Redis！——亿级流量专业的系统架构设计系列就是应用缓存不止

在当今互联网架构中，缓存技术犹如系统的"加速器"，通过将热点数据存储在高速介质中，显著降低数据库负载并提升响应速度。无论是CPU的L1/L2/L3缓存，还是分布式系统中的Redis集群，缓存无处不在。本文将深入探讨应用级缓存的设计原理、实现方案及最佳实践，为构建高并发系统提供实用指南。

缓存架构层级示意图


图：典型的多级缓存架构示意图，数据从CPU缓存到磁盘形成完整的存储层次

一、缓存基础：从命中率到回收策略

1.1 缓存的本质与价值

缓存的核心思想是**"让数据更接近使用者"**，通过空间换时间的策略，将频繁访问的数据存储在高速存储介质中。一个设计良好的缓存系统应满足：

  • • 高命中率：缓存命中率=缓存命中次数/(缓存命中次数+回源次数)
  • • 低延迟：数据访问响应时间短
  • • 高一致性：缓存与数据源保持最终一致
  • • 可扩展性：支持容量动态扩展

1.2 关键指标：缓存命中率

命中率是衡量缓存有效性的核心指标。以下场景适合缓存：

  • • 频繁访问的热点数据
  • • 计算昂贵的复杂结果
  • • I/O密集型操作的结果集
  • • 符合局部性原理的数据

缓存命中率曲线图


图：缓存命中率随时间变化曲线，展示了不同时段缓存命中与未命中的比例关系

1.3 缓存回收策略全解析

当缓存空间满时，需要根据特定策略淘汰旧数据，常见策略包括：

策略类型

核心原理

适用场景

FIFO

先进先出，最早进入的先淘汰

数据访问顺序固定的场景

LRU

最近最少使用，淘汰最久未访问数据

大多数通用场景

LFU

最不常用，淘汰访问频率最低数据

访问频率分布不均的场景

TTL

存活期，固定时间后淘汰

时效性强的数据

TTI

空闲期，多久未访问后淘汰

间歇性访问的数据

在Java缓存实现中，LRU是最常用的策略，Guava Cache、Ehcache等主流框架均默认支持。

LRU算法工作原理示意图


图：LRU算法工作原理示意图，当新数据访问时，最近使用的元素被移到头部，满员时尾部元素被淘汰

二、缓存类型：从本地到分布式

2.1 缓存金字塔模型

现代系统通常采用多级缓存架构，形成"金字塔"式存储层次：

  1. 1. 堆缓存：存储在JVM堆内存，速度最快但容量有限
  2. 2. 堆外缓存：不受GC影响，支持更大容量
  3. 3. 磁盘缓存：持久化存储，重启不丢失
  4. 4. 分布式缓存：跨节点共享，支持集群扩展

缓存金字塔模型架构图


图：缓存金字塔模型架构图，展示了从堆缓存到分布式缓存的层级结构及访问速度对比

2.2 主流缓存框架对比

特性

Guava Cache

Ehcache 3.x

MapDB

Redis

堆缓存

✅

✅

✅

❌

堆外缓存

❌

✅

✅

❌

磁盘缓存

❌

✅

✅

✅

分布式

❌

✅

❌

✅

回收策略

LRU

LRU

LRU/LFU

多种

易用性

⭐⭐⭐⭐⭐

⭐⭐⭐

⭐⭐

⭐⭐⭐⭐

2.3 堆缓存实战：Guava Cache实现

Guava Cache是Java堆缓存的首选方案，小巧高效，以下是典型配置：

Cache myCache = CacheBuilder.newBuilder()
.concurrencyLevel(4)          // 并发级别，控制segment数量
.expireAfterWrite(10, TimeUnit.SECONDS)  // TTL策略
.maximumSize(10000)           // 最大容量，超出按LRU淘汰
.recordStats()                // 开启统计，记录命中率
.softValues()                 // 软引用，内存不足时回收
.build();

核心配置参数说明：

  • • concurrencyLevel：并发写支持，建议设为CPU核心数
  • • expireAfterWrite：写入后过期，适合变化不频繁数据
  • • expireAfterAccess：访问后过期，适合热点波动数据
  • • weakKeys/weakValues：弱引用，允许GC回收

2.4 分布式缓存：Ehcache + Terracotta

对于分布式场景，可采用Ehcache+Terracotta Server组合：

PersistentCacheManager cacheManager = CacheManagerBuilder
.newCacheManagerBuilder()
.with(ClusteringServiceConfigurationBuilder
.cluster(URI.create("terracotta://192.168.147.50:9510"))
.autoCreate())
.build(true);
Cache myCache = cacheManager.createCache("myCache",
CacheConfigurationBuilder.newCacheConfigurationBuilder(
String.class, String.class,
ResourcePoolsBuilder.newResourcePoolsBuilder()
.with(ClusteredResourcePoolBuilder.clusteredDedicated("cache", 32, MemoryUnit.MB))
)
);

分布式缓存集群架构图


图：分布式缓存集群架构图，展示了多应用服务器通过RMI协议与中心缓存节点交互的结构

三、缓存使用模式：从理论到实践

3.1 Cache-Aside模式（旁路缓存）

最常用的缓存模式，业务代码直接操作缓存和数据源：

// 读操作
String value = cache.getIfPresent(key);
if (value == null) {
value = loadFromDB(key);  // 回源数据库
cache.put(key, value);    // 更新缓存
}
// 写操作
updateDB(key, value);        // 先更新数据库
cache.invalidate(key);       // 再失效缓存

