面试题答案
一键面试缓存预热策略设计
- 集中式预热
- 预热流程：在系统启动或定时任务中，通过一个专门的预热服务，从数据源批量读取数据，然后一次性填充到分布式缓存中。例如，可以使用一个基于Spring Boot的预热微服务，通过JDBC等方式从数据库中读取大量数据，再使用Redis客户端将数据写入到分布式Redis缓存。
- 优点：实现简单，易于管理，能快速将大量数据加载到分布式缓存，减少各个节点单独预热的开销。
- 缺点：预热服务可能成为性能瓶颈，如果数据源数据量巨大，预热时间可能较长。
- 分布式预热
- 预热流程：各个服务节点在启动时，并行地从数据源加载一部分数据到本地缓存，同时也将数据写入分布式缓存。可以根据节点的ID或其他标识来分配每个节点需要加载的数据范围。比如，按照数据的主键范围进行划分，每个节点负责加载一部分主键范围内的数据。
- 优点：利用了分布式系统的并行处理能力，加快预热速度，减少整体预热时间。
- 缺点：可能存在数据重复加载的问题，需要更复杂的协调机制来确保数据划分的准确性。
- 分层预热
- 预热流程：先对热点数据进行集中式预热，快速将最常用的数据加载到分布式缓存。然后，各个节点在启动时，根据自身的访问模式，从分布式缓存中加载部分数据到本地缓存，同时可以异步地从数据源加载一些本地特有的冷数据到本地缓存。例如，通过分析历史访问日志确定热点数据，先将这些热点数据加载到分布式缓存。
- 优点：结合了集中式和分布式预热的优点，既快速加载热点数据，又能根据本地需求加载冷数据，提升系统整体性能。
- 缺点：需要准确识别热点数据，并且分层策略的配置可能较为复杂。
确保缓存一致性
- 缓存更新策略
- 读写锁策略：在更新数据时，获取分布式读写锁。写操作获取写锁，读操作获取读锁。只有获取到写锁才能更新数据，更新完成后，同时更新分布式缓存和本地缓存，并释放写锁。例如，使用Redis的SETNX命令结合Lua脚本实现分布式读写锁。
- 版本号策略：为每个数据对象添加版本号。每次更新数据时，版本号递增。读取数据时，不仅读取数据，还读取版本号。当本地缓存数据版本号低于分布式缓存时，从分布式缓存更新数据。在更新数据时，先更新数据源，再更新分布式缓存，并递增版本号，本地缓存根据版本号进行同步。
- 数据同步机制
- 异步消息队列：当数据发生变化时，将更新消息发送到消息队列，如Kafka。各个服务节点监听消息队列，接收到消息后，根据消息内容更新本地缓存和分布式缓存。这样可以实现数据的异步更新，减少对业务操作的影响。
- 定期同步：各个节点定时从分布式缓存拉取数据，对比本地缓存和分布式缓存的数据版本或时间戳。如果不一致，则更新本地缓存。可以设置不同的同步周期，对于热点数据设置较短的同步周期，对于冷数据设置较长的同步周期。
性能提升措施
- 缓存失效策略优化
- 设置合理的过期时间：根据数据的更新频率和访问模式，为不同的数据设置不同的过期时间。对于不经常变化的数据，可以设置较长的过期时间；对于经常变化的数据，设置较短的过期时间。同时，可以采用随机过期时间，避免大量缓存同时过期导致的缓存雪崩问题。
- 主动失效：在数据更新时，主动使相关缓存失效。不仅是更新的数据本身的缓存，还包括依赖该数据的其他缓存。例如，如果一个订单状态更新，与该订单相关的订单详情缓存、订单列表缓存等都需要主动失效。
- 缓存容量管理
- 动态调整：根据系统的负载和缓存命中率，动态调整各个节点本地缓存和分布式缓存的容量。可以使用监控工具（如Prometheus + Grafana）实时监控缓存的使用情况，当缓存命中率下降或者内存使用率过高时，自动调整缓存容量。
- 淘汰策略优化：选择合适的缓存淘汰策略，如LRU（最近最少使用）、LFU（最不经常使用）等。对于读多写少的场景，LRU策略能较好地保证热点数据在缓存中；对于写多读少的场景，LFU策略可能更合适，因为它能根据访问频率淘汰数据。