Redis 作为缓存使用时，支持多种缓存策略，主要用于在内存不足时淘汰数据。
以下是 Redis 的主要缓存策略及其应用场景和配置方法：
Redis 内置数据淘汰策略
通过 maxmemory-policy 配置项指定淘汰策略（需设置 maxmemory 限制内存大小）。
被动过期（TTL）
策略：依赖键的过期时间（TTL），Redis 自动删除过期数据。
配置：
# redis.conf maxmemory-policy volatile-ttl
特点：
- 优先淘汰 TTL 最短的键。
- 适用于明确知道数据生命周期的场景（如临时会话数据）。
最近最少使用（LRU）
策略：淘汰最长时间未被访问的键。
变种：
- allkeys-lru：所有键参与淘汰。
- volatile-lru：仅有过期时间的键参与淘汰。
配置：
maxmemory-policy allkeys-lru
特点：
- 适合热点数据分布不均的场景（如新闻首页缓存）。
- Redis 使用近似 LRU 算法（性能优化，非精确）。
最不经常使用（LFU）
策略：淘汰访问频率最低的键。
变种：
- allkeys-lfu：所有键参与淘汰。
- volatile-lfu：仅有过期时间的键参与淘汰。
配置：
maxmemory-policy allkeys-lfu
特点：
- 适合长期热点数据场景（如用户高频访问的个人资料）。
- Redis 记录键的访问频率，通过衰减因子避免历史数据影响。
随机淘汰
策略：随机选择键淘汰。
变种：
- allkeys-random：所有键随机淘汰。
- volatile-random：仅有过期时间的键随机淘汰。
配置：
maxmemory-policy volatile-random
特点：
- 适合数据重要性差异不大的场景。
- 性能最好，但可能淘汰重要数据。
不淘汰（默认）
策略：内存满时拒绝写入新数据。
配置：
maxmemory-policy noeviction
特点：
- 确保已有数据不丢失，但可能引发写入错误。
- 适用于数据不可丢失且需持久化的场景（非纯缓存用途）。
缓存设计策略（应用层）
结合 Redis 淘汰策略，通过代码逻辑优化缓存效果。
缓存穿透
问题：大量请求不存在的数据（绕过缓存，直接访问数据库）。
解决方案：
- 空值缓存：对查询结果为空的键，缓存短时间（如NULL:60，60秒）。
- 布隆过滤器：在缓存层前置布隆过滤器，拦截无效请求。
# 示例：缓存空值
async def get_user(user_id: int):
data = await redis.get(f"user:{user_id}")
if data == "NULL":
return None # 直接返回空，避免重复查询
if data is None:
user = await db.query_user(user_id)
if not user:
await redis.setex(f"user:{user_id}", 60, "NULL") # 空值缓存60秒
return None
await redis.setex(f"user:{user_id}", 300, user.json())
return data
缓存雪崩
问题：大量缓存同时过期，导致请求直接冲击数据库。
解决方案：
- 随机过期时间：在基础 TTL 上添加随机值（如expire = 300 + random.randint(0, 60)）。
- 缓存预热：系统启动时加载高频数据到缓存。
# 示例：为键设置随机过期时间
async def cache_data(key, data):
expire = 300 + random.randint(0, 60) # 300~360秒随机过期
await redis.setex(key, expire, data)
缓存击穿
问题：热点数据过期瞬间，大量并发请求击穿缓存。
解决方案：
- 互斥锁（Mutex Lock）：仅允许一个线程重建缓存，其他线程等待。
- 逻辑过期：缓存不设置 TTL，由代码逻辑判断是否异步更新。
# 示例：互斥锁防止击穿
async def get_hot_data():
data = await redis.get("hot_data")
if data is None:
lock = await redis.set("hot_data_lock", 1, nx=True, ex=10) # 获取锁
if lock:
data = await db.query_hot_data() # 查询数据库
await redis.setex("hot_data", 300, data) # 重建缓存
await redis.delete("hot_data_lock") # 释放锁
else:
await asyncio.sleep(0.1) # 等待重试
return await get_hot_data()
return data
缓存更新策略
Cache-Aside（旁路缓存）：
- 读：先读缓存，未命中则查数据库并写入缓存。
- 写：直接更新数据库，然后删除缓存（或更新缓存）。
# 示例：更新数据库后删除缓存
async def update_user(user_id: int, name: str):
await db.update_user(user_id, name) # 更新数据库
await redis.delete(f"user:{user_id}") # 删除缓存
Write-Through（通写）：
- 写：先更新缓存，再由缓存同步更新数据库（需缓存支持）。
Write-Back（写回）：
- 写：先更新缓存，延迟异步批量写入数据库（风险：数据丢失）。
策略选择建议
| 场景 | 推荐策略 |
| 高频访问的热点数据 | allkeys-lfu + 长TTL |
| 短期临时数据（如验证码） | volatile-ttl + 精确过期时间 |
| 内存敏感且数据重要性均匀 | allkeys-random |
| 需要保证数据不丢失 | noeviction + 持久化 |
| 应对突发流量（如电商大促） | 缓存预热 + 随机TTL + 限流 |
Redis 配置示例
# redis.conf maxmemory 2GB # 限制最大内存 maxmemory-policy allkeys-lfu # 使用 LFU 淘汰策略 maxmemory-samples 10 # 每次淘汰时检查的键数量（精度与性能平衡）
通过合理选择 Redis 淘汰策略和设计应用层缓存逻辑，可以显著提升系统性能和稳定性。生产环境中建议结合监控工具（如 Redis INFO 命令、Prometheus）观察缓存命中率，动态调整策略。
