高效缓存的10条军规
前言"苏工！首页崩了！"
凌晨三点接到电话时，我正梦见自己成了缓存之神。
打开监控一看：
缓存命中率：0%
数据库QPS：10万+
线程阻塞数：2000+根本原因竟是之前有同事写的这段代码：
public Product getProduct(Long id) {
return productDao.findById(id);
}直连数据库，未加缓存。
这一刻我意识到：不会用缓存的程序员，就像不会刹车的赛车手。
今天这篇文章跟大家一起聊聊使用缓存的10条军规，希望对你会有所帮助。
军规1: 避免大key
反例场景：
@Cacheable(value = "user", key = "#id")
public User getUser(Long id) {
return userDao.findWithAllRelations(id);
}这里一次查询出了用户及其所有关联对象，然后添加到内存缓存中。
如果通过id查询用户信息的请求量非常大，会导致频繁的GC。
正确实践：
@Cacheable(value = "user_base", key = "#id")
public UserBase getBaseInfo(Long id) { /*...*/ }
@Cacheable(value = "user_detail", key = "#id")
public UserDetail getDetailInfo(Long id) { /*...*/ }这种情况，需要拆分缓存对象，比如：将用户基本信息和用户详细信息分开缓存。
缓存不是存储数据的垃圾桶，需要根据数据访问频率、读写比例、数据一致性要求进行分级管理。
大对象缓存会导致内存碎片化，甚至触发Full GC。
建议将基础信息（如用户ID、名称）与扩展信息（如订单记录）分离存储。
军规2: 永远设置过期时间
血泪案例：
某系统将配置信息缓存设置为永不过期，导致修改配置后三天才生效。
正确配置：
@Cacheable(value = "config", key = "#key",
unless = "#result == null",
cacheManager = "redisCacheManager")
public String getConfig(String key) {
return configDao.get(key);
}Redis配置如下：
spring.cache.redis.time-to-live=300000 // 5分钟
spring.cache.redis.cache-null-values=false需要指定key的存活时间，比如：time-to-live设置成5分钟。
TTL设置公式：
最优TTL = 平均数据变更周期 × 0.3深层思考：
过期时间过短会导致缓存穿透风险，过长会导致数据不一致。
建议采用动态TTL策略。
例如电商商品详情页可设置30分钟基础TTL+随机5分钟抖动。
军规3: 避免批量失效
典型事故：
所有缓存设置相同TTL，导致每天凌晨集中失效，数据库瞬时被打爆。
解决方案：
使用基础TTL + 随机抖动的方案：
public long randomTtl(long baseTtl) {
return baseTtl + new Random().nextInt(300);
}TTL增加0-5分钟随机值。
使用示例
redisTemplate.opsForValue().set(key, value, randomTtl(1800), TimeUnit.SECONDS);失效时间分布：
军规4: 需要增加熔断降级
我们在使用缓存的时候，需要增加熔断降级策略，防止万一缓存挂了，不能影响整个服务的可用性。
Hystrix实现示例：
@HystrixCommand(fallbackMethod = "getProductFallback",
commandProperties = {
@HystrixProperty(name = "circuitBreaker.requestVolumeThreshold", value = "20"),
@HystrixProperty(name = "circuitBreaker.sleepWindowInMilliseconds", value = "5000")
})
public Product getProduct(Long id) {
return productDao.findById(id);
}
public Product getProductFallback(Long id) {
return new Product().setDefault(); // 返回兜底数据
}熔断状态机：
▶ 军规5: 空值缓存
在用户请求并发量大的业务场景种，我们需要把空值缓存起来。
防止大批量在系统中不存在的用户id，没有命中缓存，而直接查询数据库的情况。
典型代码：
public Product getProduct(Long id) {
String key = "product:" + id;
Product product = redis.get(key);
if (product != null) {
if (product.isEmpty()) { // 空对象标识
return null;
}
return product;
}
product = productDao.findById(id);
if (product == null) {
redis.setex(key, 300, "empty"); // 缓存空值5分钟
return null;
}
redis.setex(key, 3600, product);
return product;
}空值缓存原理：
需要将数据库中返回的空值，缓存起来。
后面如果有相同的key查询数据，则直接从缓存中返回空值。
而无需再查询一次数据库。
军规6: 分布式锁用Redisson
用Redis做分布式锁的时候，可能会遇到很多问题。
感兴趣的小伙伴可以看看我的这篇文章《聊聊redis分布式锁的8大坑》。
建议大家使用Redisson做分布式锁。
Redisson分布式锁实现：
public Product getProduct(Long id) {
String key = "product:" + id;
Product product = redis.get(key);
if (product == null) {
RLock lock = redisson.getLock("lock:" + key);
try {
if (lock.tryLock(3, 30, TimeUnit.SECONDS)) {
