Redis中6种缓存更新策略

Redis作为一款高性能的内存数据库，已经成为缓存层的首选解决方案。然而，使用缓存时最大的挑战在于保证缓存数据与底层数据源的一致性。缓存更新策略直接影响系统的性能、可靠性和数据一致性，选择合适的策略至关重要。

本文将介绍Redis中6种缓存更新策略。

策略一：Cache-Aside（旁路缓存）策略

工作原理

Cache-Aside是最常用的缓存模式，由应用层负责缓存和数据库的交互逻辑：

1. 读取数据：先查询缓存，命中则直接返回；未命中则查询数据库，将结果写入缓存并返回
2. 更新数据：先更新数据库，再删除缓存（或更新缓存）

代码示例

@Service
public class UserServiceCacheAside {@Autowiredprivate RedisTemplate<String, User> redisTemplate;@Autowiredprivate UserRepository userRepository;private static final String CACHE_KEY_PREFIX = "user:";private static final long CACHE_EXPIRATION = 30; // 缓存过期时间（分钟）public User getUserById(Long userId) {String cacheKey = CACHE_KEY_PREFIX + userId;// 1. 查询缓存User user = redisTemplate.opsForValue().get(cacheKey);// 2. 缓存命中，直接返回if (user != null) {return user;}// 3. 缓存未命中，查询数据库user = userRepository.findById(userId).orElse(null);// 4. 将数据库结果写入缓存（设置过期时间）if (user != null) {redisTemplate.opsForValue().set(cacheKey, user, CACHE_EXPIRATION, TimeUnit.MINUTES);}return user;}public void updateUser(User user) {// 1. 先更新数据库userRepository.save(user);// 2. 再删除缓存String cacheKey = CACHE_KEY_PREFIX + user.getId();redisTemplate.delete(cacheKey);// 或者选择更新缓存// redisTemplate.opsForValue().set(cacheKey, user, CACHE_EXPIRATION, TimeUnit.MINUTES);}
}

优缺点分析

优点

• 实现简单，控制灵活
• 适合读多写少的业务场景
• 只缓存必要的数据，节省内存空间

缺点

• 首次访问会有一定延迟（缓存未命中）
• 存在并发问题：如果先删除缓存后更新数据库，可能导致数据不一致
• 需要应用代码维护缓存一致性，增加了开发复杂度

适用场景

• 读多写少的业务场景
• 对数据一致性要求不是特别高的应用
• 分布式系统中需要灵活控制缓存策略的场景

策略二：Read-Through（读穿透）策略

工作原理

Read-Through策略将缓存作为主要数据源的代理，由缓存层负责数据加载：

1. 应用程序只与缓存层交互
2. 当缓存未命中时，由缓存管理器负责从数据库加载数据并存入缓存
3. 应用程序无需关心缓存是否存在，缓存层自动处理加载逻辑

代码示例

首先定义缓存加载器接口：

public interface CacheLoader<K, V> {V load(K key);
}

实现Read-Through缓存管理器：

@Component
public class ReadThroughCacheManager<K, V> {@Autowiredprivate RedisTemplate<String, V> redisTemplate;private final ConcurrentHashMap<String, CacheLoader<K, V>> loaders = new ConcurrentHashMap<>();public void registerLoader(String cachePrefix, CacheLoader<K, V> loader) {loaders.put(cachePrefix, loader);}public V get(String cachePrefix, K key, long expiration, TimeUnit timeUnit) {String cacheKey = cachePrefix + key;// 1. 查询缓存V value = redisTemplate.opsForValue().get(cacheKey);// 2. 缓存命中，直接返回if (value != null) {return value;}// 3. 缓存未命中，通过加载器获取数据CacheLoader<K, V> loader = loaders.get(cachePrefix);if (loader == null) {throw new IllegalStateException("No cache loader registered for prefix: " + cachePrefix);}// 使用加载器从数据源加载数据value = loader.load(key);// 4. 将加载的数据存入缓存if (value != null) {redisTemplate.opsForValue().set(cacheKey, value, expiration, timeUnit);}return value;}
}

