缓存技术解读

1. 多级缓存架构设计

淘票票项目采用完善的缓存架构，提升系统性能和可靠性。

1.1 三级缓存架构

1. 本地缓存（Caffeine）：访问速度最快，存储热点数据
2. 分布式缓存（Redis）：支持集群部署，数据共享
3. 持久化存储（MySQL）：数据的最终来源

1.2 Redis缓存架构

• 缓存集群：采用Redis Cluster或主从架构
• 数据分片：按业务类型或哈希算法进行数据分片
• 读写分离：主节点负责写，从节点负责读，提高性能

// 本地缓存示例
public class LocalCacheProgramShowTime {
    private final Cache<String, ProgramShowTime> localCache = Caffeine.newBuilder()
            .maximumSize(1000)
            .expireAfterWrite(10, TimeUnit.MINUTES)
            .build();
}

2. 缓存一致性保障机制

2.1 Cache-Aside模式

这是淘票票项目中最常用的缓存模式：

1. 读数据时，先读缓存，缓存不存在则读数据库并写入缓存
2. 写数据时，先更新数据库，再删除缓存

public ProgramShowTime selectProgramShowTimeByProgramIdMultipleCache(Long programId){
    return localCacheProgramShowTime.getCache(
        RedisKeyBuild.createRedisKey(RedisKeyManage.PROGRAM_SHOW_TIME, programId).getRelKey(),
        key -> selectProgramShowTimeByProgramId(programId));
}

2.2 延迟双删策略

高并发下缓存不一致的根源：

1. 线程 A 先删缓存 → 线程 B 读缓存 miss → 线程 B 把旧值写入缓存 → 线程 A 才完成 DB 更新，导致缓存里一直是脏数据。
2. 主从延迟：写请求落到主节点，读请求瞬间打到从节点，同步尚未完成，旧值被回填缓存。

延迟双删通过"两次删除"+"延迟窗口"来对冲上述风险：

1. 第一次删除：屏蔽更新 DB 之前的并发读脏写。
2. 更新数据库。
3. 延迟 N 秒（N ≥ 主从同步耗时 + 业务最大耗时）后再次删除：尝试清除窗口期内可能被写入的旧值，提高缓存一致性概率，但不能保证100%为空。实际效果是提高了系统最终一致性的概率。

代价是短暂命中率下降，但换来最终一致性，是高并发场景下的权衡方案。

// 延迟操作节目数据的消费者
@Component
public class DelayOperateProgramDataConsumer implements ConsumerTask {
    @Autowired
    private ProgramService programService;
  
    @Override
    public void execute(String content) {
        // 延迟处理缓存更新
        programService.operateProgramData(programOperateDataDto);
    }
}

3. 缓存策略与优化

3.1 缓存穿透防护

通过布隆过滤器防止缓存穿透：

bloom-filter:
  name: program-detail-bloom-filter
  expectedInsertions: 1000
  falseProbability: 0.01

3.2 缓存击穿防护

热点数据设置合理的过期时间，使用分布式锁防止缓存重建并发。

3.3 缓存雪崩防护

通过设置不同的过期时间防止缓存雪崩：

// 随机过期时间避免集体失效
long expireTime = 30 + new Random().nextInt(30); // 30-60分钟

3.4 缓存预热

系统启动时加载热点数据到缓存，避免冷启动问题。

4. 缓存使用场景

• 用户会话缓存：存储用户登录信息、权限等
• 热点数据缓存：电影信息、影院信息、场次信息等
• 计数器缓存：点赞数、浏览量等实时统计数据
• 分布式锁：基于Redis实现的分布式锁，保证并发安全
• 业务状态缓存：订单状态、支付状态等频繁访问的数据

5. 性能优化技巧

5.1 缓存读写优化

• 批量操作：使用Redis的MSET/MGET等批量命令减少网络开销
• Pipeline：使用Pipeline技术批量执行Redis命令
• Lua脚本：复杂操作使用Lua脚本保证原子性并减少网络往返

5.2 内存优化

• 合理设置TTL：为缓存数据设置合适的过期时间
• 压缩数据：对较大的数据进行压缩后再存储
• 使用Hash结构：合理使用Hash结构减少内存占用

5.3 监控与运维

• 缓存命中率监控：定期监控缓存命中率，优化缓存策略
• 内存使用率监控：监控Redis内存使用情况，避免内存溢出
• 慢查询监控：及时发现并优化慢查询操作