一、二级缓存（Redis+Caffeine）架构设计

1. 设计目标

通过「本地缓存（Caffeine）+ 分布式缓存（Redis）」的分层结构，实现：

• 低延迟：热点数据本地缓存（内存级访问），减少网络IO；
• 高可用：分布式缓存避免单点故障；
• 成本优化：本地缓存存储高频小数据，Redis存储全量数据，降低内存成本。

2. 核心组件

组件	作用	关键配置示例
Caffeine	本地缓存（JVM内存），存储高频热点数据	maximumSize=10000, expireAfterWrite=5m（大小+过期策略）
Redis	分布式缓存（远程内存），存储全量数据，提供持久化	启用RDB/AOF，设置合理maxmemory-policy（如LRU）
缓存加载策略	缓存未命中时的加载逻辑（如同步加载、异步加载）	同步加载：直接查DB；异步加载：先返回旧值+后台更新
一致性机制	解决双写/失效不一致问题	发布订阅（更新时通知其他节点清理本地缓存）、TTL（兜底）

3. 核心流程（读请求）

4. 注意事项

• 缓存穿透：对空值（如DB不存在的key）也缓存（设置短TTL）；
• 缓存击穿：热点key过期时，使用互斥锁（如Redis的setnx）避免大量请求打穿DB；
• 内存控制：Caffeine通过maximumSize或maximumWeight限制内存，避免OOM；
• 一致性：写操作时先更新DB，再删除/更新缓存（推荐「先删缓存，再更新DB」+ 延迟双删）。

方案痛点

一、核心不一致场景分析

可能导致不一致的典型场景：

1. 写操作顺序问题：更新数据库后未及时更新/删除缓存，导致后续读请求读取到旧缓存值；
2. 并发写冲突：多个线程同时更新数据库和缓存，导致缓存与数据库最终状态不一致；
3. 本地缓存隔离：分布式系统中，不同节点的本地缓存（Caffeine）可能因未同步而持有旧数据。

---

二、缓存失效策略设计

1. 主动失效（优先策略）

通过显式删除/更新缓存确保一致性，适用于对一致性要求高的场景（如订单状态变更）。

流程设计（写操作）：

graph TD
    A[更新数据库] --> B{删除Redis缓存}
    B --> C[发布「缓存失效」事件（Redis Pub/Sub）]
    C --> D[各节点订阅事件后删除本地Caffeine缓存]

关键实现细节：

• 先更新数据库，再删除缓存（而非先删缓存）：避免因数据库更新失败导致缓存被删后无数据可用；
• Redis Pub/Sub通知：写操作完成后，通过Redis发布事件（如频道cache_invalidate），内容为失效的key列表；
• 本地缓存监听：每个服务节点订阅该频道，收到事件后立即调用Caffeine.invalidate(key)删除本地缓存。

2. 被动过期（兜底策略）

通过设置**TTL（生存时间）**作为最终一致性的保障，适用于对一致性要求稍低但性能敏感的场景（如商品详情）。

配置示例：

• Caffeine：设置expireAfterWrite=5m（写入5分钟后过期），避免长期持有旧数据；
• Redis：设置TTL=10m（比Caffeine长，确保Redis过期前本地缓存已先过期），防止本地缓存失效后Redis仍存旧值。

3. 防并发不一致：延迟双删

针对高并发场景下“删除缓存→更新数据库→新请求读缓存”的时间窗口问题，采用延迟双删策略：
作用：
前置删除：减少用户读到脏数据的时间窗，比如只有后置删除的情况下，数据更新了，缓存还没更新，先删一次减少脏数据时间窗。
后置删除：这个删除才是缓存-数据库最终一致的关键，这里是保证数据库完成操作后，发出补偿操作删除缓存来达成最终一致性。
其实如果只保证最终一致性的话，只需要后删，可以看业务体验是否能接受加入前置删除。

// 伪代码示例（Java）
public void updateData(String key, Object newData) {
    // 1. 先删除本地缓存和Redis缓存
    caffeineCache.invalidate(key);
    redisTemplate.delete(key);

    // 2. 更新数据库
    database.update(newData);

