一线大厂Redis高并发缓存架构实战与性能优化

文章目录

• • 一、redis主从架构锁失效问题分析
  • 二、从CAP角度剖析redis与zookeeper分布式锁区别
  • 三、redlock分布式锁原理与存在的问题分析
  • 四、大促场景如何将分布式锁性能提升100倍
  • 五、高并发redis架构代码实战

一、redis主从架构锁失效问题分析

我们都知道，一般的互联网公司redis部署都是主从结构的，那么复制基本都是异步执行的，那就存在一个问题，当我们设置分布式锁的时候，还没来得及将key复制到从节点，主节点挂了，那么从节点会成为主节点，但是主节点的分布式锁key就会丢失掉，如果新线程进来执行同步代码同样会导致超卖问题

那么这个问题想解决，其实并没有那么容易

二、从CAP角度剖析redis与zookeeper分布式锁区别

我们知道zk也能实现分布式锁，他是怎么实现的呢？
首先zk会有一个leader节点，还会有多个flow节点（类似于redis的master和slave），当我们在leader节点设置一把分布所锁的时候，leader节点不会立即将设置的结果返回客户端，leader会从其flow节点去复制key，当flow复制成功key返回信息给leader节点的时候，leadfer会统计一个同步的数量，当这个数量超过半数的时候，才会返回给客户端表示这把分布式锁设置成功了。
那么zk就不会存在因为主从节点切换导致的分布式锁生效的问题

从CAP角度看，redis更多满足的是AP（可用性和容错性），zk是CP的（一致性和容错性）

但是redis的性能会比zk好，zk从语义角度更适合作为分布式锁的工具

三、redlock分布式锁原理与存在的问题分析

我相信很多同学都听过网上的很多人说利用红锁去解决redis的主从结构带来的分布式锁失效的问题，其实并没有完全解决！

红锁的实现原理是什么呢？
红锁是基于不是主从节点的redis实现，假设又奇数个redis节点，都是平等的，不存在主从，其实也是跟zk的底层实现机制是一样的，也是基于半数的加锁的原理。
红锁牺牲了一些可用性，因为需要往不同的节点去写key，需要半数以上的节点返回，那么客户端是需要等待一下的。但是在C可用性上更加友好一点

但是红锁并没有真正解决分布式锁失效问题

如果每个主节点都拖一个从节点（为了高可用），这样还是会有之前说的问题，redis1同步成功，redis2同步失败，从节点变为主节点；那么redis的从节点中依然没有key，其他线程进来依然可以超过半数去设置分布式锁

那如果不搞从节点，那就可能reids挂了超过一半的节点，那么分布式锁就没法使用了；
可能有人会说我们多搞几个节点，总不会那么多节点都挂掉吧，那我们想想，搞那么多节点，redis写key是不是也得消耗很多性能，我们使用redis的初衷就变了，那还不如用zk

然后会存在一个问题，redis持久化（AOF）的时候，我们一般都会设置为1s去持久化，而不是每条写 命令都去持久化。但是这1s的数据有可能会丢失，所以如果加锁redis1，redis2都成功了的时候，刚好在持久化的这1s中，redis2宕机了，那么redis2 的key就会丢失，依然存在问题

所以说红锁并不能100%解决分布式锁问题

四、大促场景如何将分布式锁性能提升100倍

首选考虑锁的粒度，控制锁住的代码块越小越好。
然后可以设置分段锁，比如某个商品1000个，分布式锁会基于这1000的库存去实现；那么利用分段锁，可以将商品分为100一段的十段，利用10个锁去针对这一个商品实现分布式锁，这10把锁相互之间不会存在并发问题。但是每把锁都是基于100的库存，性能会显著提升。（类似于1.7版本的concruuenthashmap底层原理）