优点：实现简单，灵活性高
缺点：代码侵入性强，一致性需业务保证

Cache-Aside模式流程图


图：Cache-Aside模式流程图，展示了读操作的缓存命中与回源流程及写操作的更新策略

3.2 Read-Through/Write-Through模式

将数据源访问逻辑封装在缓存层，业务代码只与缓存交互：

// Read-Through模式实现
LoadingCache userCache = CacheBuilder.newBuilder()
.maximumSize(1000)
.expireAfterWrite(5, TimeUnit.MINUTES)
.build(newCacheLoader() {
@Override
public User load(Integer userId)throws Exception {
return userDAO.findById(userId);  // 自动回源
}
});
// 业务代码直接调用缓存
Useruser= userCache.get(userId);

核心优势：

  • • 消除重复代码，业务逻辑更清晰
  • • 内置防缓存击穿机制
  • • 统一管理缓存策略

Write-Through缓存模式示意图


图：Write-Through缓存模式示意图，缓存层作为中间件自动同步更新数据源

3.3 Write-Behind模式（异步回写）

写缓存时异步更新数据源，适合写频繁场景：

CacheConfiguration config = CacheConfigurationBuilder
.newCacheConfigurationBuilder(String.class, String.class,
ResourcePoolsBuilder.heap(100))
.withLoaderWriter(newDefaultCacheLoaderWriter() {
@Override
publicvoidwrite(String key, String value) {
// 异步写入数据库
asyncExecutor.submit(() -> db.update(key, value));
}
})
.add(WriteBehindConfigurationBuilder
.newBatchedWriteBehindConfiguration(3, TimeUnit.SECONDS, 100)
.queueSize(1000)
.concurrencyLevel(2)
.build())
.build();

适用场景：

  • • 写操作远多于读操作
  • • 允许短暂的数据不一致
  • • 需要合并多次写操作

四、高级实战：缓存架构最佳实践

4.1 多级缓存设计

大型系统通常采用多级缓存架构：

// 多级缓存实现示例
public Object getValue(String key) {
// 1. 先查本地堆缓存
Objectvalue= localCache.get(key);
if (value != null) return value;
// 2. 再查分布式缓存
value = redisCache.get(key);
if (value != null) {
localCache.put(key, value);  // 回填本地缓存
return value;
}
// 3. 最后查数据库
value = db.load(key);
redisCache.put(key, value);     // 更新分布式缓存
localCache.put(key, value);     // 更新本地缓存
return value;
}

4.2 缓存穿透防护：NULL缓存

防止查询不存在数据导致缓存失效：

// NULL缓存实现
Stringvalue= loadFromDB(key);
if (value == null) {
// 存储NULL对象而非null值
cache.put(key, SPECIAL_NULL_OBJECT);
}
// 读取时处理
Objectresult= cache.get(key);
if (result == SPECIAL_NULL_OBJECT) {
returnnull;  // 返回null但不回源
}

4.3 缓存一致性保障策略

缓存与数据库一致性方案：

  1. 1. Cache-Aside + TTL：最简单方案，依赖TTL最终一致
  2. 2. 更新数据库后立即更新缓存：适用于读多写少场景
  3. 3. Canal订阅binlog更新缓存：高一致性，适合核心业务
  4. 4. 分布式锁+双删策略：解决并发更新冲突
// 双删策略示例
public void updateData(String key, Object value) {
// 1. 删除缓存
cache.delete(key);
// 2. 更新数据库
db.update(key, value);
// 3. 延迟再次删除（解决更新期间的脏读）
scheduler.schedule(() -> cache.delete(key), 100, TimeUnit.MILLISECONDS);
}

4.4 缓存性能监控

关键监控指标：

  • • 命中率：目标>90%
  • • 平均响应时间：目标<1ms
  • • 缓存穿透率：目标<0.1%
  • • 缓存更新成功率：目标>99.9%

五、常见问题与解决方案

5.1 缓存三大问题及对策

问题类型

产生原因

解决方案

缓存穿透

查询不存在的数据，缓存失效

NULL缓存、布隆过滤器

缓存穿透解决方案图示


图：缓存穿透防护方案，通过布隆过滤器拦截无效请求，NULL缓存避免空值穿透

| 缓存击穿 | 热点key失效，大量并发请求直达DB | 互斥锁、热点永不过期 |
| 缓存雪崩 | 大面积缓存同时失效，DB压力骤增 | 过期时间随机化、多级缓存 |

缓存雪崩防护措施图解


图：缓存雪崩防护措施图解，左侧为正常缓存流程，右侧展示缓存层崩溃后的流量直达存储层的危险情况

5.2 缓存与GC优化

堆缓存可能导致GC压力增大，优化方案：

  • • 合理设置缓存大小，避免过大
  • • 使用软引用/弱引用
  • • 考虑堆外缓存（如MapDB）
  • • 定期清理过期数据
// 堆外缓存实现（MapDB）
HTreeMap offHeapCache = DBMaker
.memoryDirectDB()          // 堆外内存
.concurrencyScale(16)      // 并发级别
.make()
.hashMap("offHeapCache")
.expireMaxSize(100000)     // 最大条目
.expireAfterCreate(30, TimeUnit.SECONDS)
.create();

总结与展望

缓存是构建高性能系统的关键组件，设计时需综合考虑业务场景、数据特性和性能需求。本文介绍的缓存策略和实现方案已在大规模生产环境得到验证，包括：

  1. 1. 多级缓存架构：本地缓存+分布式缓存结合
  2. 2. 灵活的缓存策略：根据数据特性选择LRU/LFU/TTL等
  3. 3. 高可用设计：防穿透、击穿、雪崩的完整方案
  4. 4. 性能优化：命中率提升与GC优化实践


posted on 2025-08-21 17:05  ljbguanli  阅读(13)  评论(0)    收藏  举报

博客园  ©  2004-2025
浙公网安备 33010602011771号 浙ICP备2021040463号-3