    // 3. 延迟（如1秒）后再次删除缓存（避免步骤2执行期间有新请求将旧数据加载到缓存）
    new Thread(() -> {
        try {
            Thread.sleep(1000);
            caffeineCache.invalidate(key);
            redisTemplate.delete(key);
        } catch (InterruptedException e) {
            Thread.currentThread().interrupt();
        }
    }).start();
}

---

三、一致性增强补充

• 缓存加载互斥：读缓存未命中时，使用Redis分布式锁（如Redisson的RLock）限制只有一个线程加载数据库数据，避免大量请求同时打穿数据库；
• 空值缓存：对数据库不存在的key（缓存穿透场景），在Caffeine和Redis中缓存null（设置短TTL，如30秒），避免重复查询数据库；
• 监控报警：通过Prometheus+Grafana监控缓存命中率、过期次数、Pub/Sub消息延迟，及时发现一致性异常。

---

四、代码示例（Spring Boot整合）

1. Caffeine配置（主动失效）

import com.github.benmanes.caffeine.cache.Cache;
import com.github.benmanes.caffeine.cache.Caffeine;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import java.util.concurrent.TimeUnit;

@Configuration
public class CaffeineConfig {
    @Bean
    public Cache<String, Object> caffeineCache() {
        return Caffeine.newBuilder()
                .maximumSize(10000) // 最大容量
                .expireAfterWrite(5, TimeUnit.MINUTES) // 写后5分钟过期（被动兜底）
                .build();
    }
}

2. Redis Pub/Sub监听（主动通知）

import org.springframework.data.redis.connection.Message;
import org.springframework.data.redis.connection.MessageListener;
import org.springframework.data.redis.core.RedisTemplate;
import org.springframework.stereotype.Component;
import javax.annotation.Resource;

@Component
public class RedisCacheListener implements MessageListener {
    @Resource
    private Cache<String, Object> caffeineCache;

    @Override
    public void onMessage(Message message, byte[] pattern) {
        String invalidKey = new String(message.getBody());
        // 收到事件后删除本地缓存
        caffeineCache.invalidate(invalidKey); 
    }
}

3. 写操作服务类（延迟双删）

import org.springframework.data.redis.core.RedisTemplate;
import org.springframework.stereotype.Service;
import javax.annotation.Resource;
import java.util.concurrent.TimeUnit;

@Service
public class DataService {
    @Resource
    private RedisTemplate<String, Object> redisTemplate;
    @Resource
    private Cache<String, Object> caffeineCache;

    public void updateData(String key, Object newData) {
        // 1. 首次删除缓存
        caffeineCache.invalidate(key);
        redisTemplate.delete(key);

        // 2. 更新数据库（伪代码）
        database.update(newData);

        // 3. 延迟1秒后二次删除
        new Thread(() -> {
            try {
                TimeUnit.SECONDS.sleep(1);
                caffeineCache.invalidate(key);
                redisTemplate.delete(key);
            } catch (InterruptedException e) {
                Thread.currentThread().interrupt();
            }
        }).start();
    }
}

---

二、Redis 6.0多线程模型解析

1. 背景：单线程的瓶颈

Redis 5.0及之前采用「单线程+IO多路复用」模型，优势是避免多线程竞争（如锁开销），但瓶颈在于：

• 网络IO处理能力受限于单线程（尤其是高并发场景，如10万+ QPS）；
• 大键值对的序列化/反序列化可能阻塞主线程。

2. 多线程的核心设计

Redis 6.0引入多线程处理网络IO，但命令执行仍保持单线程（保证原子性）。具体流程：

graph TD
    A[主线程] --> B[监听端口，接收新连接]
    B --> C[将连接分配给IO线程池（默认4个线程）]
    C --> D[IO线程读取请求数据（read）并解析]
    D --> E[将解析后的命令放回主线程任务队列]
    E --> F[主线程单线程执行命令（核心逻辑）]
    F --> G[IO线程将响应写回客户端（write）]

3. 关键特性

• IO线程仅处理网络IO：不参与命令执行，避免多线程竞争；
• 可配置线程数：通过io-threads（默认4）和io-threads-do-reads（是否启用读IO多线程）控制；
• 向后兼容：单线程模式仍可用（关闭io-threads-do-reads）。

4. 优势与限制

• 优势：提升网络IO吞吐量（实测QPS可提升50%+）；
• 限制：命令执行仍是单线程，无法利用多核CPU处理计算密集型操作（如大量KEYS命令）。