五、高并发redis架构代码实战

public class ProductService {@Autowiredprivate ProductDao productDao;@Autowiredprivate RedisUtil redisUtil;@Autowiredprivate Redisson redisson;public static final Integer PRODUCT_CACHE_TIMEOUT = 60 * 60 * 24;public static final String EMPTY_CACHE = "{}";public static final String LOCK_PRODUCT_HOT_CACHE_PREFIX = "lock:product:hot_cache:";public static final String LOCK_PRODUCT_UPDATE_PREFIX = "lock:product:update:";public static Map<String, Product> productMap = new ConcurrentHashMap<>();@Transactionalpublic Product create(Product product) {Product productResult = productDao.create(product);redisUtil.set(RedisKeyPrefixConst.PRODUCT_CACHE + productResult.getId(), JSON.toJSONString(productResult),genProductCacheTimeout(), TimeUnit.SECONDS);//写入数据库之后，redis写缓存，并设置超时时间// （超时时间设置为1天+随机5h以内的时间，目的是为了了防止那些批量上架的商品同时过期，避免缓存失效（击穿）导致同时有大量请求打到数据库）return productResult;}@Transactionalpublic Product update(Product product) {Product productResult = null;//RLock updateProductLock = redisson.getLock(LOCK_PRODUCT_UPDATE_PREFIX + product.getId());RReadWriteLock readWriteLock = redisson.getReadWriteLock(LOCK_PRODUCT_UPDATE_PREFIX + product.getId());//针对更新方法设置分布式锁（分布式写锁）RLock writeLock = readWriteLock.writeLock();writeLock.lock();//保证了在更新数据库和更新缓存之间不会有其他线程过来更新操作，保证双写一致try {productResult = productDao.update(product);redisUtil.set(RedisKeyPrefixConst.PRODUCT_CACHE + productResult.getId(), JSON.toJSONString(productResult),genProductCacheTimeout(), TimeUnit.SECONDS);productMap.put(RedisKeyPrefixConst.PRODUCT_CACHE + productResult.getId(), product);//往jvm本地缓或者ehcache存放一份数据（为了应对百万并发场景，redis最多支持10w并发//如果redis挂了，会导致雪崩 ）} finally {writeLock.unlock();}return productResult;}public Product get(Long productId) throws InterruptedException {Product product = null;String productCacheKey = RedisKeyPrefixConst.PRODUCT_CACHE + productId;product = getProductFromCache(productCacheKey);//先从缓存拿数据if (product != null) {return product;//拿到了就直接返回，需要跟前端沟通，如果是空的商品就 友好提示}//DCL 针对冷门数据突然变热的场景RLock hotCacheLock = redisson.getLock(LOCK_PRODUCT_HOT_CACHE_PREFIX + productId);//为了针对热点商品设置的分布式锁锁//因为大量请求过来，第一次缓存肯定没数据，都会去请求DB，那就不合理；加锁只让一个线程去访问数据库，将数据写入缓存，其他线程在锁释放之后会直接去访问缓存hotCacheLock.lock();//boolean result = hotCacheLock.tryLock(3, TimeUnit.SECONDS);try {product = getProductFromCache(productCacheKey);//其余线程进来从缓存拿到数据if (product != null) {return product;}//RLock updateProductLock = redisson.getLock(LOCK_PRODUCT_UPDATE_PREFIX + productId);RReadWriteLock readWriteLock = redisson.getReadWriteLock(LOCK_PRODUCT_UPDATE_PREFIX + productId);//读写锁是为了 如果都是读请求的话能保证并行执行，只有写操作才会阻塞RLock rLock = readWriteLock.readLock();//同样是为了查询数据库和更新缓存保证不被其他线程影响rLock.lock();//读锁的原理是 利用的锁重入的方法，每次都+1try {product = productDao.get(productId);if (product != null) {redisUtil.set(productCacheKey, JSON.toJSONString(product),genProductCacheTimeout(), TimeUnit.SECONDS);productMap.put(productCacheKey, product);} else {redisUtil.set(productCacheKey, EMPTY_CACHE, genEmptyCacheTimeout(), TimeUnit.SECONDS);//设置空缓存，防止黑客}} finally {rLock.unlock();}} finally {hotCacheLock.unlock();}return product;}private Integer genProductCacheTimeout() {return PRODUCT_CACHE_TIMEOUT + new Random().nextInt(5) * 60 * 60;}private Integer genEmptyCacheTimeout() {return 60 + new Random().nextInt(30);}private Product getProductFromCache(String productCacheKey) {Product product = productMap.get(productCacheKey);//从缓存拿数据之前 先从jvm内存呢拿数据，针对百万并发场景if (product != null) {return product;}String productStr = redisUtil.get(productCacheKey);if (!StringUtils.isEmpty(productStr)) {if (EMPTY_CACHE.equals(productStr)) {//如果拿到的是空的数据，说明是为了防止恶意请求导致缓存穿透而设置的redisUtil.expire(productCacheKey, genEmptyCacheTimeout(), TimeUnit.SECONDS);//那就刷新过期时间return new Product();//返回空的商品信息}product = JSON.parseObject(productStr, Product.class);redisUtil.expire(productCacheKey, genProductCacheTimeout(), TimeUnit.SECONDS); //读延期，热门的数据会一直在缓存中，冷门的数据到时间就过期了，实现了简单了数据冷热分离}return product;}}