老大讓我復(fù)盤上次Redis緩存雪崩事故

事故背景

公司最近安排了一波商品搶購(gòu)活動(dòng)，由于后臺(tái)小哥操作失誤最終導(dǎo)致活動(dòng)效果差，被用戶和代理商投訴了。經(jīng)理讓我?guī)聜円黄饛?fù)盤這次線上事故。

什么原因造成的？

搶購(gòu)活動(dòng)計(jì)劃是零點(diǎn)準(zhǔn)時(shí)開始，

22：00 運(yùn)營(yíng)人員通過(guò)后臺(tái)將商品上線

23：00后臺(tái)小哥已經(jīng)將商品導(dǎo)入緩存中，提前預(yù)熱

搶購(gòu)開始的瞬間流量非常大，按計(jì)劃是通過(guò)Redis承擔(dān)大部分用戶查詢請(qǐng)求，避免請(qǐng)求全部落在數(shù)據(jù)庫(kù)上。

如上圖預(yù)期大部分請(qǐng)求會(huì)命中緩存，但是由于后臺(tái)小哥預(yù)熱緩存的時(shí)候?qū)⑺猩唐返木彺鏁r(shí)間都設(shè)置為2小時(shí)過(guò)期，所有的商品在同一個(gè)時(shí)間點(diǎn)全部失效，瞬間所有的請(qǐng)求都落在數(shù)據(jù)庫(kù)上，導(dǎo)致數(shù)據(jù)庫(kù)扛不住壓力崩潰，用戶所有的請(qǐng)求都超時(shí)報(bào)錯(cuò)。

實(shí)際上所有的請(qǐng)求都直接落到數(shù)據(jù)庫(kù)，如下圖：

什么時(shí)候發(fā)現(xiàn)的？

凌晨01:02 SRE 收到系統(tǒng)告警，登錄運(yùn)維管理系統(tǒng)發(fā)現(xiàn)數(shù)據(jù)庫(kù)節(jié)點(diǎn) CPU和內(nèi)存飆升超過(guò)閾值，迅速聯(lián)系后臺(tái)開發(fā)人員定位排查。

為什么沒(méi)有早點(diǎn)發(fā)現(xiàn)？

由于緩存設(shè)置過(guò)期時(shí)間是2小時(shí)，凌晨1點(diǎn)前緩存可以命中大部分請(qǐng)求，數(shù)據(jù)庫(kù)服務(wù)處于正常狀態(tài)。

發(fā)現(xiàn)時(shí)采取了什么措施？

后臺(tái)小哥通過(guò)日志定位排查發(fā)現(xiàn)問(wèn)題后，進(jìn)行了一系列操作：

首先通過(guò)API Gateway（網(wǎng)關(guān)）限制大部分流量進(jìn)來(lái)?

接著將宕機(jī)的數(shù)據(jù)庫(kù)服務(wù)重啟?

再重新預(yù)熱緩存?

確認(rèn)緩存和數(shù)據(jù)庫(kù)服務(wù)正常后將網(wǎng)關(guān)流量正常放開，大約01：30 搶購(gòu)活動(dòng)恢復(fù)正常。

如何避免下次出現(xiàn)？

這次事故的原因其實(shí)就是出現(xiàn)了緩存雪崩，查詢數(shù)據(jù)量巨大，請(qǐng)求直接落到數(shù)據(jù)庫(kù)上，引起數(shù)據(jù)庫(kù)壓力過(guò)大宕機(jī)。

在業(yè)界解決緩存雪崩的方法其實(shí)比較成熟了，比如有：

• 均勻過(guò)期
• 加互斥鎖
• 緩存永不過(guò)期

（1）均勻過(guò)期

設(shè)置不同的過(guò)期時(shí)間，讓緩存失效的時(shí)間點(diǎn)盡量均勻。通常可以為有效期增加隨機(jī)值或者統(tǒng)一規(guī)劃有效期。

（2）加互斥鎖

跟緩存擊穿解決思路一致，同一時(shí)間只讓一個(gè)線程構(gòu)建緩存，其他線程阻塞排隊(duì)。

（3）緩存永不過(guò)期

跟緩存擊穿解決思路一致，緩存在物理上永遠(yuǎn)不過(guò)期，用一個(gè)異步的線程更新緩存。

復(fù)盤總結(jié)

通過(guò)與同事復(fù)盤這次線上事故，大家對(duì)于緩存雪崩有了更深刻的理解。為了避免再次出現(xiàn)緩存雪崩事故，大家一起討論了多個(gè)解決方案：

（1）均勻過(guò)期

（2）加互斥鎖

（3）緩存永不過(guò)期

希望技術(shù)人能夠敬畏每一行代碼！