第一种办法：我们通过 NuGet 安装 ServiceStack 干系的程序包。
然后在 MyRedis 掌握台项目中运行如下测试代码：
/// <summary>/// 仿照抛出LicenseException非常/// </summary>public static void ThrowLicenseException(){ //仿照1小时内超过6000次要求 Parallel.For(0, 10000, (i) => { using (RedisStringService service = new RedisStringService()) { service.Set("TianYa" + i, i); service.IncrementValue("TianYa" + i); Console.WriteLine(i); } });}
using System;using MyRedis.Scene;namespace MyRedis{ /// <summary> /// Redis：Remote Dictionary Server 远程字典做事器 /// 基于内存管理（数据存在内存），实现了5种数据构造（分别应对各种详细需求），单线程模型的运用程序（单进程单线程），对外供应插入--查询--固化--集群功能。 /// 正是由于基于内存管理以是速率快，可以用来提升性能。但是不能当数据库，不能作为数据的终极依据。 /// 单线程多进程的模式来供应集群做事。 /// 单线程最大的好处便是原子性操作，便是要么都成功，要么都失落败，不会涌现中间状态。Redis每个命令都是原子性（由于单线程），不用考虑并发，不会涌现中间状态。（线程安全） /// Redis便是为开拓而生，会为各种开拓需求供应对应的办理方案。 /// Redis只是为了提升性能，不做数据标准。任何的数据固化都是由数据库完成的，Redis不能代替数据库。 /// Redis实现的5种数据构造：String、Hashtable、Set、ZSet和List。 /// </summary> internal class Program { static void Main(string[] args) { //ServiceStackTest.ShowString(); //OverSellFailedTest.Show(); //OverSellTest.Show(); //ServiceStackTest.ShowHash(); //ServiceStackTest.ShowSet(); //FriendManager.Show(); //ServiceStackTest.ShowZSet(); //RankManager.Show(); //ServiceStackTest.ShowList(); //ServiceStackTest.ShowPublishAndSubscribe(); ServiceStackTest.ThrowLicenseException(); Console.ReadKey(); } }}
运行结果如下所示：
可以创造此时会抛出非常，提示每小时只能进行6000次Redis要求。
第二种办法：利用破解好的 ServiceStack 干系的动态链接库。
首先我们先从 GitHub 高下载最新版本的 ServiceStack 源码，如下所示：
下载完成后打开对应的办理方案，如下所示：
打开后找到 LicenseUtils.cs 类：
接着找到 LicenseUtils.cs 类中的 ApprovedUsage(...) 方法，修正代码如下所示：
保存成功后重新天生下 ServiceStack.Text 和 ServiceStack.Redis 这两个类库：
重新天生完成后打开 ServiceStack.Redis 类库的 bin/Debug 目录，如下所示：
由于Demo中 TianYaSharpCore.ServiceStack 类库的目标框架为 .NET Standard 2.1 ，故此处要利用 netstandard2.1 文件夹中的动态链接库：
将破解好的这四个动态链接库，复制到Demo的办理方案根目录下新建的 Lib 文件夹中，如下所示：
然后将Demo中引用 NuGet 的 ServiceStack 干系程序包卸载掉，改成引用本地 Lib 文件夹中的那四个破解好的动态链接库，如下所示：
此外，还须要从 NuGet 上添加 Microsoft.Bcl.Asynclnterfaces 程序包，如下所示：
末了我们重新天生下Demo的办理方案，再次运行 MyRedis 掌握台项目，运行结果如下所示：
可以创造，此时不会再抛出非常了，解释我们破解成功了。
二、布隆过滤器1、场景先容1）大数据去重，比如新闻推举场景，新闻有很多，要不要在app/网站给用户显示，看过的显然不须要显示，大量的新闻数据面前如何快速去重?
2）注册用户，用户名是否可用？
3）爬虫程序中大数据量url去重。
4）垃圾邮件/垃圾短信去重。
5）用来防止缓存穿透。
2、引子正式开始先容布隆过滤器之前，我们先用常规的手段去办理数据去重的问题。
例子1：我们做爬虫程序，会抓取很多的url地址，我们怎么知道某个url地址是否爬取过呢？
利用set凑集去重，如果数据量大了，有很多的url须要存储，那么set凑集须要把所有的用过的url地址存下来。假设有1亿个url地址，每个url地址有64个字符，那么存储这些数据就须要6481亿个比特位（这还不考虑本身数据构造须要占用的内存），这样算下来我们就大概须要6个G的内存，内存占用险些是不可忍受的，更别说大型互联网公司，数据量更大。也便是说用set凑集来做大数据判重险些不可取。
例子2：利用数据库判断某个用户名是否注册过？
我们采取MySQL这种带持久化的数据库，虽然办理了内请安题，但是我们须要跟MySQL做事器建立连接，MySQL做事器须要从硬盘读取判断，这个时长也是不可忍受的...
