520 lines
18 KiB
Markdown
520 lines
18 KiB
Markdown
---
|
||
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 的竞态窗口
|
||
> 典型竞态：读请求 A 先 miss 缓存并开始查 DB，此时写请求 B 更新 DB 并删缓存；A 从 DB 取到**旧值**后回填缓存，覆盖了 B 的删除操作。后续读请求将持续拿到旧数据。
|
||
> 解决方案：
|
||
> - **延迟双删**：写后删一次缓存，延迟几百毫秒再删一次（覆盖并发读的回填）
|
||
> - **读操作加短锁**：回填缓存前加锁，避免并发读覆盖新值
|
||
> - **版本号 / 时间戳**：回填时比对版本，旧版本不写入缓存
|
||
|
||
### 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**。
|
||
|
||
### Write-Behind（异步写回）—— 高写入吞吐场景
|
||
|
||
与 Read/Write Through 不同，Write-Behind 将写操作**先落到缓存**，再**异步批量刷回 DB**，适合写密集型场景（如计数器、日志采集）。
|
||
|
||
```mermaid
|
||
flowchart LR
|
||
App["写请求"] --> Cache["Redis<br/>立即返回 ✅"]
|
||
Cache -->|"异步队列<br/>批量合并"| Writer["写回 Worker"]
|
||
Writer --> DB["MySQL"]
|
||
|
||
style App fill:#efe,stroke:#090
|
||
style Cache fill:#fda,stroke:#da0
|
||
style Writer fill:#ddf,stroke:#66c
|
||
```
|
||
|
||
> [!WARNING] Write-Behind 的风险
|
||
> - **数据丢失风险**：缓存宕机时，尚未刷回 DB 的数据会丢失
|
||
> - **实现复杂度高**：需要可靠的异步队列 + 重试机制 + 幂等保证
|
||
> - **适用场景有限**：适合"可容忍少量丢失"的计数、埋点类业务，**不适合核心交易数据**
|
||
|
||
## 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) {
|
||
cacheKey := "product:" + strconv.FormatInt(id, 10)
|
||
|
||
// 先查缓存
|
||
data, _ := rdb.Get(ctx, cacheKey).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:" + cacheKey
|
||
const maxRetries = 3
|
||
for i := 0; i < maxRetries; i++ {
|
||
locked, _ := rdb.SetNX(ctx, lockKey, "1", 10*time.Second).Result()
|
||
if locked {
|
||
defer rdb.Del(ctx, lockKey)
|
||
break
|
||
}
|
||
// 未拿到锁 → 等别人重建完后再查缓存
|
||
time.Sleep(50 * time.Millisecond)
|
||
if v, _ := rdb.Get(ctx, cacheKey).Bytes(); v != nil {
|
||
var p Product
|
||
json.Unmarshal(v, &p)
|
||
return &p, nil
|
||
}
|
||
if i == maxRetries-1 {
|
||
return nil, errors.New("获取锁超时，降级处理")
|
||
}
|
||
}
|
||
|
||
// 双重检查——防止自己等太久，另一个已经重建了
|
||
data, _ = rdb.Get(ctx, cacheKey).Bytes()
|
||
if data != nil {
|
||
var p Product
|
||
json.Unmarshal(data, &p)
|
||
return &p, nil
|
||
}
|
||
|
||
p, _ := db.GetProduct(id)
|
||
rdb.Set(ctx, cacheKey, 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）
|
||
// ⚠️ 需配合 singleflight 或分布式锁，防止并发触发大量重建
|
||
go rebuildCacheAsync(key, item.ExpireAt)
|
||
return item.Content // 返回旧值，后台静默刷新
|
||
```
|
||
|
||
#### 如何发现热点 Key？
|
||
|
||
击穿的前提是"热点"，但如果不知道哪些 Key 是热点，防护就无从谈起：
|
||
|
||
| 方案 | 原理 | 适用场景 |
|
||
|------|------|---------|
|
||
| **Redis `MONITOR` / `redis-cli --hotkeys`** | Redis 4.0+ 的 LFU 采样，直接输出高频 Key | 开发调试、小规模集群 |
|
||
| **客户端代理统计** | 在 SDK 层埋点，按 Key 维度统计 QPS | 生产环境精确统计 |
|
||
| **Redis Cluster `CLUSTER COUNTKEYSINSLOT`** | 统计 slot 级别的 Key 分布 | 定位数据倾斜 |
|
||
| **离线分析慢查询日志** | `SLOWLOG GET` + 日志聚合 | 事后分析 |
|
||
|
||
### 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 | 静态数据不必放 Redis | 配置、字典等低频变化数据用本地缓存即可，节省网络开销 |
|
||
| 8 | 敏感数据不缓存明文 | 密码、手机号等脱敏或加密后再写入缓存 |
|
||
|
||
## 四、进阶：基于 Binlog 的缓存一致性
|
||
|
||
Cache-Aside 的"先删缓存再更新 DB"存在竞态窗口。生产中更可靠的方案是**监听 DB 变更日志（Binlog），异步驱动缓存失效**。
|
||
|
||
```mermaid
|
||
flowchart LR
|
||
App["业务写请求"] --> DB["MySQL"]
|
||
DB -->|"Binlog"| Canal["Canal / Debezium"]
|
||
Canal --> MQ["Kafka / RocketMQ"]
|
||
MQ --> Consumer["缓存失效 Worker"]
|
||
Consumer -->|"DEL key"| Redis["Redis"]
|
||
|
||
style DB fill:#ddf,stroke:#66c
|
||
style Canal fill:#fda,stroke:#da0
|
||
style Redis fill:#fcc,stroke:#c00
|
||
```
|
||
|
||
> [!QUESTION] 这种方案解决了什么问题？
|
||
> - **解除业务代码耦合**：写操作不需要关心缓存失效，由 Binlog 订阅统一处理
|
||
> - **减少竞态窗口**：Binlog 保证有序，可以按变更顺序精确删除缓存
|
||
> - **适合多数据源**：一次 DB 变更可以同时驱动多个缓存实例失效
|
||
|
||
> [!NOTE] 实际落地注意点
|
||
> - **延迟**：Binlog → MQ → Consumer 链路通常有 **100ms~1s** 延迟，仍属于最终一致性
|
||
> - **幂等**：Consumer 必须保证幂等（重复消费同一 Binlog 不产生副作用）
|
||
> - **顺序性**：同一行的多次变更需要保证消费顺序，通常按 `ROW_ID` 分区
|
||
|
||
## 五、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
|
||
```
|
||
|
||
## 六、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，是演进出来的**。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
|