【redis】使用redis作为缓存时所注意事项

缓存更新策略

在 Redis 缓存中，缓存的更新策略主要有**定期生成（定时更新） 和 实时生成（即时更新）**两种方式。不同的策略适用于不同的业务场景，涉及性能、数据一致性和系统负载等方面的权衡。

1. 定期生成（定时更新）

是什么？

定期生成指的是按照 固定的时间间隔 ，主动更新缓存，而不是在数据发生变化时立即更新。这种方式适用于数据变化不频繁、对实时性要求不高的场景。

优点：

✅ 降低数据库压力 ：缓存可以批量更新，避免频繁查询数据库。

✅ 提高查询性能 ：查询时直接读取缓存，响应速度快。

✅ 数据一致性较好 （相对于长期不更新的缓存）：定期更新可以保证数据不会长期过时。

缺点：

❌ 数据可能不够实时 ：在缓存下一次更新前，数据可能已经变化，但缓存仍然返回旧数据。

❌ 不适合高实时性业务 ：如果业务需要频繁变更数据，定期更新可能导致缓存数据滞后。

❌ 可能会引起短时流量冲击 ：如果所有缓存数据同时更新，可能会对数据库造成瞬间压力。

常见实现方式：

• 定时任务更新缓存 （ Time-based Refresh ）

  • 使用 Spring Task、Quartz、Crontab 等定时任务，每隔一段时间刷新缓存。

  • 例如，每 10 分钟更新一次缓存：

    @Scheduled(fixedRate = 600000) // 每 10 分钟执行一次
    public void updateCache() {
        // 查询数据库并更新缓存
        List<Data> dataList = databaseService.getData();
        redisTemplate.opsForValue().set("cache:data", dataList);
    }

• 数据库变更时触发缓存更新 （ Database-triggered Refresh ）

  • 监听 数据库变更事件（MySQL Binlog、PostgreSQL 触发器） ，检测到数据变化后批量刷新缓存。

• 异步任务更新

  • 使用消息队列（Kafka、RabbitMQ）通知服务更新缓存，避免定时任务导致的瞬时数据库压力过大。

适用场景：

📌 统计数据、排行榜、热门商品列表等（更新频率较低，数据稍有延迟也无大问题）。

📌 日志分析、报表数据等（数据量大，但对实时性要求不高）。

2. 实时生成（即时更新）

是什么？

实时生成指的是 数据发生变更时立即更新缓存 ，确保缓存数据始终是最新的。这种方式适用于 对数据一致性要求高、变更较频繁 的场景。

优点：

✅ 数据实时性高 ：缓存的数据始终与数据库保持一致，适用于高实时性需求的应用。

✅ 避免缓存不一致问题 ：数据库变更后立即同步缓存，减少数据不匹配的情况。

缺点：

❌ 更新成本高 ：每次数据变更都需要更新缓存，可能会导致数据库压力增大。

❌ 可能导致缓存频繁更新 ：对于高频变更的数据，频繁更新可能会导致 Redis 负载过重，甚至影响整体性能。

❌ 并发问题 ：多个并发请求可能会导致 缓存不一致 或 缓存击穿 ，需要加锁或使用双写策略。

常见实现方式：

1. 数据库更新时主动更新缓存 （ Write-through Strategy ）

   • 在 **数据更新（新增、修改、删除）**时， 同时更新数据库和缓存 ：

     public void updateData(Data data) {
         databaseService.updateData(data); // 更新数据库
         redisTemplate.opsForValue().set("cache:data:" + data.getId(), data); // 同步更新缓存
     }

   • 适用于数据变更不频繁，且一致性要求较高的场景。

2. 缓存淘汰（Cache Eviction）

   • 在数据库更新后， 删除缓存 ，让下一次查询时重新加载数据：

     public void updateData(Data data) {
         databaseService.updateData(data); // 更新数据库
         redisTemplate.delete("cache:data:" + data.getId()); // 删除缓存
     }

   • 适用于 缓存数据不是热点 ，数据变更后不需要立即被查询的情况。

3. 订阅数据库变更 （ Event-based Strategy ）

   • 使用 消息队列（Kafka、RabbitMQ） 或 Redis 订阅/发布机制 ，监听数据库变更事件，变更后更新缓存。

4. 分布式锁（避免缓存并发写入问题）

   • 解决多个请求同时更新缓存导致数据不一致的问题：

     RLock lock = redissonClient.getLock("cache:lock:data:" + data.getId());
     try {
         if (lock.tryLock(5, TimeUnit.SECONDS)) {
             databaseService.updateData(data);
             redisTemplate.opsForValue().set("cache:data:" + data.getId(), data);
         }
     } finally {
         lock.unlock();
     }

