluster 最大支持线性拓展1000个节点，将新节点加入集群后可以通过命令指定和平均的从已有节点分配slot。
缓存常见问题
以上介绍了简单介绍了常见缓存系统，并具体列出了基于Redis的集群方案。下面谈一谈缓存系统常见的问题。
如下图所示，列出七个常见问题。
▐ 缓存穿透
指访问不存在的数据，从而绕过缓存，直接请求到了数据源，当请求过多，就会对 DB 造成压力。
- 空 key：指对于不存在的数据也将 key 存空值入缓存系统，这样下次访问也会得到返回。但只适用于空数据key有限、key 重复请求概率高，如果量大且不重复，就会造成很多无用 key 的创建。
- 布隆过滤器：布隆过滤器是一个很长的二进制向量和一系列随机映射函数。可用于检索一个元素是否在一个集合中加一层对空值的过滤器，空间和时间效率都很高。但由于 hash 产生的碰撞可能存在误判，以及因不存储 key 导致的无法删除。适用于空数据key各不同、重复请求概率低。
▐ 缓存击穿
缓存击穿实际是缓存雪崩的一个特例。指当某些热点key过期时，就会有大量的请求击穿到DB。
- 互斥锁 在缓存失效的时候，不立即load db，可以先用如SETNX等命令去set一个mutex key，当操作返回成功时，说明拿到锁，此刻该线程进行load db的操作并更新缓存；否则未拿到锁就(可休眠一段)重试 get 缓存的方法。但要注意死锁风险。
- 不过期
- 这里的不过期有两个概念，一个指未设过期时间，那是真的不过期，那没事了~~
- 另一个是指通过业务逻辑，将 key 的过期时间进行存储，请求是判断是否小于值，是则后台异步更新。
▐ 缓存雪崩
同一时刻大量缓存失效（故障）, 请求到了DB。
- 随机时间：在设置过期时间时，可以在基础时间上 一个随机的时间，等于实现了分批过期。
- 后台更新：将更新失效的工作交给后台定时线程。
- 限流 本地缓存：如 ehcache本地缓存 Hystrix限流。
- 双缓存：类似于设置主从缓存，从key不过期。
▐ 缓存更新与一致性
如果保证数据一致性。列出四种更新策略：
- Cache Aside：最常用的。失效时回源取数据，更新；命中时，返回缓存数据；更新时先数据源更新，再跟你更新缓存。
- Write Back：更新数据时，只更新缓存，不更新数据源。缓存异步批量更新数据库
- Read/Write Through
- Write Through ：当有数据更新时，如未命中缓存，直接更新数据库，并返回。如命中缓存，则更新缓存，再由 Cache 自己更新数据库。
- Read Through ：更新数据源由缓存系统操作，读取数据时如缓存失效，则取回源数据更新缓存。
▐ 热点数据
对于热点数据的处理方法。
- 拆分复杂结构：如二级数据结构，进行拆分，这样热点key就被拆为若干个的 key 分布到不同节点。
- 迁移热点：对于Redis Cluster 而言可以将热点 key 所在的 slot 单独迁移到一个节点，降低其他节点压力。
- 多副本：复制多份缓存副本，将请求分散到多个节点上，减轻单台缓存服务器压力，适合多读少写。
▐ 缓存预热
指可以将某些的缓存数据提前加载到缓存系统。提前避免在如热点数据大量请求到库。
▐ 缓存降级
指当访问量剧增、服务出现问题或非核心服务影响到核心流程的性能时，仍需保证主服务可用。可根据一些关键数据自动降级，也可配置开关人工降级。
总结
本文从缓存系统的选择出发，基于 Redis 介绍了几种集群方案并重点说明了 Redis Cluster 方案。之后列出缓存系统常见问题及常见解决方案。
当然，如何去落地，如何解决这些问题还需要根据实际场景具体分析和处理。
- END -
