当前位置： 首页 > news >正文

缓存-Redis-缓存更新策略-主动更新策略-Cache Aside Pattern（全面 易理解）

news 2025/6/27 20:36:06

**Cache-Aside Pattern（旁路缓存模式）**是一种广泛应用于缓存管理的设计模式，尤其在使用 Redis 作为缓存层时尤为常见。该模式通过在应用程序与缓存之间引入一个旁路，确保数据的一致性和高效性。本文将在之前讨论的 Redis 主动更新策略的基础上，进一步介绍 Cache-Aside Pattern，详细阐述其工作原理、实现方式、优缺点以及适用场景。

1. Cache-Aside Pattern 概述

Cache-Aside Pattern，也称为 Lazy Loading 或 旁路缓存模式，是一种数据访问模式，其中应用程序根据需要动态地从缓存或数据库中加载数据。其核心思想是只有当应用程序需要数据时，才从数据库中加载并将其放入缓存；而当数据被修改时，应用程序首先更新数据库，然后使缓存失效或更新缓存。这种模式适用于数据访问呈现出局部性和高读取但低写入的特点。

2. Cache-Aside Pattern 的工作原理

Cache-Aside Pattern 的基本工作流程如下：

2.1 读取数据

  1. 请求数据：应用程序请求特定的数据。
  2. 检查缓存：首先检查 Redis 缓存中是否存在该数据。
    • 缓存命中：如果数据存在于缓存中，直接返回缓存数据。
    • 缓存未命中：如果数据不在缓存中，从数据库中读取数据。
  3. 缓存填充：将从数据库读取的数据写入 Redis 缓存，以便下次请求时可以直接从缓存中获取。
  4. 返回数据：将数据返回给应用程序。

2.2 写入数据

  1. 更新数据库：应用程序首先更新数据库中的数据。
  2. 失效缓存：删除或更新缓存中的相关数据，以确保缓存中的数据不会与数据库中的数据不一致。

3. Cache-Aside Pattern 的实现方式

以下以 Python 和 Redis 的 redis-py 库为例，展示如何实现 Cache-Aside Pattern。

3.1 读取数据示例

import redis
import json# 初始化 Redis 客户端
redis_client = redis.StrictRedis(host='localhost', port=6379, db=0)def get_user(user_id):cache_key = f"user:{user_id}"# 尝试从缓存中获取数据cached_user = redis_client.get(cache_key)if cached_user:print("从缓存中获取数据")return json.loads(cached_user)else:# 缓存未命中，从数据库中读取数据user = database_read_user(user_id)  # 假设存在此函数if user:# 将数据写入缓存，设置过期时间为 5 分钟redis_client.setex(cache_key, 300, json.dumps(user))print("从数据库中获取数据，并写入缓存")return user

3.2 写入数据示例

def update_user(user_id, new_data):cache_key = f"user:{user_id}"# 更新数据库中的数据success = database_update_user(user_id, new_data)  # 假设存在此函数if success:# 删除缓存中的数据，确保下次读取时获取最新数据redis_client.delete(cache_key)print("更新数据库并删除缓存")return success

3.3 缓存预热与失效策略

在 Cache-Aside Pattern 中，缓存预热和缓存失效策略至关重要。

  • 缓存预热：在系统启动或特定时间点，提前将热点数据加载到缓存中，以减少初次访问的延迟。
  • 缓存失效：在数据更新后及时使缓存失效或更新，确保缓存数据的实时性和一致性。

4. Cache-Aside Pattern 的优势与局限

4.1 优势

  1. 灵活性高：应用程序可以根据具体需求灵活地控制缓存的加载和失效。
  2. 资源利用高效：只有实际需要的数据才会被加载到缓存中，避免了不必要的缓存占用。
  3. 适用范围广：适用于多种数据访问模式，尤其是读取频繁但更新不频繁的场景。
  4. 简单易实现：实现逻辑相对简单，不需要复杂的缓存更新机制。