   • 适用于高并发写入场景，防止缓存同时被多个请求覆盖。

适用场景：

📌 订单系统、支付系统、库存管理等（数据必须实时更新，不能有延迟）。

📌 直播、弹幕系统（数据实时变化，需要确保一致性）。

总结：定期生成 vs. 实时生成

总结

• 定期生成（定时更新） 适用于 数据变化不频繁 、 对实时性要求不高 的场景，如排行榜、日志分析等。
• 实时生成（即时更新） 适用于 数据变化频繁 、 对一致性要求高 的场景，如支付、库存、订单管理等。
• 在实际应用中，可以 结合两种策略 ，例如：
  • 定期更新 + 变更触发更新 ：大部分数据定期刷新，关键数据实时更新。
  • 读时更新 + 写时淘汰 ：查询时自动更新缓存，写入时删除缓存，防止数据不一致。

合理选择缓存更新策略，可以有效提升系统性能，降低数据库压力，并保证数据的一致性。

Redis 作为缓存，存储空间有限，因此需要淘汰数据来保证新数据的存入。Redis 提供了多种 缓存淘汰策略（Eviction Policy） ，用于决定哪些数据需要被删除。下面介绍几种常见的淘汰策略，包括它们的适用场景和优缺点。

缓存淘汰策略

1. 不淘汰策略

1.1 noeviction（拒绝写入）

概念：

当 Redis 内存占满时，不会删除任何已有数据，而是直接返回错误，拒绝新的写入请求。

适用场景：

• 适用于 严格不能丢数据 的场景，如任务队列（消息队列）、金融交易等。
• 适用于 Redis 作为 纯数据存储 而非缓存时。

优缺点：

✅ 数据不会被误删除 ，保证数据完整性。

❌ 可能导致写入失败 ，影响系统稳定性。

2. 基于 TTL（过期时间）的淘汰策略

2.1 volatile-lru（最近最少使用，TTL 限定）

概念：

• 只淘汰**设置了过期时间（TTL）**的键。
• 在这些键中，优先删除最近最少使用（LRU, Least Recently Used）的数据。

适用场景：

• 适用于 部分数据可丢弃 的场景，比如 session、短期缓存数据。
• 适用于需要 自动过期控制 ，但仍希望尽可能保留热点数据的情况。

优缺点：

✅ 优先保留常用数据，减少缓存击穿的概率。

❌ 如果大部分 key 没有 TTL，可能导致 Redis 直接拒绝写入（相当于 noeviction）。

2.2 volatile-ttl（优先淘汰即将过期的键）

概念：

• 只淘汰**设置了过期时间（TTL）**的键。
• 其中 剩余寿命最短 的键优先被删除。

适用场景：

• 适用于对数据有明确的生命周期需求的业务，如订单缓存、验证码缓存等。

优缺点：

✅ 优先删除即将过期的数据，保证短期缓存的更新。

❌ 可能误删仍然有价值的热点数据。

3. 基于数据访问频率的淘汰策略

3.1 allkeys-lru（全局最近最少使用）

概念：

• 无视 TTL ，从所有键中（包括没有设置 TTL 的键），优先淘汰 最近最少使用 的键。

适用场景：

• 适用于 热点数据更新频繁 的场景，如推荐系统、排行榜、搜索结果缓存等。

优缺点：

✅ 可以确保常用数据长期保留，提高缓存命中率。

❌ 如果热点数据突然减少访问，可能会被错误淘汰。

3.2 allkeys-random（全局随机淘汰）

概念：

• 无视 TTL ，在所有 key 中 随机删除 某些数据。

适用场景：

• 适用于 缓存数据均匀访问 ，不需要特定优先级的场景。

优缺点：

✅ 简单高效，减少淘汰策略的计算开销。

❌ 不够智能，可能淘汰热点数据，降低缓存命中率。

4. 基于数据访问频次的淘汰策略

4.1 volatile-lfu（基于访问频率，TTL 限定）

概念：

• 只淘汰设置了 TTL 的 key 。
• 访问次数最少的键 优先被删除（LFU, Least Frequently Used）。

适用场景：

• 适用于 需要根据访问次数保留数据 的业务，如热点文章缓存、用户历史记录等。

优缺点：

✅ 能够长期保留高频访问数据，淘汰低频数据。

❌ 如果大部分数据没有 TTL，可能导致 Redis 拒绝写入（类似 noeviction）。

4.2 allkeys-lfu（全局最不常使用淘汰）

概念：

• 无视 TTL ，从所有键中 优先淘汰访问次数最少的键 。

适用场景：

• 适用于 热点数据访问有明显差异 的情况，如新闻热点推荐、热门产品缓存等。

优缺点：