使用示例：

@Service
public class UserServiceReadThrough {private static final String CACHE_PREFIX = "user:";private static final long CACHE_EXPIRATION = 30;@Autowiredprivate ReadThroughCacheManager<Long, User> cacheManager;@Autowiredprivate UserRepository userRepository;@PostConstructpublic void init() {// 注册用户数据加载器cacheManager.registerLoader(CACHE_PREFIX, this::loadUserFromDb);}private User loadUserFromDb(Long userId) {return userRepository.findById(userId).orElse(null);}public User getUserById(Long userId) {// 直接通过缓存管理器获取数据，缓存逻辑由管理器处理return cacheManager.get(CACHE_PREFIX, userId, CACHE_EXPIRATION, TimeUnit.MINUTES);}
}

优缺点分析

优点

• 封装性好，应用代码无需关心缓存逻辑
• 集中处理缓存加载，减少冗余代码
• 适合只读或读多写少的数据

缺点

• 缓存未命中时引发数据库请求，可能导致数据库负载增加
• 无法直接处理写操作，需要与其他策略结合使用
• 需要额外维护一个缓存管理层

适用场景

• 读操作频繁的业务系统
• 需要集中管理缓存加载逻辑的应用
• 复杂的缓存预热和加载场景

策略三：Write-Through（写穿透）策略

工作原理

Write-Through策略由缓存层同步更新底层数据源：

1. 应用程序更新数据时先写入缓存
2. 然后由缓存层负责同步写入数据库
3. 只有当数据成功写入数据库后才视为更新成功

代码示例

首先定义写入接口：

public interface CacheWriter<K, V> {void write(K key, V value);
}

实现Write-Through缓存管理器：

@Component
public class WriteThroughCacheManager<K, V> {@Autowiredprivate RedisTemplate<String, V> redisTemplate;private final ConcurrentHashMap<String, CacheWriter<K, V>> writers = new ConcurrentHashMap<>();public void registerWriter(String cachePrefix, CacheWriter<K, V> writer) {writers.put(cachePrefix, writer);}public void put(String cachePrefix, K key, V value, long expiration, TimeUnit timeUnit) {String cacheKey = cachePrefix + key;// 1. 获取对应的缓存写入器CacheWriter<K, V> writer = writers.get(cachePrefix);if (writer == null) {throw new IllegalStateException("No cache writer registered for prefix: " + cachePrefix);}// 2. 同步写入数据库writer.write(key, value);// 3. 更新缓存redisTemplate.opsForValue().set(cacheKey, value, expiration, timeUnit);}
}

使用示例：

@Service
public class UserServiceWriteThrough {private static final String CACHE_PREFIX = "user:";private static final long CACHE_EXPIRATION = 30;@Autowiredprivate WriteThroughCacheManager<Long, User> cacheManager;@Autowiredprivate UserRepository userRepository;@PostConstructpublic void init() {// 注册用户数据写入器cacheManager.registerWriter(CACHE_PREFIX, this::saveUserToDb);}private void saveUserToDb(Long userId, User user) {userRepository.save(user);}public void updateUser(User user) {// 通过缓存管理器更新数据，会同步更新数据库和缓存cacheManager.put(CACHE_PREFIX, user.getId(), user, CACHE_EXPIRATION, TimeUnit.MINUTES);}
}

