数据库怎么使用缓存？Redis如何实现缓存与数据库一致性？

数据库使用缓存是提升系统性能、降低数据库压力的常用手段，通过将高频访问的数据存储在高速缓存层（如Redis、Memcached等），减少数据库的直接I/O操作和查询开销，以下是缓存使用的详细方法、策略及注意事项，帮助合理设计缓存机制。

缓存的基本使用场景

缓存的核心目标是“空间换时间”，适用于以下场景：

1. 高频访问数据：如用户登录信息、热门商品详情、系统配置等，这类数据查询频繁但变更较少。
2. 计算复杂查询：涉及多表关联、聚合函数的SQL，结果缓存后可避免重复计算。
3. 读多写少数据：如文章内容、评论列表，写入频率低但读取量大。

电商系统中,“商品详情页”的访问量可能是写入量的百倍以上，缓存商品信息可大幅降低数据库负载。

缓存与数据库的交互策略

缓存与数据库的配合需解决“数据一致性”和“缓存更新”问题，常见策略如下：

Cache-Aside（旁路缓存）

最常用的策略,应用代码同时操作缓存和数据库，逻辑如下：

• 读操作：先查缓存，若命中则返回；若未命中，查询数据库并写入缓存，最后返回结果。
• 写操作：先更新数据库，再删除缓存（或更新缓存，删除更简单且能避免脏数据）。

优点：实现简单，业务逻辑与缓存解耦；缺点：存在短暂不一致（如写后未及时更新缓存）。

Read-Through（穿透读）

缓存与数据库通过缓存代理（如Redis的客户端）交互，读操作未命中时由缓存主动从数据库加载并返回。

• 适用场景：对缓存一致性要求较高，且希望业务代码无感知缓存。

Write-Through（穿透写）

写操作时,先更新缓存，再由缓存同步更新数据库。

• 优点：缓存与数据库实时一致；缺点：写操作延迟增加（需等待数据库更新完成）。

Write-Back（回写）

写操作只更新缓存,不立即操作数据库，由异步线程定期将缓存数据刷入数据库。

• 优点：写性能极高，适合写多读少的场景；缺点：数据丢失风险（如缓存宕机未同步到数据库）。

缓存设计的核心原则

缓存Key的设计

• 唯一性：确保Key能唯一标识数据，如user:1001:profile表示用户ID为1001的个人信息。
• 可读性：使用有意义的命名，避免无意义的字符串（如a:b:c）。
• 长度控制：Key过长占用内存，一般建议不超过256字节。

缓存失效策略

为避免缓存“永不过期”导致数据不一致，需设置合理的过期时间，并配合以下策略：

• 定时失效：为缓存设置TTL（Time To Live），如商品详情缓存30分钟自动过期。
• 主动更新：数据变更时主动删除/更新缓存（Cache-Aside策略）。
• 惰性失效：读操作时检查缓存数据是否过期，若过期则重新加载。

缓存穿透与击穿防护

• 缓存穿透：查询不存在的数据（如ID为-1的用户），导致请求直接打到数据库。
  解决方案：缓存空值（如null）并设置短过期时间；或使用布隆过滤器（Bloom Filter）拦截非法请求。
• 缓存击穿：热点key突然失效（如大促活动结束），大量请求同时访问数据库。
  解决方案：互斥锁（如Redis的SETNX），只允许一个请求查询数据库并重建缓存；或永不过期（逻辑过期，后台异步更新）。

缓存雪崩防护

• 场景：大量缓存同时失效或缓存服务宕机，导致数据库压力骤增。
• 解决方案：
  • 缓存过期时间加随机值（如30分钟±5分钟），避免同时失效；
  • 缓存集群部署,避免单点故障；
  • 降级策略（如返回默认数据或熔断数据库访问）。

缓存选型与性能优化

缓存工具对比

工具	优点	缺点	适用场景
Redis	高性能（单机10万+QPS）、支持多种数据结构	内存成本高、需持久化配置	通用缓存、分布式锁、消息队列
Memcached	纯内存缓存、简单易用	仅支持Key-Value、功能单一	简单KV缓存、多语言客户端
Caffeine	JVM本地缓存、高性能异步加载	进程内缓存，无法共享	单机应用本地缓存

性能优化技巧

• 内存管理：合理设置maxmemory和淘汰策略（如allkeys-lru），避免内存溢出。
• Pipeline与批量操作：减少网络IO次数，如批量查询MGET、批量写入MSET。
• 压缩存储：对大文本数据（如JSON）使用压缩算法（如Gzip），节省内存。

相关问答FAQs

Q1：缓存和数据库如何保证强一致性？
A：严格意义上的强一致性在分布式系统中较难实现，但可通过以下方式尽量接近：

• 采用“先更新数据库，再删除缓存”的Cache-Aside策略，减少脏数据；
• 使用分布式事务（如Seata）或消息队列（如RocketMQ）确保缓存与数据库操作原子性；
• 对一致性要求极高的场景（如金融交易），可放弃缓存，直接查询数据库。

Q2：缓存数据量过大导致内存不足怎么办？
A：可通过以下方式解决：

• 分片存储：按业务维度拆分缓存（如用户缓存、商品缓存），或按Key哈希分片；
• 本地缓存+分布式缓存：高频数据存本地缓存（如Caffeine），低频数据存Redis；
• 数据压缩：对大对象（如图片、长文本）压缩后再存储，减少内存占用；
• 监控与扩容：实时监控内存使用，接近阈值时及时扩容或清理过期数据。