血泪教训复盘：10条不可违背的缓存军规
苏三约 6 分钟前言
"苏工！首页崩了！"
几年前的一天晚上，我接到电话时，我正梦见自己成了缓存之神。
打开监控一看：
缓存命中率：0%数据库QPS：10万+线程阻塞数：2000+
根本原因竟是之前有同事写的这段代码：
public Product getProduct(Long id) {return productDao.findById(id);}
直连数据库，未加缓存。
这一刻我意识到：不会用缓存的程序员，就像不会刹车的赛车手。
今天这篇文章跟大家一起聊聊使用缓存的10条军规，希望对你会有所帮助。
军规1：避免大key
反例场景：
@Cacheable(value = "user", key = "#id")public User getUser(Long id) {return userDao.findWithAllRelations(id);}
这里一次查询出了用户及其所有关联对象，然后添加到内存缓存中。
如果通过id查询用户信息的请求量非常大，会导致频繁的GC。
正确实践：
@Cacheable(value = "user_base", key = "#id")public UserBase getBaseInfo(Long id) { /*...*/ }@Cacheable(value = "user_detail", key = "#id")public UserDetail getDetailInfo(Long id) { /*...*/ }
这种情况，需要拆分缓存对象，比如：将用户基本信息和用户详细信息分开缓存。
缓存不是存储数据的垃圾桶，需要根据数据访问频率、读写比例、数据一致性要求进行分级管理。
大对象缓存会导致内存碎片化，甚至触发Full GC。
建议将基础信息（如用户ID、名称）与扩展信息（如订单记录）分离存储。
军规2：永远设置过期时间
血泪案例：
某系统将配置信息缓存设置为永不过期，导致修改配置后三天才生效。
正确配置：
@Cacheable(value = "config", key = "#key",unless = "#result == null",cacheManager = "redisCacheManager")public String getConfig(String key) {return configDao.get(key);}
Redis配置如下：
spring.cache.redis.time-to-live=300000 // 5分钟spring.cache.redis.cache-null-values=false
需要指定key的存活时间，比如：time-to-live设置成5分钟。
TTL设置公式：
最优TTL = 平均数据变更周期 × 0.3深层思考：
过期时间过短会导致缓存穿透风险，过长会导致数据不一致。
建议采用动态TTL策略。
例如电商商品详情页可设置30分钟基础TTL+随机5分钟抖动。
军规3：避免批量失效
典型事故：
所有缓存设置相同TTL，导致每天凌晨集中失效，数据库瞬时被打爆。
解决方案：
使用基础TTL + 随机抖动的方案：
publiclongrandomTtl(long baseTtl) {return baseTtl + new Random().nextInt(300);}
TTL增加0-5分钟随机值。
使用示例
redisTemplate.opsForValue().set(key, value, randomTtl(1800), TimeUnit.SECONDS);失效时间分布：
军规4：需要增加熔断降级
我们在使用缓存的时候，需要增加熔断降级策略，防止万一缓存挂了，不能影响整个服务的可用性。
Hystrix实现示例：
@HystrixCommand(fallbackMethod = "getProductFallback",commandProperties = {@HystrixProperty(name = "circuitBreaker.requestVolumeThreshold", value = "20"),@HystrixProperty(name = "circuitBreaker.sleepWindowInMilliseconds", value = "5000")})public Product getProduct(Long id) {return productDao.findById(id);}public Product getProductFallback(Long id) {return new Product().setDefault(); // 返回兜底数据}
熔断状态机：
军规5：空值缓存
在用户请求并发量大的业务场景种，我们需要把空值缓存起来。
防止大批量在系统中不存在的用户id，没有命中缓存，而直接查询数据库的情况。
典型代码：
public Product getProduct(Long id) {String key = "product:" + id;Product product = redis.get(key);if (product != null) {if (product.isEmpty()) { // 空对象标识returnnull;}return product;}product = productDao.findById(id);if (product == null) {redis.setex(key, 300, "empty"); // 缓存空值5分钟returnnull;}redis.setex(key, 3600, product);return product;}
空值缓存原理：
需要将数据库中返回的空值，缓存起来。
后面如果有相同的key查询数据，则直接从缓存中返回空值。
而无需再查询一次数据库。
军规6：分布式锁用Redisson
用Redis做分布式锁的时候，可能会遇到很多问题。