优缺点分析

优点

• 保证数据库与缓存的强一致性
• 将缓存更新逻辑封装在缓存层，简化应用代码
• 读取缓存时命中率高，无需回源到数据库

缺点

• 实时写入数据库增加了写操作延迟
• 增加系统复杂度，需要处理事务一致性
• 对数据库写入压力大的场景可能成为性能瓶颈

适用场景

• 对数据一致性要求高的系统
• 写操作不是性能瓶颈的应用
• 需要保证缓存与数据库实时同步的场景

策略四：Write-Behind（写回）策略

工作原理

Write-Behind策略将写操作异步化处理：

1. 应用程序更新数据时只更新缓存
2. 缓存维护一个写入队列，将更新异步批量写入数据库
3. 通过批量操作减轻数据库压力

代码示例

实现异步写入队列和处理器：

@Component
public class WriteBehindCacheManager<K, V> {@Autowiredprivate RedisTemplate<String, V> redisTemplate;private final BlockingQueue<CacheUpdate<K, V>> updateQueue = new LinkedBlockingQueue<>();private final ConcurrentHashMap<String, CacheWriter<K, V>> writers = new ConcurrentHashMap<>();public void registerWriter(String cachePrefix, CacheWriter<K, V> writer) {writers.put(cachePrefix, writer);}@PostConstructpublic void init() {// 启动异步写入线程Thread writerThread = new Thread(this::processWriteBehindQueue);writerThread.setDaemon(true);writerThread.start();}public void put(String cachePrefix, K key, V value, long expiration, TimeUnit timeUnit) {String cacheKey = cachePrefix + key;// 1. 更新缓存redisTemplate.opsForValue().set(cacheKey, value, expiration, timeUnit);// 2. 将更新放入队列，等待异步写入数据库updateQueue.offer(new CacheUpdate<>(cachePrefix, key, value));}private void processWriteBehindQueue() {List<CacheUpdate<K, V>> batch = new ArrayList<>(100);while (true) {try {// 获取队列中的更新，最多等待100msCacheUpdate<K, V> update = updateQueue.poll(100, TimeUnit.MILLISECONDS);if (update != null) {batch.add(update);}// 继续收集队列中可用的更新，最多收集100个或等待200msupdateQueue.drainTo(batch, 100 - batch.size());if (!batch.isEmpty()) {// 按缓存前缀分组批量处理Map<String, List<CacheUpdate<K, V>>> groupedUpdates = batch.stream().collect(Collectors.groupingBy(CacheUpdate::getCachePrefix));for (Map.Entry<String, List<CacheUpdate<K, V>>> entry : groupedUpdates.entrySet()) {String cachePrefix = entry.getKey();List<CacheUpdate<K, V>> updates = entry.getValue();CacheWriter<K, V> writer = writers.get(cachePrefix);if (writer != null) {// 批量写入数据库for (CacheUpdate<K, V> u : updates) {try {writer.write(u.getKey(), u.getValue());} catch (Exception e) {// 处理异常，可以重试或记录日志log.error("Failed to write-behind for key {}: {}", u.getKey(), e.getMessage());}}}}batch.clear();}} catch (InterruptedException e) {Thread.currentThread().interrupt();break;} catch (Exception e) {log.error("Error in write-behind process", e);}}}@Data@AllArgsConstructorprivate static class CacheUpdate<K, V> {private String cachePrefix;private K key;private V value;}
}

使用示例：

@Service
public class UserServiceWriteBehind {private static final String CACHE_PREFIX = "user:";private static final long CACHE_EXPIRATION = 30;@Autowiredprivate WriteBehindCacheManager<Long, User> cacheManager;@Autowiredprivate UserRepository userRepository;@PostConstructpublic void init() {// 注册用户数据写入器cacheManager.registerWriter(CACHE_PREFIX, this::saveUserToDb);}private void saveUserToDb(Long userId, User user) {userRepository.save(user);}public void updateUser(User user) {// 更新仅写入缓存，异步写入数据库cacheManager.put(CACHE_PREFIX, user.getId(), user, CACHE_EXPIRATION, TimeUnit.MINUTES);}
}