4.2 局限

  1. 冷启动问题：缓存未命中时，首次读取会有较高的延迟，需要从数据库中加载数据。
  2. 缓存穿透：大量请求未命中缓存的数据，直接请求数据库，可能导致数据库压力骤增。需要配合其他策略（如布隆过滤器）防止缓存穿透。
  3. 一致性问题：在高并发场景下，可能存在缓存与数据库不一致的短暂窗口期，需要设计合理的缓存失效策略。
  4. 缓存击穿：当某个热点数据的缓存失效时，可能会有大量请求同时访问数据库，导致数据库压力骤增。可以通过设置互斥锁或使用互斥机制（如 Redis 分布式锁）来防止缓存击穿。

5. Cache-Aside Pattern 与其他策略的比较

与之前提到的 Redis 主动更新策略相比，Cache-Aside Pattern 更侧重于按需加载和灵活控制缓存，而主动更新策略（如 Write-Through、Write-Behind 等）更注重在数据变更时主动更新缓存。

特性Cache-Aside Pattern主动更新策略
更新触发点读取或写入操作触发缓存加载或失效数据变更时主动更新缓存
数据加载方式按需加载（懒加载），只有在需要时才加载到缓存中数据更新时主动将最新数据推送到缓存中
一致性保障方式通过缓存失效或更新确保与数据库一致通过同步或异步更新缓存确保一致性
适用场景读取频繁但更新不频繁，数据热点不固定数据变化频繁且对实时性要求较高的场景
实现复杂度较低，主要依赖于缓存的读写逻辑较高，需要设计缓存的同步更新机制，如消息队列、发布/订阅等
缓存命中率较高的数据热点可以提高缓存命中率通过主动更新保持缓存的最新性，减少缓存未命中的几率

6. Cache-Aside Pattern 的应用场景

Cache-Aside Pattern 适用于多种业务场景，尤其是那些读取操作频繁且数据更新相对较少的应用，如：

  1. 用户信息查询：用户资料读取频率高，但更新频率相对较低。
  2. 产品详情展示：电商平台中，产品信息经常被查询，但价格或库存等信息更新频率相对较低。
  3. 日志和统计数据：需要频繁读取统计信息，但更新操作较少。
  4. 内容管理系统：如博客、新闻网站，内容读取频率高于内容更新频率。

7. 案例分析

案例：社交媒体平台的用户资料缓存

场景描述

在一个社交媒体平台中，用户资料（如用户名、头像、简介等）被频繁读取但不经常更新。为了提升读取性能和减轻数据库压力，用户资料被缓存在 Redis 中。

实现步骤

  1. 读取用户资料

    def get_user_profile(user_id):cache_key = f"user_profile:{user_id}"cached_profile = redis_client.get(cache_key)if cached_profile:print("从缓存中获取用户资料")return json.loads(cached_profile)else:user_profile = database_read_user_profile(user_id)  # 假设存在此函数if user_profile:redis_client.setex(cache_key, 3600, json.dumps(user_profile))  # 缓存1小时print("从数据库中获取用户资料，并写入缓存")return user_profile

  2. 更新用户资料

    def update_user_profile(user_id, new_profile_data):cache_key = f"user_profile:{user_id}"success = database_update_user_profile(user_id, new_profile_data)  # 假设存在此函数if success:# 删除缓存中的用户资料，确保下次读取时获取最新数据redis_client.delete(cache_key)print("更新数据库并删除用户资料缓存")return success

优势分析

  • 提升读取性能：大部分用户资料请求可以直接从 Redis 缓存中获取，减少数据库查询延迟。
  • 减轻数据库压力：通过缓存机制，显著减少数据库的读取负载，提高整体系统的可扩展性。
  • 数据一致性：通过在更新用户资料时删除缓存，确保下次读取时获取最新数据，保持缓存与数据库的一致性。

优化建议

  • 缓存预热：在系统启动时，预先加载部分热点用户资料到缓存中，减少初始请求的缓存未命中率。
  • 防止缓存穿透：对于不存在的用户资料请求，缓存空结果或设置短暂的负缓存，避免恶意请求直接打到数据库。
  • 使用互斥锁：在高并发情况下，防止大量请求同时导致缓存穿透，可以在读取缓存未命中时使用分布式锁，确保只有一个请求从数据库加载数据，其他请求等待或直接返回。