✅ 能保留长期热点数据，提高缓存命中率。

❌ 短期热点数据可能无法及时替换，导致数据更新滞后。

总结

如何选择淘汰策略？

1. 数据不能丢失（消息队列、金融）

✅ noeviction （拒绝写入）

2. 仅淘汰过期数据（业务数据自动失效）

✅ volatile-lru （保留热点）

✅ volatile-ttl （优先清理快过期数据）

3. 需要智能保留高频访问数据

✅ allkeys-lru （最近最少使用淘汰）

✅ allkeys-lfu （最少使用淘汰）

4. 访问数据均匀，不关心淘汰顺序

✅ allkeys-random （随机删除）

5. 业务需要权衡 LRU 和 LFU

• 短期热点多 ，选 LRU
• 长期热点多 ，选 LFU

结论

• 如果数据有 TTL，且希望优先淘汰冷数据 ，选 volatile-lru / volatile-lfu 。
• 如果所有数据都可以被淘汰 ，选 allkeys-lru / allkeys-lfu 。
• 如果只允许写满后拒绝写入 ，选 noeviction 。
• 如果对淘汰规则无特别要求 ，选 allkeys-random 。

正确选择淘汰策略，可以有效提高缓存命中率，降低数据库压力，保障系统稳定性。

常见缓存问题

在 Redis 中，缓存预热、缓存穿透、缓存雪崩和缓存击穿是常见的缓存问题。下面分别描述它们的概念及解决方案：

1. 缓存预热（Cache Warming）

是什么？

缓存预热是指在系统启动或运行之前，提前将热点数据加载到缓存中，以减少数据库的查询压力，提高系统访问速度。

如何解决？

• 手动加载 ：在服务启动时，手动将热点数据写入缓存。
• 定时刷新 ：通过定时任务（如 Spring Task、Quartz 等）定期加载热点数据到缓存。
• 数据变更同步 ：监听数据库更新（如 MySQL binlog、Redis 订阅发布机制），在数据变化时同步更新缓存。
• 批量加载 ：使用 Redis 的 pipeline 或 mset 命令批量写入缓存，提高加载效率。

2. 缓存穿透（Cache Penetration）

是什么？

缓存穿透指的是大量请求查询 不存在的数据 ，导致每次请求都要查询数据库，缓存完全失效，给数据库带来巨大压力。

如何解决？

• 缓存空值 ：如果查询的数据不存在，可以将空值（如 null 或 {} ）存入缓存，并设置较短的过期时间，避免重复查询数据库。
• 布隆过滤器（Bloom Filter） ：使用布隆过滤器提前判断某个 key 是否可能存在，如果一定不存在，则直接返回，不查询数据库。
• 参数校验 ：在请求层对参数进行校验，避免无效请求进入系统。
• 限流与黑名单 ：对异常请求 IP 进行封禁或限流，避免恶意攻击。

3. 缓存雪崩（Cache Avalanche）

是什么？

缓存雪崩指的是 大量缓存同时失效 ，导致短时间内大量请求直接打到数据库，造成数据库压力激增，甚至宕机。

如何解决？

• 缓存过期时间随机化 ：为缓存设置 不同的过期时间 ，避免大量缓存同时失效，例如使用 TTL = 基础时间 ± 随机时间 。
• 热点数据提前预加载 ：在缓存即将过期前，主动刷新缓存，保证热点数据始终可用。
• 双层缓存 ：使用 Redis + 本地缓存（如 Caffeine、Guava Cache） ，降低对 Redis 的依赖。
• 流量削峰 ：
  • 限流 ：使用限流算法（如令牌桶、漏桶）限制访问速率。
  • 降级 ：当数据库压力过大时，返回默认值或降级处理。

4. 缓存击穿（Cache Breakdown）

是什么？

缓存击穿指的是 某个热点 key 突然失效 ，导致大量并发请求直接打到数据库，造成数据库短时间内压力剧增。

如何解决？

• 设置热点数据永不过期 ：对于热点数据，直接不设置过期时间，而是由业务逻辑主动更新缓存。
• 互斥锁（分布式锁） ：
  • 当缓存失效时，多个请求只允许 一个线程查询数据库并更新缓存 ，其他线程等待缓存更新完成后再读取。
  • 具体实现：使用 SETNX （Redis 分布式锁） 或 Redisson。
• 提前刷新缓存 ：
  • 通过异步线程提前更新即将过期的热点缓存，防止突然失效。
  • 例如：使用 Redis + 过期监听 ，在 key 即将过期前主动更新缓存。

总结

这四个缓存问题都是分布式系统中必须重点关注的，合理的缓存策略可以有效提升系统的性能和稳定性。