总结来说：传统办法在做大数据去重，要么有时长的问题，要么有内存占用的问题。那么我们有没有一种内存占用不那么大，时长可以忍受的办法呢？布隆过滤器闪亮登场了！
布隆过滤器（Bloom Filter）是1970年由布隆提出的。它实际上是一个很长的二进制向量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个凑集中。它的优点是空间效率和查询韶光都比一样平常的算法要好的多，缺陷是有一定的误判率和删除困难。
4、过滤器事理从上面的场景中，可以看出我们的需求很大略只是要判断一下，某条数据是否存在，而不关心这条数据的详细内容，也便是说返回一个bool值即可。而我们打算机中二进制天然的知足了这个特性，0代表false，1代表true。我们可以在内存中申请一段bit数组。(又称bitmap翻译为位图)
我们先按照大略的来，我们判断的是int数值是否存在，比方说1、3、6、7、13已经存在，那我们可以把对应位置的bit位，置为1，表示存在。如图：
这时候如果我们须要判断3是否存在的话，判断该位置的bit位是否为1即可。这样的话比我们声明一个int类型的数组，挨个存储，然后判断，省去了极大的空间，int值占用4个byte位也便是32个bit位，而采取这种bit数组来做，一下子省去了32倍的内存空间。
现在我们知道了，int的储存和判断方案，我们回归实际场景，比如判断一个url是否利用过。一个url是一个字符串，它不是一个int值，如何确定位置呢？ 此时hash函数就派上用场了，我们可以将字符串hash出一个int值。
如图所示：
当然上图给出的是空想情形，而实际上我们很难找到一个足够好hash函数，使得到的hash值在非常小的范围内，常日一个好的hash函数算出的hash值足够随机且均匀，也便是说会随机的散列到0-integer.max_value的范围内，这是一个很大的值。
比方说www.baidu.com在java措辞自带的hash函数得出的值为270263191，如果我们只有1000万个字符串须要判断，但是随便一个字符串的hash值有可能会大于1000万这个数值，以是声明1000万大小的bit位是不足用的，我们须要给出int最大值的bit位，而这会摧残浪费蹂躏大量的空间，与布隆过滤器的目标相悖。
这时候我们的取余法，就可以派上用场了，我们把得出的hash值进行对有限bit位空间（bit数组的长度）进行取余，得出位置。如图：
上图我们可以看出，利用取余法，我们可以做到在有限的空间上存储数据，达到了压缩空间的目的，但是大家可以创造这里会有一个冲突，有可能取余后我们的不同数据落到同一个位置，乃至我们的hash函数都有可能发生冲突，也便是不同的字符串算出的hash值是一样的。而且hash冲突险些是不可避免的，这也就导致我们的位图上表示存在是有可能误判的。也便是布隆过滤器见告你那个位置有数据了但有可能是别人放进去的，你并没有放进去。这是不可避免的，但是我们可以通过增加hash函数个数的方法来降落冲突率。如图：
本例中采取3个不同的hash函数将同一个数据分别映射到位图的三个位置上，在判存的时候，只有当映射的这3个位置的bit值都为1时才表示该数据已存在，否则表示该数据不存在。这样可以在一定程度上降落误判率。
5、总结布隆过滤器采取了位图数据构造，大大减少了内存占用，采取hash函数将数据映射到位图上，但是Hash函数本身就有冲突，取模节省空间也会导致冲突率的上升。办理的办法紧张便是增加hash函数的个数和位图大小的上限（即加大bit数组的长度）。
至于要利用多少个hash函数得当以及位图的bit位多少得当没有非常严谨的数学证明，我们这里就不展开了。
市情上有一些现成的工具包已经给我们封装好布隆过滤器：比如google的guava包就实现了布隆过滤器。又比如redis4.0后通过插件办法供应了布隆过滤器的实现等等。。。
服膺：布隆过滤器有可能会存在误判的情形，也便是说，不存在的一定不存在，而存在的不一定会存在。