8. Cache-Aside Pattern 与其他缓存模式的结合

在实际应用中，Cache-Aside Pattern 并非孤立使用，常常与其他缓存模式和策略结合，以应对复杂的业务需求和系统挑战。例如：

  1. 结合预刷新（Refresh-Ahead）：在 Cache-Aside Pattern 的基础上，结合预刷新机制，提前刷新热点数据，进一步提高缓存命中率和数据实时性。
  2. 结合发布/订阅机制：在数据更新后，通过发布/订阅机制通知其他服务删除或更新缓存，确保多实例或分布式系统中的缓存一致性。
  3. 结合互斥锁：使用分布式锁防止缓存击穿，确保在高并发情况下，只有一个请求能够从数据库加载数据并填充缓存。

9. 总结

**Cache-Aside Pattern（旁路缓存模式）**作为一种灵活且高效的缓存管理策略，广泛应用于各种高性能和高并发的应用场景中。它通过按需加载和动态更新缓存，兼顾了系统的性能和数据的一致性。然而，Cache-Aside Pattern 也存在一些挑战，如缓存穿透和缓存击穿，需要结合其他策略（如布隆过滤器、互斥锁等）进行优化。

关键要点：

  1. 按需加载：只有在需要时才从数据库加载数据，并将其写入缓存，提升资源利用效率。
  2. 缓存失效策略：在数据更新后及时删除或更新缓存，确保缓存与数据库的一致性。
  3. 防止缓存穿透和击穿：结合布隆过滤器、互斥锁等机制，提升系统的稳定性和可靠性。
  4. 与其他策略结合使用：根据具体业务需求，灵活地组合使用 Cache-Aside Pattern 与其他缓存策略，以实现最佳的性能和一致性。

通过合理应用 Cache-Aside Pattern，开发者能够在保证系统性能和数据一致性的前提下，有效地管理和维护 Redis 缓存，满足现代高并发和高性能应用的需求。

http://www.lryc.cn/news/517493.html

相关文章：

  • 杭州市有哪些大学能够出具论文检索报告？
  • SpringBootWeb 登录认证（day12）
  • 使用AOP在切面逻辑中无法获取到requesetBody
  • 生成模型：变分自编码器-VAE
  • Hive sql执行文件合并配置参数
  • 鸿蒙 ArkUI实现地图找房效果
  • 一套极简易的直流无刷电机(Deng FOC)开发套件介绍
  • Inception模型详解及代码分析
  • Springboot AOP 每个接口运行前 修改入参
  • 课题推荐——基于GPS的无人机自主着陆系统设计
  • 【深度学习】在深度学习训练过程中，数据量太少会导致模型过拟合还是欠拟合？
  • js迭代器模式
  • 测试开发基础知识2
  • PromQL基础使用和案例解析
  • 使用Python实现基于机器学习的垃圾邮件过滤
  • MySql根据经纬度查询距离
  • Aviatrix Controller 未授权命令注入漏洞复现(CVE-2024-50603)
  • 数据结构与算法之二叉树: LeetCode 109. 有序链表转换二叉搜索树 (Ts版)
  • Android NDK开发入门2之适应idm环境
  • 如何隐藏 Nginx 版本号 并自定义服务器信息,提升安全性
  • 鸿蒙的APP真机调试以及发布
  • 图像处理|膨胀操作
  • 攻防世界 ics-07
  • C# 之某度协议登录，JS逆向，手机号绑定，获取CK
  • js适配器模式
  • 小徐影城管理系统(源码+数据库+文档)
  • Linux第101步_了解LCD屏驱动“panel-simple.c”
  • 【实用技能】如何使用 .NET C# 中的 Azure Key Vault 中的 PFX 证书对 PDF 文档进行签名
  • 前端基础函数算法整理应用（sort+reduce+date+双重for循环）
  • 鸿蒙MPChart图表自定义（六）在图表中绘制游标