首先我們應該先明確快取處理的流程：
前台請求，後台先從快取中取資料，取到直接返回結果，取不到時從資料庫中取，資料庫取到更新快取，並返回結果，資料庫也沒取到，那直接返回空結果.
[1] 快取雪崩
指快取由於某些原因（比如 宕機、cache服務掛了或者不響應）整體失效了，導致大量請求到達後端資料庫，從而導致資料庫崩潰，整個系統崩潰，發生災難.
[2] 快取擊穿
快取擊穿是指快取中沒有但資料庫中有的資料.如果一些key被高併發訪問**，恰好在這個時間點某個key快取過期，從而導致了大量請求達到資料庫**，，這就導致資料庫中併發的去執行了很多不必要的查詢操作，從而導致巨大衝擊和壓力.
[3] 快取穿透
是指快取和資料庫中都沒有的資料，而使用者不斷發起請求，導致請求都打到了資料庫上，導致資料庫異常.
[4] 三種問題區別記憶方法
在乙個高頻訪問的應用系統中，每次使用者的請求需要去db中獲取資料，會對資料庫造成很大的壓力、容易導致資料庫的奔潰.所以才會出現快取來分擔一部分的資料庫的壓力. 但是使用快取也帶來了一系列問題:
打個比方，資料庫是人，快取是防彈衣，子彈是執行緒，本來防彈衣是防止子彈打到人身上的，但是當防彈衣裡面沒有防彈的物質時，子彈就會穿過它打到人身上.快取雪崩（被霰彈槍打）："雪崩"對應的是大量請求，快取某一時間失效了，然後大量請求到達後端資料庫，從而導致資料庫崩潰.
解決方法：避免同時過期，構建多級快取，部署多個redis例項。
快取擊穿（被狙擊槍多次打一點）："擊穿"對應的是redis某點被（key）擊穿。如果一些key被高併發訪問，恰好在這個時間點某個key快取過期，從而導致了大量請求達到資料庫，，這就導致資料庫中併發的去執行了很多不必要的查詢操作，從而導致巨大衝擊和壓力.
解決方法：加互斥鎖，永不過期.
快取穿透（被巴雷特打）："穿透"最為嚴重，指的是快取和資料庫被穿透，都穿的透透的了。是指快取和資料庫中都沒有的資料，而使用者不斷發起請求，導致請求都打到了資料庫上，導致資料庫異常.這時的使用者很可能是攻擊者.
解決方法：快取空值，布隆過濾器.
[5] 資料庫和快取的雙寫一致性問題
在高併發請求下很容易導致資料不一致的問題，如果你的業務需要保證資料的強一致性，那麼建議不要使用快取.在資料庫中和快取資料的刪除或者寫入過程中，如果有失敗的情況，會導致資料的不一致.快取不一致詳解：解決辦法：
雙刪延時的解決辦法.可以先刪除快取資料，然後再更新資料庫資料，最後再隔固定的時間再次刪除快取.
更新資料庫產生的binlog訂閱（使用canal）.將有變化的key記錄下來，並且嘗試去不斷的去刪除快取（如果上次刪除快取失敗）
最初級的快取不一致問題及解決方案
問題：先修改資料庫，再刪除快取.如果刪除快取失敗了，那麼會導致資料庫中是新資料，快取中是舊資料，資料就出現了不一致.
解決思路：先刪除快取，再修改資料庫.如果資料庫修改失敗了，那麼資料庫中是舊資料，快取中是空的，那麼資料不會不一致.因為讀的時候快取沒有，則讀資料庫中舊資料，然後更新到快取中.
比較複雜的資料不一致問題分析
資料發生了變更，先刪除了快取，然後要去修改資料庫，此時還沒修改.乙個請求過來，去讀快取，發現快取空了，去查詢資料庫，查到了修改前的舊資料，放到了快取中.隨後資料變更的程式完成了資料庫的修改.完了，資料庫和快取中的資料不一樣了…
為什麼上億流量高併發場景下，快取會出現這個問題？
只有在對乙個資料在併發的進行讀寫的時候，才可能會出現這種問題.其實如果說你的併發量很低的話，特別是讀併發很低，每天訪問量就 1 萬次，那麼很少的情況下，會出現剛才描述的那種不一致的場景.但是問題是，如果每天的是上億的流量，每秒併發讀是幾萬，每秒只要有資料更新的請求，就可能會出現上述的資料庫+快取不一致的情況.
解決方案如下：
更新資料的時候，根據資料的唯一標識，將操作路由之後，傳送到乙個 jvm 內部佇列中.讀取資料的時候，如果發現資料不在快取中，那麼將重新讀取資料+更新快取的操作，根據唯一標識路由之後，也傳送同乙個 jvm 內部佇列中.
乙個佇列對應乙個工作執行緒，每個工作執行緒序列拿到對應的操作，然後一條一條的執行.這樣的話，乙個資料變更的操作，先刪除快取，然後再去更新資料庫，但是還沒完成更新.此時如果乙個讀請求過來，讀到了空的快取，那麼可以先將快取更新的請求傳送到佇列中，此時會在佇列中積壓，然後同步等待快取更新完成.
這裡有乙個優化點，乙個佇列中，其實多個更新快取請求串在一起是沒意義的，因此可以做過濾，如果發現佇列中已經有乙個更新快取的請求了，那麼就不用再放個更新請求操作進去了，直接等待前面的更新操作請求完成即可.
