---
tags: [Redis, 缓存, 架构]
create time: 2026-05-15 18:15
---

# Redis 缓存架构模式

## 概述

在实际生产系统中，Redis 很少直接裸用——它需要与业务数据库、应用层紧密配合。本节介绍最常见的**缓存设计模式**以及经典的三大问题（穿透/击穿/雪崩）的解决方案。

> [!QUESTION] 为什么有了 DB 还需要缓存？
> - **性能**：内存读写 ≈ 1μs，磁盘 IO ≈ 1ms，差距三个数量级
> - **容量**：DB 扛不住瞬时峰值，缓存可以做"削峰填谷"
> - **成本**：一台 Redis 集群的成本远低于扩容 MySQL

**核心矛盾**：缓存带来了性能提升，也引入了**一致性**和**可用性**的新风险。下文所有模式都是围绕这个矛盾在做取舍。

## 一、基础缓存策略

### Cache-Aside Pattern（旁路缓存）—— 最常用

```mermaid
flowchart TD
    Req["请求到达"] --> Hit{"读缓存命中？"}
    Hit -->|是| Data["返回缓存数据"]
    Hit -->|否| DB["查询数据库"]
    DB --> WriteCache["写入缓存<br/>set key val EX 3600"]
    WriteCache --> Data
    
    UpReq["写请求到达"] --> DelCache["先更新 DB"]
    DelCache --> DelKV["再删除缓存 Key"]
    DelKV --> Done["结束"]
    
    style WriteCache fill:#dfd,stroke:#090
    style DelKV fill:#fdd,stroke:#900
```

> [!QUESTION] 写操作为什么"删缓存"而不是"更新缓存"？
> - **删缓存**：简单可靠，下次读时自然回源 DB 拿到最新数据
> - **更新缓存**：需要构造完整值（可能跨表 JOIN），复杂且容易不一致
> - **关键原则**：读时保证一致性，写后不保证实时性（延迟满足）

#### Go 示例

```go
// 读操作
func GetUser(ctx context.Context, id int64) (*User, error) {
    data, err := rdb.Get(ctx, "user:"+strconv.FormatInt(id, 10)).Bytes()
    if err == redis.Nil {
        // 缓存未命中 → 查 DB
        u, err := db.GetUser(id)
        if err != nil {
            return nil, err
        }
        // 回填缓存
        ttl := 30*time.Minute + time.Duration(rand.Intn(300))*time.Second
        rdb.Set(ctx, "user:"+strconv.FormatInt(id, 10), toJSON(u), ttl)
        return u, nil
    }
    
    var u User
    json.Unmarshal(data, &u)
    return &u, nil
}

// 写操作 —— 先更 DB，再删缓存
func UpdateUser(ctx context.Context, u *User) error {
    if err := db.UpdateUser(u); err != nil {
        return err
    }
    rdb.Del(ctx, "user:"+strconv.FormatInt(u.ID, 10))
    return nil
}
```

> [!WARNING] Cache-Aside 的最终一致性
> 写操作后立刻读，可能读到旧值（因为删缓存比下一个读请求先执行）。对于强一致场景，可以：
> - 读操作加一把短锁（避免并发刷缓存覆盖新值）
> - 或者直接用 DB 作为唯一真相源（放弃缓存一致性依赖）

### Read/Write Through（读写穿透）

通过中间件层自动处理缓存读写，业务代码只跟中间件交互：

```mermaid
flowchart LR
    App["App Code<br/>业务层"] --> Cache["Cache Layer<br/>中间件透明封装"]
    Cache --> DB["Database<br/>持久层"]
    
    style App fill:#efe,stroke:#090
    style Cache fill:#fda,stroke:#da0
    style DB fill:#ddf,stroke:#66c
```

> [!NOTE] 实际中较少纯原生实现
> Redisson（Java）、Spring Cache 提供此抽象；Go 生态没有标准库，通常自行封装。核心思路是 **用 AOP / Middleware 把缓存逻辑从业务代码中剥离**。

## 二、三大经典问题

### 缓存穿透（Penetration）—— 不存在的数据一直打到 DB

> [!QUESTION] 为什么是"不存在的数据"而不是"过期数据"？
> - **过期数据**：过段时间就自然恢复了，是 TTL 管理的范畴
> - **不存在的数据**：DB 和缓存都没有，请求每次都打到 DB，属于**恶意攻击或 Bug**

```mermaid
sequenceDiagram
    participant C as 客户端
    participant R as Redis
    participant D as MySQL

    C->>R: GET user:999999999
    R-->>C: nil (未命中)
    C->>D: SELECT * FROM users WHERE id=999999999
    D-->>C: empty result
    Note over C,D: 每次非法请求都走完整链路<br/>QPS = N × 非法流量
```