优缺点分析

优点

• 显著提高写操作性能，减少响应延迟
• 通过批量操作减轻数据库压力
• 平滑处理写入峰值，提高系统吞吐量

缺点

• 存在数据一致性窗口期，不适合强一致性要求的场景
• 系统崩溃可能导致未写入的数据丢失
• 实现复杂，需要处理失败重试和冲突解决

适用场景

• 高并发写入场景，如日志记录、统计数据
• 对写操作延迟敏感但对一致性要求不高的应用
• 数据库写入是系统瓶颈的场景

策略五：刷新过期（Refresh-Ahead）策略

工作原理

Refresh-Ahead策略预测性地在缓存过期前进行更新：

1. 缓存设置正常的过期时间
2. 当访问接近过期的缓存项时，触发异步刷新
3. 用户始终访问的是已缓存的数据，避免直接查询数据库的延迟

代码示例

@Component
public class RefreshAheadCacheManager<K, V> {@Autowiredprivate RedisTemplate<String, Object> redisTemplate;@Autowiredprivate ThreadPoolTaskExecutor refreshExecutor;private final ConcurrentHashMap<String, CacheLoader<K, V>> loaders = new ConcurrentHashMap<>();// 刷新阈值，当过期时间剩余不足阈值比例时触发刷新private final double refreshThreshold = 0.75; // 75%public void registerLoader(String cachePrefix, CacheLoader<K, V> loader) {loaders.put(cachePrefix, loader);}@SuppressWarnings("unchecked")public V get(String cachePrefix, K key, long expiration, TimeUnit timeUnit) {String cacheKey = cachePrefix + key;// 1. 获取缓存项和其TTLV value = (V) redisTemplate.opsForValue().get(cacheKey);Long ttl = redisTemplate.getExpire(cacheKey, TimeUnit.MILLISECONDS);if (value != null) {// 2. 如果缓存存在但接近过期，触发异步刷新if (ttl != null && ttl > 0) {long expirationMs = timeUnit.toMillis(expiration);if (ttl < expirationMs * (1 - refreshThreshold)) {refreshAsync(cachePrefix, key, cacheKey, expiration, timeUnit);}}return value;}// 3. 缓存不存在，同步加载return loadAndCache(cachePrefix, key, cacheKey, expiration, timeUnit);}private void refreshAsync(String cachePrefix, K key, String cacheKey, long expiration, TimeUnit timeUnit) {refreshExecutor.execute(() -> {try {loadAndCache(cachePrefix, key, cacheKey, expiration, timeUnit);} catch (Exception e) {// 异步刷新失败，记录日志但不影响当前请求log.error("Failed to refresh cache for key {}: {}", cacheKey, e.getMessage());}});}private V loadAndCache(String cachePrefix, K key, String cacheKey, long expiration, TimeUnit timeUnit) {CacheLoader<K, V> loader = loaders.get(cachePrefix);if (loader == null) {throw new IllegalStateException("No cache loader registered for prefix: " + cachePrefix);}// 从数据源加载V value = loader.load(key);// 更新缓存if (value != null) {redisTemplate.opsForValue().set(cacheKey, value, expiration, timeUnit);}return value;}
}

使用示例：

@Service
public class ProductServiceRefreshAhead {private static final String CACHE_PREFIX = "product:";private static final long CACHE_EXPIRATION = 60; // 1小时@Autowiredprivate RefreshAheadCacheManager<String, Product> cacheManager;@Autowiredprivate ProductRepository productRepository;@PostConstructpublic void init() {// 注册产品数据加载器cacheManager.registerLoader(CACHE_PREFIX, this::loadProductFromDb);}private Product loadProductFromDb(String productId) {return productRepository.findById(productId).orElse(null);}public Product getProduct(String productId) {return cacheManager.get(CACHE_PREFIX, productId, CACHE_EXPIRATION, TimeUnit.MINUTES);}
}

线程池配置

@Configuration
public class ThreadPoolConfig {@Beanpublic ThreadPoolTaskExecutor refreshExecutor() {ThreadPoolTaskExecutor executor = new ThreadPoolTaskExecutor();executor.setCorePoolSize(5);executor.setMaxPoolSize(20);executor.setQueueCapacity(100);executor.setThreadNamePrefix("cache-refresh-");executor.setRejectedExecutionHandler(new ThreadPoolExecutor.CallerRunsPolicy());executor.initialize();return executor;}
}

优缺点分析

优点

• 用户始终访问缓存数据，避免因缓存过期导致的延迟
• 异步刷新减轻了数据库负载峰值
• 缓存命中率高，用户体验更好

缺点

• 实现复杂度高，需要额外的线程池管理
• 预测算法可能不准确，导致不必要的刷新
• 对于很少访问的数据，刷新可能是浪费

适用场景

• 对响应时间要求苛刻的高流量系统
• 数据更新频率可预测的场景
• 数据库资源有限但缓存容量充足的系统

策略六：最终一致性（Eventual Consistency）策略

工作原理

最终一致性策略基于分布式事件系统实现数据同步：

1. 数据变更时发布事件到消息队列
2. 缓存服务订阅相关事件并更新缓存
3. 即使某些操作暂时失败，最终系统也会达到一致状态

代码示例

首先定义数据变更事件：

@Data
@AllArgsConstructor
public class DataChangeEvent {private String entityType;private String entityId;private String operation; // CREATE, UPDATE, DELETEprivate String payload;   // JSON格式的实体数据
}

实现事件发布者：

@Component
public class DataChangePublisher {@Autowiredprivate KafkaTemplate<String, DataChangeEvent> kafkaTemplate;private static final String TOPIC = "data-changes";public void publishChange(String entityType, String entityId, String operation, Object entity) {try {// 将实体序列化为JSONString payload = new ObjectMapper().writeValueAsString(entity);// 创建事件DataChangeEvent event = new DataChangeEvent(entityType, entityId, operation, payload);// 发布到KafkakafkaTemplate.send(TOPIC, entityId, event);} catch (Exception e) {log.error("Failed to publish data change event", e);throw new RuntimeException("Failed to publish event", e);}}
}

