### 正文 在实际的工作项目中， 缓存成为高并发、高性能架构的关键组件 ，那么Redis为什么可以作为缓存使用呢？首先可以作为缓存的两个主要特征： * 在分层系统中处于内存/CPU具有访问性能良好， * 缓存数据饱和，有良好的数据淘汰机制 由于Redis 天然就具有这两个特征，Redis基于内存操作的，且其具有完善的数据淘汰机制，十分适合作为缓存组件。 其中，基于内存操作，容量可以为32-96GB，且操作时间平均为100ns，操作效率高。而且数据淘汰机制众多，在Redis 4.0 后就有8种了促使Redis作为缓存可以适用很多场景。 那Redis缓存为什么需要数据淘汰机制呢？有哪8种数据淘汰机制呢？ ### 数据淘汰机制 Redis缓存基于内存实现的，则其缓存其容量是有限的，当出现缓存被写满的情况，那么这时Redis该如何处理呢？ Redis对于缓存被写满的情况，Redis就需要缓存数据淘汰机制，通过一定淘汰规则将一些数据刷选出来删除，让缓存服务可再使用。那么Redis使用哪些淘汰策略进行刷选删除数据？ 在Redis 4.0 之后，Redis 缓存淘汰策略6+2种，包括分成三大类： * 不淘汰数据 * noeviction ，不进行数据淘汰，当缓存被写满后，Redis不提供服务直接返回错误。 * 在设置过期时间的键值对中， * volatile-random ，在设置过期时间的键值对中随机删除 * volatile-ttl ，在设置过期时间的键值对，基于过期时间的先后进行删除，越早过期的越先被删除。 * volatile-lru ， 基于LRU(Least Recently Used) 算法筛选设置了过期时间的键值对， 最近最少使用的原则来筛选数据 * volatile-lfu ，使用 LFU( Least Frequently Used ) 算法选择设置了过期时间的键值对, 使用频率最少的键值对,来筛选数据。 * 在所有的键值对中， * allkeys-random， 从所有键值对中随机选择并删除数据 * allkeys-lru， 使用 LRU 算法在所有数据中进行筛选 * allkeys-lfu， 使用 LFU 算法在所有数据中进行筛选  > **Note**: LRU( 最近最少使用，Least Recently Used)算法， LRU维护一个双向链表 ，链表的头和尾分别表示 MRU 端和 LRU 端，分别代表最近最常使用的数据和最近最不常用的数据。 > > LRU 算法在实际实现时，需要用链表管理所有的缓存数据，这会带来额外的空间开销。而且，当有数据被访问时，需要在链表上把该数据移动到 MRU 端，如果有大量数据被访问，就会带来很多链表移动操作，会很耗时，进而会降低 Redis 缓存性能。 其中，LRU和LFU 基于Redis的对象结构redisObject的lru和refcount属性实现的: ``` typedef struct redisObject { unsigned type:4; unsigned encoding:4; // 对象最后一次被访问的时间 unsigned lru:LRU_BITS; /* LRU time (relative to global lru_clock) or * LFU data (least significant 8 bits frequency // 引用计数 * and most significant 16 bits access time). */ int refcount; void *ptr; } robj; ``` Redis的LRU会使用redisObject的lru记录最近一次被访问的时间，随机选取参数maxmemory-samples 配置的数量作为候选集合，在其中选择 lru 属性值最小的数据淘汰出去。 在实际项目中，那么该如何选择数据淘汰机制呢？ * 优先选择 allkeys-lru算法，将最近最常访问的数据留在缓存中，提升应用的访问性能。 * 有顶置数据使用 volatile-lru算法 ,顶置数据不设置缓存过期时间，其他数据设置过期时间，基于LRU 规则进行筛选 。 在理解了Redis缓存淘汰机制后，来看看Redis作为缓存其有多少种模式呢？ ### Redis缓存模式 Redis缓存模式基于是否接收写请求，可以分成只读缓存和读写缓存： 只读缓存：只处理读操作，所有的更新操作都在数据库中，这样数据不会有丢失的风险。 * Cache Aside模式  读写缓存，读写操作都在缓存中执行，出现宕机故障，会导致数据丢失。