product = productDao.findById(id);
redis.setex(key, 3600, product);
}
} finally {
lock.unlock();
}
}
return product;
}锁竞争流程图：
军规7: 延迟双删策略
在保证数据库和缓存双写数据一致性的业务场景种，可以使用延迟双删的策略。
例如：
@Transactional
public void updateProduct(Product product) {
// 1. 先删缓存
redis.delete("product:" + product.getId());
// 2. 更新数据库
productDao.update(product);
// 3. 延时再删
executor.schedule(() -> {
redis.delete("product:" + product.getId());
}, 500, TimeUnit.MILLISECONDS);
}军规8: 最终一致性方案
延迟双删可能还有其他的问题。
对延迟双删问题比较感兴趣的小伙伴可以看看我的《如何保证数据库和缓存双写一致性？》，里面有详细的介绍。
我们可以使用最终一致性方案。
基于Binlog的方案：
DB更新数据之后，Canal会自动监听数据的变化，它会解析数据事件，然后发送一条MQ消息。
在MQ消费者中，删除缓存。
军规9: 热点数据预加载
对于一些经常使用的热点数据，我们可以提前做数据的预加载。
实时监控方案：
// 使用Redis HyperLogLog统计访问频率
public void recordAccess(Long productId) {
String key = "access:product:" + productId;
redis.pfadd(key, UUID.randomUUID().toString());
redis.expire(key, 60); // 统计最近60秒
}
// 定时任务检测热点
@Scheduled(fixedRate = 10000)
public void detectHotKeys() {
Set<String> keys = redis.keys("access:product:*");
keys.forEach(key -> {
long count = redis.pfcount(key);
if (count > 1000) { // 阈值
Long productId = extractId(key);
preloadProduct(productId);
}
});
}定时任务检测热点，并且更新到缓存中。
军规10: 根据场景选择数据结构
血泪案例：
某社交平台使用String类型存储用户信息。
错误用String存储对象：
redis.set("user:123", JSON.toJSONString(user));每次更新单个字段都需要反序列化整个对象。
导致问题：
[*]序列化/反序列化开销大
[*]更新单个字段需读写整个对象
[*]内存占用高
正确实践：
// 使用Hash存储
redis.opsForHash().putAll("user:123", userToMap(user));
// 局部更新
redis.opsForHash().put("user:123", "age", "25"); 数据结构选择矩阵：
各数据结构最佳实践：
1.String
计数器
redis.opsForValue().increment("article:123:views");分布式锁
redis.opsForValue().set("lock:order:456", "1", "NX", "EX", 30);2.Hash
存储商品信息
Map<String, String> productMap = new HashMap<>();
productMap.put("name", "iPhone15");
productMap.put("price", "7999");
redis.opsForHash().putAll("product:789", productMap);部分更新
redis.opsForHash().put("product:789", "stock", "100");3.List
消息队列
redis.opsForList().leftPush("queue:payment", orderJson);最新N条记录
redis.opsForList().trim("user:123:logs", 0, 99); 4.Set
标签系统
redis.opsForSet().add("article:123:tags", "科技", "数码");共同好友
redis.opsForSet().intersect("user:123:friends", "user:456:friends"); 5.ZSet
排行榜
redis.opsForZSet().add("leaderboard", "player1", 2500);
redis.opsForZSet().reverseRange("leaderboard", 0, 9);延迟队列
redis.opsForZSet().add("delay:queue", "task1", System.currentTimeMillis() + 5000); 总结
缓存治理黄金法则
问题类型推荐方案工具推荐缓存穿透空值缓存+布隆过滤器Redisson BloomFilter缓存雪崩随机TTL+熔断降级Hystrix/Sentinel缓存击穿互斥锁+热点预加载Redisson Lock数据一致性延迟双删+最终一致性Canal+RocketMQ
最后忠告：缓存是把双刃剑，用得好是性能利器，用不好就是定时炸弹。
当你准备引入缓存时，先问自己三个问题：
[*]真的需要缓存吗？
[*]缓存方案是否完整？
[*]有没有兜底措施？
最后说一句(求关注，别白嫖我)
如果这篇文章对您有所帮助，或者有所启发的话，帮忙关注一下我的同名公众号：苏三说技术，我的所有文章都会在公众号上首发，您的支持是我坚持写作最大的动力。
求一键三连：点赞、转发、在看。
关注公众号：【苏三说技术】，在公众号中回复：进大厂，可以免费获取我最近整理的10万字的面试宝典，好多小伙伴靠这个宝典拿到了多家大厂的offer。
本文收录于我的技术网站：http://www.susan.net.cn
来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！
页:
[1]