网站用什么格式的图片格式wordpress改页面宽度

缓存更新策略

一、策略对比

	内存淘汰	超时剔除	主动更新
说明	不用自己维护， 利用Redis的内存淘汰机制， 当内存不足时自动淘汰部分数据。下次查询时更新缓存。	给缓存数据添加TTL时间， 到期后自动删除缓存。 下次查询时更新缓存。	编写业务逻辑， 在修改数据库的同时，更新缓存
一致性	差	一般	好
维护成本	无	低	高

业务场景：

• 低一致性需求：使用内存淘汰机制。例如商铺类型的查询缓存
• 高一致性需求：主动更新，并以超时剔除作为兜底方案。例如店铺详情查询的缓存

二、常见的缓存更新策略

1. Cache Aside Pattern（旁路缓存模式）：由缓存的调用者，在更新数据库的同时更新缓存。
   • 原理：
     • 读操作：先查询缓存，若命中则直接返回；未命中则从数据库加载数据并写入缓存。
     • 写操作：先更新数据库，再删除缓存（或更新缓存）。
   • 优点：简单易实现，适用于大多数场景。
   • 缺点：可能存在短暂的数据不一致（如并发写入导致脏数据）。
   • 场景：读多写少、对一致性要求不高的场景。
2. Read / Write Through Pattern（读穿/写穿）：缓存与数据库整合为一个服务，由服务来维护一致性。调用者调用该服务，无需关心缓存一致性问题。
   • 读穿透（Read-Through）：
     • 当缓存未命中时，由缓存服务自动从数据库加载数据并回填缓存 。
   • 写穿透（Write-Through）：
     • 数据更新时，同时写入缓存和数据库，保证两者同步。
   • 优点：对业务透明，数据一致性高。
   • 缺点：写操作延迟较高，依赖缓存服务的可靠性。
   • 场景：强一致性要求的场景。
3. Write Behind Caching Pattern（异步写回）：调用者只操作缓存，由其他线程异步地将缓存数据持久化到数据库，保证最终一致性。
   • 原理：
     • 写操作仅更新缓存，异步批量将数据持久化到数据库。
   • 优点：写性能极高，减少数据库压力。
   • 缺点：存在数据丢失风险（如系统崩溃时为同步完成的数据）。
   • 场景：允许短暂不一致、写密集型场景（如日志系统）。
4. 被动更新（TTL刷新）
   • 原理：
     • 为缓存设置过期时间（Time-To-Live，TTL），到期后自动失效并从数据库重新加载。
   • 优点：实现简单，避免长期脏数据。
   • 缺点：无法主动控制更新实际，可能出现缓存雪崩（大量缓存同时失效）。
   • 场景：数据变动频率较低的场景。
5. 主动更新（事件驱动）
   • 原理：
     • 当数据库数据变更时（如通过消息队列或出发期），主动通知应用层更新或删除对应缓存。
   • 优点：实时性高，减少无效查询。
   • 缺点：依赖外部系统协同，复杂度较高。
   • 场景：分布式系统中强一致性要求的场景（如电商库存更新）。

注意：在使用Cache Aside Pattern方式的工程中，操作缓存和数据库时有三个问题需要考虑：

1. 删除缓存还是更新缓存？
   • 更新缓存：每次更新数据库都更新缓存，无效写操作较多
   • 删除缓存【推荐】：更新数据库时让缓存失效，查询时再更新缓存
2. 如何保证缓存与数据库的操作同时成功或同时失败？
   • 单体系统：将缓存与数据库操作放在一个事务
   • 分布式系统，利用TCC等分布式事务方案
3. 先操作缓存还是先操作数据库
   • 先删除缓存，再操作数据库
   • 先操作数据库，再删除缓存 【推荐】

三、如何选择策略

• 数据一致性要求：强一致性选 Write-Through 或主动更新；弱一致性可选 Cache-Aside 或 TTL。
• 读写比例：读多写少优先 Cache-Aside；写多考虑 Write-Behind。
• 系统复杂度：简单场景用 TTL 或 Cache-Aside；复杂场景用事件驱动。
• 性能需求：高频写入可用 Write-Behind 降低延迟。

四、实际应用示例

• 电商商品详情页：使用 Cache-Aside + TTL，配合消息队列主动更新热点商品。
• 社交点赞数统计：采用 Write-Behind 异步更新数据库，保证快速响应。
• 全局配置信息：Read-Through 确保每次读取都是最新配置。

五、使用 Cache-Aside + TTL 的方式，实现缓存商铺信息详情

1.引入StringRedisTemplate

    @Resourceprivate StringRedisTemplate stringRedisTemplate;

2.将查询商铺信息加入缓存

    @Overridepublic Result queryById(Long id) {// 1.从redis查询商铺缓存String key = CACHE_SHOP_KEY + id;String shopJson = stringRedisTemplate.opsForValue().get(key);// 2.判断是否存在if (StrUtil.isNotBlank(shopJson)) {// 3.存在，直接返回Shop shop = JSONUtil.toBean(shopJson, Shop.class);return Result.ok(shop);}// 4.不存在，根据id查询数据库Shop shop = getById(id);if (shop == null) {// 5.数据库不存在，返回错误return Result.fail("店铺不存在！");}// 6.存在，写入redis，加入过期时间stringRedisTemplate.opsForValue().set(key, JSONUtil.toJsonStr(shop), CACHE_SHOP_TTL, TimeUnit.MINUTES);return Result.ok(shop);}

3.更新商铺信息时移除缓存

    @Overridepublic Result update(Shop shop) {if (shop.getId() == null) {return Result.fail("店铺id不能为空！");}// 1.更新数据库updateById(shop);// 2.删除缓存stringRedisTemplate.delete(CACHE_SHOP_KEY + shop.getId());return Result.ok();}

总结

使用 Cache-Aside + TTL 缓存更新策略的最佳实践方案：

1. 低一致性需求：使用Redis自带的内存淘汰机制
2. 高一致性需求：主动更新，并以超时剔除作为兜底方案
   • 读操作：
     • 缓存命中则直接返回
     • 缓存未命中则查询数据库，并写入缓存，设定超时时间
   • 写操作：
     • 先写数据库，然后再删除缓存
     • 要确保数据库与缓存操作的原子性

六、注意事项

• 缓存穿透：恶意请求不存在的 key，可通过布隆过滤器防御。
• 缓存雪崩：大量 Key 同时失效，需设置随机 TTL 或禁用失效时间。
• 缓存击穿：热点 Key 失效瞬间高并发，可用互斥锁（Mutex Luck）保护。

---

缓存更新策略的选择需结合业务场景、数据特点和技术架构综合权衡，没有绝对的最优解，只有最适合的方案。