如果請求還在等待時間範圍內，不斷輪詢發現可以取到值了，那麼就直接返回；如果請求等待的時間超過一定時長，那麼這一次直接從資料庫中讀取當前的舊值.
高併發的場景下，該解決方案要注意的問題：
由於讀請求進行了非常輕度的非同步化，所以一定要注意讀超時的問題，每個讀請求必須在超時時間範圍內返回.
該解決方案，最大的風險點在於說，可能資料更新很頻繁，導致佇列中積壓了大量更新操作在裡面，然後讀請求會發生大量的超時，最後導致大量的請求直接走資料庫.務必通過一些模擬真實的測試，看看更新資料的頻率是怎樣的.
另外一點，因為乙個佇列中，可能會積壓針對多個資料項的更新操作，因此需要根據自己的業務情況進行測試，可能需要部署多個服務，每個服務分攤一些資料的更新操作.如果乙個記憶體佇列裡居然會擠壓 100 個商品的庫存修改操作，每隔庫存修改操作要耗費 10ms 去完成，那麼最後乙個商品的讀請求，可能等待 10 * 100 = 1000ms = 1s 後，才能得到資料，這個時候就導致讀請求的長時阻塞.
一定要做根據實際業務系統的運**況，去進行一些壓力測試，和模擬線上環境，去看看最繁忙的時候，記憶體佇列可能會擠壓多少更新操作，可能會導致最後乙個更新操作對應的讀請求，會 hang 多少時間，如果讀請求在 200ms 返回，如果你計算過後，哪怕是最繁忙的時候，積壓 10 個更新操作，最多等待 200ms，那還可以的.
如果乙個記憶體佇列中可能積壓的更新操作特別多，那麼你就要加機器，讓每個機器上部署的服務例項處理更少的資料，那麼每個記憶體佇列中積壓的更新操作就會越少.
其實根據之前的專案經驗，一般來說，資料的寫頻率是很低的，因此實際上正常來說，在佇列中積壓的更新操作應該是很少的.像這種針對讀高併發、讀快取架構的專案，一般來說寫請求是非常少的，每秒的 qps 能到幾百就不錯了.
我們來實際粗略測算一下.
如果一秒有 500 的寫操作，如果分成 5 個時間片，每 200ms 就 100 個寫操作，放到 20 個記憶體佇列中，每個記憶體佇列，可能就積壓 5 個寫操作.每個寫操作效能測試後，一般是在 20ms 左右就完成，那麼針對每個記憶體佇列的資料的讀請求，也就最多 hang 一會兒，200ms 以內肯定能返回了.
經過剛才簡單的測算，我們知道，單機支撐的寫 qps 在幾百是沒問題的，如果寫 qps 擴大了 10 倍，那麼就擴容機器，擴容 10 倍的機器，每個機器 20 個佇列.
這裡還必須做好壓力測試，確保恰巧碰上上述情況的時候，還有乙個風險，就是突然間大量讀請求會在幾十毫秒的延時 hang 在服務上，看服務能不能扛的住，需要多少機器才能扛住最大的極限情況的峰值.
但是因為並不是所有的資料都在同一時間更新，快取也不會同一時間失效，所以每次可能也就是少數資料的快取失效了，然後那些資料對應的讀請求過來，併發量應該也不會特別大.
可能這個服務部署了多個例項，那麼必須保證說，執行資料更新操作，以及執行快取更新操作的請求，都通過 nginx 伺服器路由到相同的服務例項上.
比如說，對同乙個商品的讀寫請求，全部路由到同一臺機器上.可以自己去做服務間的按照某個請求引數的 hash 路由，也可以用 nginx 的 hash 路由功能等等.
萬一某個商品的讀寫請求特別高，全部打到相同的機器的相同的佇列裡面去了，可能會造成某台機器的壓力過大.就是說，因為只有在商品資料更新的時候才會清空快取，然後才會導致讀寫併發，所以其實要根據業務系統去看，如果更新頻率不是太高的話，這個問題的影響並不是特別大，但是的確可能某些機器的負載會高一些.
遞迴可能出現的效能問題
遞迴演算法的 很簡潔。但同時也存在缺點。遞迴由於函式要呼叫自身，而函式呼叫是有時間和空間的消耗的。每一次函式呼叫，都需要在記憶體棧中分配空間以儲存引數 返回位址及臨時變數，而且往棧裡壓入資料和彈出資料都需要時間。遞迴有可能很多計算都是重複的，從而對效能帶來很大的負面影響。遞迴的本質是把乙個問題分解成...
Redis作為快取可能會出現的問題及解決方案
redis是個大話題，只要是去面試j a開發，幾乎必問。基礎一點的問redis是什麼東西？用來做什麼？redis支援哪些資料型別？redis的效能為什麼那麼好？複雜一點的就會問到快取穿透 快取擊穿 快取雪崩等問題。而我在面試的時候也被問到了redis為什麼用來做快取的問題。所以我覺得很有必要總結一下...
寫R包可能出現的問題
最近學習寫r包，參考部落格 如何快速寫乙個r包。根據該部落格教程寫r包非常簡單，補充我遇到的兩個小問題。寫入函式前需要先載入所寫的包 libray 所寫的包 the existing namespace file was not generated by roxygen2 自動生成的namespac...