#### 方案 1：布隆过滤器（Bloom Filter）

```mermaid
flowchart LR
    Req["请求"] --> BF{"布隆过滤器"}
    BF -->|不存在<br/>直接拒绝| Reject["返回空 / 错误"]
    BF -->|可能存在| Cache["查 Redis"]
    Cache -->|"nil"| DB["查 DB"]
    Cache -->|"命中"| Return["返回缓存值"]
    DB -->|"有数据"| StoreCache["写入缓存 + 回刷 BF"]
    DB -->|"无数据"| EmptyCache["空值缓存"]
    
    style Reject fill:#fcc,stroke:#c00
    style Return fill:#cfc,stroke:#090
    style StoreCache fill:#dfd,stroke:#090
```

```go
// Package main — 布隆过滤器预加载示例
import "github.com/bits-and-blooms/bloom/v3"

bf := bloom.NewWithEstimates(1_000_000, 0.01) // 百万级元素，错误率 1%
bf.Add([]byte("user:1"))
bf.Add([]byte("user:2"))

if !bf.Test([]byte("user:999999")) {
    return nil, fmt.Errorf("key does not exist") // 直接拒绝，不查 DB
}
```

> [!TIP] 布隆过滤器的误判
> `false positive` 会发生（判断存在但实际不存在），但不会 `false negative`。所以把拦截器放在 DB 前面是安全的。

#### 方案 2：空值缓存

```go
// 缓存一个短过期时间的空值（如 30s ~ 5min）
rdb.Set(ctx, "user:999999", "", 5*time.Minute)
// TTL 不宜过长，否则业务数据新增后仍然拦截
```

> [!QUESTION] 两种方案怎么选？
> - 全量已知数据集（如商品 SKU ID 列表）→ **布隆过滤器**，精确高效
> - 动态未知数据集（如任意用户 ID）→ **空值缓存**，实现简单

### 缓存击穿（Breakdown）—— 热点 key 过期瞬间 QPS 洪峰

```mermaid
sequenceDiagram
    participant K as Key: hot_product:42
    participant R as Redis
    participant D as DB

    time t1
    K->>R: GET key
    R-->>K: ✅ 命中，正常返回

    time t2 (TTL 到期)
    K->>R: GET key → nil!

    time t3 — "击穿瞬间"
    rect rgba(255, 0, 0, 0.1)
        loop 1000 个并发请求
            R-->>Req: nil (未命中)
            Req->>D: SELECT ... (全部打到 DB!)
        end
    end

    Note over D: ⚠️ DB QPS 瞬时暴增 → 可能崩溃
```

#### 方案 1：互斥锁（Mutex Lock）

```go
func GetProduct(ctx context.Context, id int64) (*Product, error) {
    data, _ := rdb.Get(ctx, "product:"+strconv.FormatInt(id, 10)).Bytes()
    if data != nil {
        var p Product
        json.Unmarshal(data, &p)
        return &p, nil
    }
    
    // 拿分布式锁，只有一个 goroutine 去查 DB + 重建缓存
    lockKey := "lock:product:" + strconv.FormatInt(id, 10)
    locked, err := rdb.SetNX(ctx, lockKey, "1", 10*time.Second).Result()
    if err != nil || !locked {
        time.Sleep(50 * time.Millisecond) // 等别人重建完
        return GetProduct(ctx, id) // 递归重试（有最大深度保护）
    }
    defer rdb.Del(ctx, lockKey)
    
    // 双重检查——防止自己等太久，另一个已经重建了
    data, _ = rdb.Get(ctx, "product:"+strconv.FormatInt(id, 10)).Bytes()
    if data != nil {
        var p Product
        json.Unmarshal(data, &p)
        return &p, nil
    }
    
    p, _ := db.GetProduct(id)
    rdb.Set(ctx, "product:"+strconv.FormatInt(id, 10), toJSON(p), 30*time.Minute)
    return p, nil
}
```

