事故背景
公司最近安排了一波商品抢购活动，由于后台小哥操作失误最终导致活动效果差，被用户和代理商投诉了。经理让我带同事们一起复盘这次线上事故。
什么原因造成的？
抢购活动计划是零点准时开始，
22：00 运营人员通过后台将商品上线
23：00后台小哥已经将商品导入缓存中，提前预热
抢购开始的瞬间流量非常大，按计划是通过Redis承担大部分用户查询请求，避免请求全部落在数据库上。
缓存命中
如上图预期大部分请求会命中缓存，但是由于后台小哥预热缓存的时候将所有商品的缓存时间都设置为2小时过期，所有的商品在同一个时间点全部失效，瞬间所有的请求都落在数据库上，导致数据库扛不住压力崩溃，用户所有的请求都超时报错。
实际上所有的请求都直接落到数据库，如下图：
缓存雪崩
什么时候发现的？
凌晨01:02 SRE 收到系统告警，登录运维管理系统发现数据库节点 CPU和内存飙升超过阈值，迅速联系后台开发人员定位排查。
为什么没有早点发现？
由于缓存设置过期时间是2小时，凌晨1点前缓存可以命中大部分请求，数据库服务处于正常状态。
发现时采取了什么措施？
后台小哥通过日志定位排查发现问题后，进行了一系列操作：
首先通过API Gateway（网关）限制大部分流量进来
接着将宕机的数据库服务重启
再重新预热缓存
确认缓存和数据库服务正常后将网关流量正常放开，大约01：30 抢购活动恢复正常。
如何避免下次出现？
这次事故的原因其实就是出现了缓存雪崩，查询数据量巨大，请求直接落到数据库上，引起数据库压力过大宕机。
在业界解决缓存雪崩的方法其实比较成熟了，比如有：
- 均匀过期
- 加互斥锁
- 缓存永不过期
（1）均匀过期
设置不同的过期时间，让缓存失效的时间点尽量均匀。通常可以为有效期增加随机值或者统一规划有效期。
缓存key过期时间均匀分布
（2）加互斥锁
跟缓存击穿解决思路一致，同一时间只让一个线程构建缓存，其他线程阻塞排队。
互斥访问
（3）缓存永不过期
跟缓存击穿解决思路一致，缓存在物理上永远不过期，用一个异步的线程更新缓存。
异步更新缓存
复盘总结
通过与同事复盘这次线上事故，大家对于缓存雪崩有了更深刻的理解。为了避免再次出现缓存雪崩事故，大家一起讨论了多个解决方案：
（1）均匀过期
（2）加互斥锁
（3）缓存永不过期
希望技术人能够敬畏每一行代码！
网友评论