建议大家使用Redisson做分布式锁。
Redisson分布式锁实现：
public Product getProduct(Long id) {String key = "product:" + id;Product product = redis.get(key);if (product == null) {RLock lock = redisson.getLock("lock:" + key);try {if (lock.tryLock(3, 30, TimeUnit.SECONDS)) {product = productDao.findById(id);redis.setex(key, 3600, product);}} finally {lock.unlock();}}return product;}
锁竞争流程图：
军规7：延迟双删策略
在保证数据库和缓存双写数据一致性的业务场景种，可以使用延迟双删的策略。
例如：
@Transactionalpublic void updateProduct(Product product) {// 1. 先删缓存redis.delete("product:" + product.getId());// 2. 更新数据库productDao.update(product);// 3. 延时再删executor.schedule(() -> {redis.delete("product:" + product.getId());}, 500, TimeUnit.MILLISECONDS);}
军规8：最终一致性方案
延迟双删可能还有其他的问题。
我们可以使用最终一致性方案。
基于Binlog的方案：
DB更新数据之后，Canal会自动监听数据的变化，它会解析数据事件，然后发送一条MQ消息。
在MQ消费者中，删除缓存。
军规9：热点数据预加载
对于一些经常使用的热点数据，我们可以提前做数据的预加载。
实时监控方案：
// 使用Redis HyperLogLog统计访问频率public void recordAccess(Long productId) {String key = "access:product:" + productId;redis.pfadd(key, UUID.randomUUID().toString());redis.expire(key, 60); // 统计最近60秒}// 定时任务检测热点@Scheduled(fixedRate = 10000)public void detectHotKeys() {Set<String> keys = redis.keys("access:product:*");keys.forEach(key -> {long count = redis.pfcount(key);if (count > 1000) { // 阈值Long productId = extractId(key);preloadProduct(productId);}});}
定时任务检测热点，并且更新到缓存中。
军规10：根据场景选择数据结构
血泪案例：
某社交平台使用String类型存储用户信息。
错误用String存储对象：
redis.set("user:123", JSON.toJSONString(user)); 每次更新单个字段都需要反序列化整个对象。
导致问题：
序列化/反序列化开销大
更新单个字段需读写整个对象
内存占用高 正确实践：
// 使用Hash存储redis.opsForHash().putAll("user:123", userToMap(user));// 局部更新redis.opsForHash().put("user:123", "age", "25");
数据结构选择矩阵：
各数据结构最佳实践：
计数器
redis.opsForValue().increment("article:123:views"); 分布式锁
redis.opsForValue().set("lock:order:456", "1", "NX", "EX", 30); 存储商品信息
Map<String, String> productMap = new HashMap<>();productMap.put("name", "iPhone15");productMap.put("price", "7999");redis.opsForHash().putAll("product:789", productMap);
部分更新
redis.opsForHash().put("product:789", "stock", "100"); 消息队列
redis.opsForList().leftPush("queue:payment", orderJson); 最新N条记录
redis.opsForList().trim("user:123:logs", 0, 99); 标签系统
redis.opsForSet().add("article:123:tags", "科技", "数码"); 共同好友
redis.opsForSet().intersect("user:123:friends", "user:456:friends"); 排行榜
redis.opsForZSet().add("leaderboard", "player1", 2500);redis.opsForZSet().reverseRange("leaderboard", 0, 9);
延迟队列
redis.opsForZSet().add("delay:queue", "task1", System.currentTimeMillis() + 5000); 总结
缓存治理黄金法则
最后忠告：缓存是把双刃剑，用得好是性能利器，用不好就是定时炸弹。
当你准备引入缓存时，先问自己三个问题：
真的需要缓存吗？
缓存方案是否完整？
有没有兜底措施？