#### 方案 2：逻辑过期（Logical Expiration）

```mermaid
flowchart LR
    Read["读请求"] --> Check{"检查 expire_at"}
    Check -->|"未过期"| Return["直接返回旧值 ✅"]
    Check -->|"已过期"| Async["启动 goroutine 重建缓存"]
    Async --> ReturnOld["返回旧值（不阻塞）"]
    
    subgraph "后台重建"
        Rebuild["查 DB 最新数据"] --> SetNew["覆盖 Redis value"]
    end
    
    style Return fill:#cfc,stroke:#090
    style ReturnOld fill:#ffd,stroke:#da0
```

> [!TIP] 两种方案的本质区别
> - **Mutex Lock**：保证返回的一定是**最新数据**，但会短暂阻塞
> - **Logical Expiration**：保证**永远不阻塞用户**，但可能返回略旧的数据

```go
// 读取时不检查物理 TTL，只检查逻辑过期时间
v := rdb.Get(ctx, key).Val()
var item struct {
    Content   string
    ExpireAt  int64
}
json.Unmarshal([]byte(v), &item)

if time.Now().Unix() < item.ExpireAt {
    return item.Content // 未过期，直接返回
}

// 异步重建缓存（不阻塞当前请求）
go rebuildCacheAsync(key, item.ExpireAt)
return item.Content // 返回旧值，后台静默刷新
```

### 缓存雪崩（Avalanche）—— 大量 key 同时过期

> [!QUESTION] 穿透/击穿/雪崩 的区别是什么？
> - **穿透**：数据**永远不存在**，请求直达 DB → 关注"过滤非法请求"
> - **击穿**：单个**热点 key** 过期，瞬时洪峰 → 关注"防并发重建"
> - **雪崩**：大批量 / **全部 key** 同时过期 → 关注"错峰 + 兜底"

```mermaid
flowchart LR
    subgraph "❌ 无抖动"
        T["TTL=30min"] -->|"t=30:00"| AllExpire["100% keys expire simultaneously"]
        AllExpire --> Crash["DB overload → crash"]
        style Crash fill:#fcc,stroke:#c00
    end

    subgraph "✅ 加随机抖动"
        T2["TTL=30min ±5min"] -->|"t=30:00"| P1["20% expire"]
        T2 -->|"t=31:00"| P2["20% expire"]
        T2 -->|"t=32:00"| P3["20% expire"]
        T2 -->|"t=33:00"| P4["20% expire"]
        T2 -->|"t=34:00"| P5["20% expire"]
        P1 -->|"DB 平稳承受"| Safe
        P2 --> Safe
        P3 --> Safe
        P4 --> Safe
        P5 --> Safe
        style Safe fill:#cfc,stroke:#090
    end
```

#### 解决方案

**① TTL 加随机偏移（最常用）**

```go
// ✅ 给 TTL 加随机偏移（抖动）
baseTTL := 30 * time.Minute
jitter := time.Duration(rand.Intn(300)) * time.Second // 0~5min 随机
rdb.Set(ctx, key, value, baseTTL+jitter)
```

> [!NOTE] 抖动范围怎么定？
> 建议设为基础 TTL 的 **10% ~ 20%**。太小效果不明显，太大则可能导致冷数据过早失效。

**② 多级缓存**

```go
// L1 本地缓存（进程内）→ L2 Redis（分布式）→ DB
func GetValue(key string) ([]byte, error) {
    if v := localCache.Get(key); v != nil { // ~1μs，L1 hit
        return v, nil
    }
    
    rdbKey := "cache:" + key
    if v, err := rdb.Get(ctx, rdbKey).Bytes(); err == nil { // ~1ms，L2 hit
        localCache.Set(key, v) // L1 回填
        return v, nil
    }
    
    // L2 miss → 查 DB → 回填两级缓存
    data := queryDB(key)
    l1TTL, l2TTL := 5*time.Minute, 30*time.Minute
    rdb.Set(ctx, rdbKey, data, l2TTL)
    localCache.Set(key, data)
    return data, nil
}
```

**③ 限流降级（兜底策略）**

```go
// 当缓存命中率骤降时，触发熔断
if cacheMissRate > 0.5 {
    // 返回默认响应 / 排队等待 / 直接限流
    return fallbackResponse()
}
```

