Redis缓存策略设计与雪崩击穿穿透防御：热点Key检测与过期方案实战

缓存架构模式与适用场景

Redis缓存按数据流向分为三种基础模式：Cache-Aside（旁路缓存）、Read-Through/Write-Through（穿透读写）和Write-Behind（异步写回）。Cache-Aside是应用层显式管理缓存的模式：读请求先查Redis，命中返回；未命中查数据库并回写缓存。Write-Through写入时同时更新缓存与数据库。Write-Behind写入时只更新缓存，异步批量刷回数据库。

Cache-Aside最灵活、使用最广泛，但需应用层处理缓存失效逻辑。Read-Through封装了缓存加载逻辑，应用层代码更简洁。Write-Behind适合写密集且允许短暂数据不一致的场景（如计数器、排行榜），需配合持久化保障数据安全。

缓存雪崩防御：过期时间随机化与多级缓存

缓存雪崩指大批Key同时过期，请求瞬间全部穿透到数据库，可能导致数据库连接池耗尽甚至宕机。雪崩的典型触发条件：批量导入数据时所有Key设置相同TTL，TTL到期时刻集中失效。

防御方案一：TTL加随机偏移量，将过期时间分散到时间窗口内：

import random
import redis

def set_with_jitter(key, value, base_ttl=3600):
jitter = random.randint(0, int(base_ttl * 0.2))
ttl = base_ttl + jitter
r.setex(key, ttl, value)

基础TTL 3600秒时，实际过期时间在3600-4320秒之间均匀分布，避免同时失效。

防御方案二：多级缓存架构。本地缓存（Caffeine/Guava Cache）作为L1，Redis作为L2，数据库作为L3。Redis批量失效时本地缓存仍能挡住部分流量，给数据库恢复留缓冲窗口。

from cachetools import TTLCache

def get_data(key):
if key in local_cache:
return local_cache[key]
value = r.get(key)
if value is not None:
local_cache[key] = value
return value
value = db.query(key)
if value is not None:
r.setex(key, 3600, value)
local_cache[key] = value
return value

缓存击穿防御：互斥锁与逻辑过期

缓存击穿指热点Key过期瞬间，大量并发请求同时穿透到数据库。与雪崩不同，击穿是单个热点Key失效引发的高并发穿透。

防御方案一：分布式互斥锁。只允许一个请求查数据库并回写缓存，其余请求等待或返回旧值：

def get_with_mutex(key, lock_timeout=5):
value = r.get(key)
if value is not None:
return value

lock_key = f"lock:{key}"
acquired = r.set(lock_key, "1", nx=True, ex=lock_timeout)
if acquired:
try:
value = db.query(key)
r.setex(key, 3600, value)
return value
finally:
r.delete(lock_key)
else:
time.sleep(0.1)
return r.get(key)

互斥锁方案保证了数据库只承受单次穿透，但高并发下等待线程会堆积。lock_timeout必须设置，防止持锁进程崩溃后锁无法释放导致死锁。

防御方案二：逻辑过期。缓存不设置物理TTL，在值中嵌入逻辑过期时间。读取时检查逻辑过期：未过期直接返回；已过期则异步更新缓存，当前请求返回旧值：

import json, threading

def get_logical_expire(key):
raw = r.get(key)
if raw is None:
return None
data = json.loads(raw)
if time.time() < data["expire_at"]:
return data["value"]
threading.Thread(target=async_rebuild_cache, args=(key,)).start()
return data["value"]

逻辑过期保证请求永远不会阻塞，但会短暂返回过期数据，适合对一致性要求不极端的场景（商品详情、用户资料）。

缓存穿透防御：布隆过滤器与空值缓存

穿透指查询数据库中不存在的数据，缓存永远无法命中，每次请求直达数据库。恶意攻击或爬虫遍历ID是常见触发。

防御方案一：布隆过滤器前置过滤。将所有合法Key映射到RedisBitmap布隆过滤器中，查询前先检查：

def init_bloom_filter():
for item in db.get_all_ids():
r.bf.add("valid_ids", str(item))

def get_with_bloom(key):
if not r.bf.exists("valid_ids", key):
return None
return get_data(key)

布隆过滤器存在误判率（false positive），但不存在的数据一定不会误判通过。误判率由bitmap大小与哈希函数数量决定，100万数据、0.01%误判率约需2MB内存。

防御方案二：空值缓存。查询数据库返回空结果时，缓存一个特殊标记值，设置较短TTL：

NULL_MARKER = "__NULL__"

value = db.query(key)
if value is not None:
r.setex(key, 3600, value)
else:
r.setex(key, 120, NULL_MARKER)
return value

空值TTL设置较短（60-120秒），防止恶意遍历不同ID时缓存被大量空值占满内存。

热点Key检测与本地缓存降级

热点Key（访问量远超平均的Key）可能导致单个Redis节点过载。检测方案：Redis的OBJECT FREQ命令（需开启maxmemory-policy为LFU系列）可查询Key访问频率；Redis 7.0+的HOTKEYS命令可直接发现热点；自研方案通过Pipeline批量STATS聚合统计。

发现热点Key后的处理策略：对只读热点Key做本地缓存副本（Caffeine/Guava Cache），将读请求拦截在应用层不经过Redis；对写热点Key做分片，将单Key拆分为多个子Key（user:123 -> user:123:shard0/1/2），写入时随机选分片，读取时聚合所有分片。

极端场景下的应急措施：当Redis不可用或热点Key导致Redis节点CPU满载时，应用层熔断降级到本地缓存兜底，保证核心服务可用而非全部报错。