缓存回写数据到数据库有分成两种同步和异步： * 同步：访问性能偏低，其更加侧重于保证数据可靠性 * Read-Throug模式 * Write-Through模式 * 异步：有数据丢失风险，其侧重于提供低延迟访问 * Write-Behind模式  #### Cache Aside模式 查询数据先从缓存读取数据，如果缓存中不存在，则再到数据库中读取数据，获取到数据之后更新到缓存Cache中，**但更新数据操作，会先去更新数据库种的数据，然后将缓存种的数据失效。** 而且Cache Aside模式会存在并发风险：执行读操作未命中缓存，然后查询数据库中取数据，数据已经查询到还没放入缓存，同时一个更新写操作让缓存失效，然后读操作再把查询到数据加载缓存，导致缓存的脏数据。 #### Read/Write-Throug模式 查询数据和更新数据都直接访问缓存服务，**缓存服务同步方式地将数据更新到数据库**。出现脏数据的概率较低，但是就强依赖缓存，对缓存服务的稳定性有较大要求，但同步更新会导致其性能不好。 #### Write Behind模式 查询数据和更新数据都直接访问缓存服务，**但缓存服务使用异步方式地将数据更新到数据库（通过异步任务）**?速度快，效率会非常高，但是数据的一致性比较差，还可能会有数据的丢失情况，实现逻辑也较为复杂。 在实际项目开发中根据实际的业务场景需求来进行选择缓存模式。那了解上述后，我们的应用中为什么需要使用到redis缓存呢？ 在应用使用Redis缓存可以提高系统性能和并发，主要体现在 * 高性能：基于内存查询，KV结构，简单逻辑运算 * 高并发： Mysql 每秒只能支持2000左右的请求，Redis轻松每秒1W以上。让80%以上查询走缓存，20%以下查询走数据库，能让系统吞吐量有很大的提高 虽然使用Redis缓存可以大大提升系统的性能，但是使用了缓存，会出现一些问题，比如，缓存与数据库双向不一致、缓存雪崩等，对于出现的这些问题该怎么解决呢？ ### 使用缓存常见的问题 使用了缓存，会出现一些问题，主要体现在： * 缓存与数据库双写不一致 * 缓存雪崩: Redis 缓存无法处理大量的应用请求，转移到数据库层导致数据库层的压力激增; * 缓存穿透：访问数据不存在在Redis缓存中和数据库中，导致大量访问穿透缓存直接转移到数据库导致数据库层的压力激增; * 缓存击穿：缓存无法处理高频热点数据，导致直接高频访问数据库导致数据库层的压力激增; #### 缓存与数据库数据不一致 **只读缓存(Cache Aside模式)** 对于**只读缓存(Cache Aside模式)**， 读操作都发生在缓存中，数据不一致只会发生在**删改操作**上（新增操作不会，因为新增只会在数据库处理），当发生删改操作时，缓存将数据中标志为无效和更新数据库 。因此在更新数据库和删除缓存值的过程中，无论这两个操作的执行顺序谁先谁后，只要有一个操作失败了就会出现数据不一致的情况。 ## 最后 既已说到spring cloud alibaba，那对于整个微服务架构，如果想要进一步地向上提升自己，到底应该掌握哪些核心技能呢？ 就个人而言，对于整个微服务架构，像RPC、Dubbo、Spring Boot、Spring Cloud Alibaba、Docker、kubernetes、Spring Cloud Netflix、Service Mesh等这些都是最最核心的知识，架构师必经之路！下图，是自绘的微服务架构路线体系大纲，如果有还不知道自己该掌握些啥技术的朋友，可根据小编手绘的大纲进行一个参考。  如果觉得图片不够清晰，也可来找小编分享原件的xmind文档！ 且除此份微服务体系大纲外，我也有整理与其每个专题核心知识点对应的最强学习笔记： * 出神入化——SpringCloudAlibaba.pdf * SpringCloud微服务架构笔记（一）.pdf * SpringCloud微服务架构笔记（二）.pdf * SpringCloud微服务架构笔记（三）.pdf * SpringCloud微服务架构笔记（四）.pdf * Dubbo框架RPC实现原理.pdf * Dubbo最新全面深度解读.pdf * Spring Boot学习教程.pdf * SpringBoo核心宝典.pdf * 第一本Docker书-完整版.pdf * 使用SpringCloud和Docker实战微服务.pdf * K8S(kubernetes)学习指南.pdf 需要下载的请**[点击传送门：《出神入化——SpringCloudAlibaba》](https://docs.qq.com/doc/DSmxTbFJ1cmN1R2dB)**  另外，如果不知道从何下手开始学习呢，小编这边也有对每个微服务的核心知识点手绘了其对应的知识架构体系大纲，不过全是导出的xmind文件，全部的源文件也都在此，照样可免费分享给有需要的你！