> [!WARNING] 多级缓存的一致性挑战
> 本地缓存和 Redis 之间天然存在延迟不一致。多节点部署下，A 节点的本地缓存和 B 节点的本地缓存可能看到不同值。**适合读多写少、允许短暂不一致的场景**。

```mermaid
flowchart LR
    subgraph "应用进程内"
        L1["L1 本地缓存<br/>sync.Map / bigcache<br/>⚡ ~1μs"]
    end
    
    subgraph "分布式层"
        L2["L2 Redis Cluster<br/>⚡ ~1ms"]
    end
    
    L1 -->|"miss"| L2
    L2 -->|"miss"| DB["MySQL / 外部 API<br/>⚡ ~5~50ms"]
    DB -->|"回填"| L2
    L2 -->|"广播失效"| L1
```

## 三、缓存设计原则总结

| # | 原则 | 说明 |
|---|------|------|
| 1 | 永远不信任单一数据源 | 缓存和 DB 保持最终一致 |
| 2 | 设 TTL 是必须的 | 即使内存够也要设，防止永久占用 |
| 3 | TTL 加随机抖动 | 避免大规模同时过期 |
| 4 | 大 Key 拆小 | 单个 Key ≤ 5KB，防止网络阻塞 |
| 5 | Pipeline 批量操作 | 减少 RTT，提升吞吐 |
| 6 | 监控命中率 | 低于 80% 考虑调整策略 |
| 7 | 不要缓存不可变数据 | 配置类可存本地内存 |
| 8 | 敏感数据不入库 | 密码、手机号要脱敏或加密 |

## 四、常见架构模式速览

```mermaid
flowchart TD
    Client["客户端请求"]
    
    Client --> LocalCache{"本地缓存?"}
    LocalCache -->|hit| Return["返回"]
    LocalCache -->|miss| Redis["Redis"]
    
    Redis -->|hit| Return
    Redis -->|miss| DB["数据库"]
    
    DB --> Redis
    Redis --> LocalCache
    
    Writer["写操作"] -->|"先更 DB"| DB
    DB -->|"异步/同步刷缓存"| Redis
    
    style Redis fill:#fda,stroke:#da0
    style LocalCache fill:#dfd,stroke:#090
    style DB fill:#ddf,stroke:#66c
```

## 五、缓存选型与演进路径

> [!QUESTION] 项目初期应该从哪一层开始做缓存？
> **答案：先做 L2（Redis），稳定后再加 L1（本地缓存）。** 原因如下：

### 决策树

```mermaid
flowchart TD
    Start["有新需求要加缓存"] --> Q1{"数据是否频繁变化?"}
    
    Q1 -->|"否 — 配置/字典"| Config["直接放应用内存<br/>不经过 Redis"]
    Q1 -->|"是"| Q2{"QPS > 5000?"}
    
    Q2 -->|"否 — 低频场景"| Simple["L2 only: Cache-Aside<br/>+ Redis"]
    Q2 -->|"是 — 中频场景"| Medium["L2 + ReadThrough<br/>引入布隆过滤器防穿透"]
    Q2 -->|"是 — 高频热点"| HotKey["L1 + L2 多级缓存<br/>+ 逻辑过期防击穿"]
    
    Config --> End["完成 ✅"]
    Simple --> End
    Medium --> End
    HotKey --> End
    
    style Config fill:#ffd,stroke:#da0
    style Simple fill:#dfd,stroke:#090
    style Medium fill:#fdd,stroke:#900
    style HotKey fill:#fcc,stroke:#c00
```

### 不同阶段的关键关注点

| 阶段 | 核心目标 | 推荐模式 | 避坑指南 |
|------|---------|---------|---------|
| **V1 起步期** | 快速上线，能跑就行 | Cache-Aside + Redis | 不要过度设计，先解决有无问题 |
| **V2 增长期** | 扛住流量高峰 | 布隆过滤器 + 互斥锁 | 关注监控指标，建立告警机制 |
| **V3 大规模** | 极致性能和稳定性 | 多级缓存 + 逻辑过期 + 降级策略 | 一致性 vs 可用性的平衡取舍 |

> [!TIP] 一句话总结
> **好的缓存架构不是设计出来的，是演进出來的**。先保证正确性，再优化性能，最后打磨可用性。

## 关联笔记

- [[hhs/Redis/09-高级特性]] — Lua 脚本 + 分布式锁
- [[hhs/Redis/07-集群方案]] — Cluster 下的一致性挑战
- [[hhs/Redis/README]] — 知识索引总览
- [[hhs/GORM/09-钩子函数]] — GORM 生命周期中同步缓存的模式