实现事件消费者更新缓存：

@Component
@Slf4j
public class CacheUpdateConsumer {@Autowiredprivate RedisTemplate<String, Object> redisTemplate;private static final long CACHE_EXPIRATION = 30;@KafkaListener(topics = "data-changes")public void handleDataChangeEvent(DataChangeEvent event) {try {String cacheKey = buildCacheKey(event.getEntityType(), event.getEntityId());switch (event.getOperation()) {case "CREATE":case "UPDATE":// 解析JSON数据Object entity = parseEntity(event.getPayload(), event.getEntityType());// 更新缓存redisTemplate.opsForValue().set(cacheKey, entity, CACHE_EXPIRATION, TimeUnit.MINUTES);log.info("Updated cache for {}: {}", cacheKey, event.getOperation());break;case "DELETE":// 删除缓存redisTemplate.delete(cacheKey);log.info("Deleted cache for {}", cacheKey);break;default:log.warn("Unknown operation: {}", event.getOperation());}} catch (Exception e) {log.error("Error handling data change event: {}", e.getMessage(), e);// 失败处理：可以将失败事件放入死信队列等}}private String buildCacheKey(String entityType, String entityId) {return entityType.toLowerCase() + ":" + entityId;}private Object parseEntity(String payload, String entityType) throws JsonProcessingException {// 根据实体类型选择反序列化目标类Class<?> targetClass = getClassForEntityType(entityType);return new ObjectMapper().readValue(payload, targetClass);}private Class<?> getClassForEntityType(String entityType) {switch (entityType) {case "User": return User.class;case "Product": return Product.class;// 其他实体类型default: throw new IllegalArgumentException("Unknown entity type: " + entityType);}}
}

使用示例：

@Service
@Transactional
public class UserServiceEventDriven {@Autowiredprivate UserRepository userRepository;@Autowiredprivate DataChangePublisher publisher;public User createUser(User user) {// 1. 保存用户到数据库User savedUser = userRepository.save(user);// 2. 发布创建事件publisher.publishChange("User", savedUser.getId().toString(), "CREATE", savedUser);return savedUser;}public User updateUser(User user) {// 1. 更新用户到数据库User updatedUser = userRepository.save(user);// 2. 发布更新事件publisher.publishChange("User", updatedUser.getId().toString(), "UPDATE", updatedUser);return updatedUser;}public void deleteUser(Long userId) {// 1. 从数据库删除用户userRepository.deleteById(userId);// 2. 发布删除事件publisher.publishChange("User", userId.toString(), "DELETE", null);}
}

优缺点分析

优点

• 支持分布式系统中的数据一致性
• 削峰填谷，减轻系统负载峰值
• 服务解耦，提高系统弹性和可扩展性

缺点

• 一致性延迟，只能保证最终一致性
• 实现和维护更复杂，需要消息队列基础设施
• 可能需要处理消息重复和乱序问题

适用场景

• 大型分布式系统
• 可以接受短暂不一致的业务场景
• 需要解耦数据源和缓存更新逻辑的系统

缓存更新策略选择指南

选择合适的缓存更新策略需要考虑以下因素：

1. 业务特性考量

业务特征	推荐策略
读多写少	Cache-Aside 或 Read-Through
写密集型	Write-Behind
高一致性需求	Write-Through
响应时间敏感	Refresh-Ahead
分布式系统	最终一致性

2. 资源限制考量

资源约束	推荐策略
内存限制	Cache-Aside（按需缓存）
数据库负载高	Write-Behind（减轻写压力）
网络带宽受限	Write-Behind 或 Refresh-Ahead

3. 开发复杂度考量

复杂度要求	推荐策略
简单实现	Cache-Aside
中等复杂度	Read-Through 或 Write-Through
高复杂度但高性能	Write-Behind 或 最终一致性

结论

缓存更新是Redis应用设计中的核心挑战，没有万能的策略适用于所有场景。根据业务需求、数据特性和系统资源，选择合适的缓存更新策略或组合多种策略才是最佳实践。

在实际应用中，可以根据不同数据的特性选择不同的缓存策略，甚至在同一个系统中组合多种策略，以达到性能和一致性的最佳平衡。