三、缓存雪崩观点：缓存雪崩是指当缓存中有大量的key在同一时候过期，或者Redis直接宕机了，导致大量的查询要求全部到达数据库，造成数据库查询压力骤增，乃至直接挂掉。
办理方案：
针对第一种大量key同时过期的情形，办理起来比较大略，只须要将每个key的过期韶光打散即可，使它们的失落效点尽可能均匀分布。例如：可以给过期韶光加个过期因子（实在便是个随机数，比如：在1s~1000s 之间随机取一个），然后我们的实际过期韶光=设置的过期韶光+过期因子。
针对第二种redis发生故障的情形，支配redis时可以利用redis的几种高可用方案支配（主从复制模式、哨兵模式、集群模式）。
除了上面两种办理办法，还可以利用其他策略，比如设置key永不过期、加分布式锁等。
四、缓存穿透观点：缓存穿透是指查询一个缓存中和数据库中都不存在的数据，导致每次查询这条数据都会透过缓存，直接查库，末了返回空。当用户利用这种不存在的数据猖獗发起查询要求的时候，对数据库造成的压力就非常大，乃至可能直接挂掉。
可能缘故原由：恶意毁坏。
办理方案：
办理缓存穿透的方法一样平常有两种，第一种是缓存空工具，第二种是利用布隆过滤器。
第一种方法比较好理解，便是当数据库中查不到数据的时候，我缓存一个空工具，然后给这个空工具的缓存设置一个过期韶光，这样下次再查询该数据的时候，就可以直接从缓存中拿到，从而达到了减小数据库压力的目的。但这种办理办法有两个缺陷：（1）须要缓存层供应更多的内存空间来缓存这些空工具，当这种空工具很多的时候，就会摧残浪费蹂躏更多的内存；（2）会导致缓存层和存储层的数据不一致，纵然在缓存空工具时给它设置了一个很短的过期韶光，那也会导致这一段韶光内的数据不一致问题。
第二种方案是利用布隆过滤器，这是比较推举的方法。布隆过滤器可以用于检索一个元素是否在一个凑集中。它的优点是空间效率和查询韶光都比一样平常的算法要好的多，缺陷是有一定的误判率和删除困难。在初始化布隆过滤器时，须要将所有的key保存到布隆过滤器中，布隆过滤器就相称于一个位于客户端与缓存层中间的拦截器一样，卖力判断key是否在凑集中存在。如下图：
五、缓存击穿
观点：缓存击穿是指当缓存中某个热点数据过期了，在该热点数据重新载入缓存之前，有大量的查询要求穿过缓存，直接查询数据库。这种情形会导致数据库压力瞬间骤增，造成大量要求壅塞，乃至直接挂掉。
办理方案：
办理缓存击穿的方法也有两种，第一种是设置key永不过期；第二种是利用分布式锁，担保同一时候只能有一个查询要求重新加载热点数据到缓存中，这样，其他的线程只需等待该线程运行完毕，即可重新从Redis中获取数据。
第一种办法比较大略，在设置热点key的时候，不给key设置过期韶光即可。不过还有其余一种办法也可以达到让key不过期的目的，便是给key设置过期韶光的时候，也要同时的在后台启一个定时任务去定时地更新这个缓存。
第二种方法利用加锁的办法，锁的工具便是key，这样，昔时夜量查询同一个key的要求并发进来时，只能有一个要求获取到锁，获取到锁的线程查询数据库，然后将结果放入到缓存中，接着开释锁，此时，其他处于锁等待的要求即可连续实行，由于此时缓存中已经有了数据，以是可以直接从缓存中获取到数据返回，并不会查询数据库。
六、缓存预热
观点： 当系统上线时，缓存内还没有数据，如果直接供应给用户利用，每个要求都会穿过缓存去访问底层数据库，如果并发量大的话，很有可能在上线当天就会宕机，这种情形就叫“系统冷启动”。而缓存预热便是指系统上线后，提前将干系的缓存数据直接加载到缓存系统中。避免在用户要求的时候，先查询数据库，然后再将数据缓存的问题，用户直接查询事先被预热的缓存数据。常日来讲，系统中一些常常利用的数据，一些高并发热点数据，可以先预热到缓存中；对付一些要求比较耗时的数据，也可以事先预热到缓存中。
办理方案：
1、直接写个缓存刷新页面，上线时手工操作下；
2、数据量不大，可以在项目启动的时候自动进行加载；
3、定时刷新缓存，缓存可能会过期，写一个程序，时时时把数据预热一下，往Redis里面写数据。
Demo源码：
链接：https://pan.baidu.com/s/1RreI5HzAg-tW4WvWstm8ig 提取码：cm75
