面试题答案
一键面试数据一致性
- 分布式缓存（如Redis）：
- 分布式缓存一般通过复制和集群机制来保证数据的可用性和一致性。例如，Redis 主从复制可以将主节点的数据同步到从节点。但在异步复制场景下，主从节点之间可能存在短暂的数据不一致。在集群模式下，如 Redis Cluster，通过哈希槽的方式分布数据，当节点故障转移时，可能会有短暂的数据不一致情况。
- 适用于多节点、多进程的分布式应用，数据需要在多个实例间共享，对一致性要求相对宽松，允许一定时间内的数据不一致（最终一致性）的场景。
- 本地缓存（如Guava Cache）：
- 本地缓存只存在于单个应用进程内，数据一致性只在本进程内有意义。不同进程间的本地缓存相互独立，不存在跨进程的数据一致性问题。
- 适用于数据不需要跨进程共享，且对进程内数据一致性要求较高的场景，如一些内部工具类应用，只在本进程内缓存少量不经常变化的数据。
可扩展性
- 分布式缓存（如Redis）：
- 分布式缓存天生具备可扩展性。以Redis Cluster为例，它可以通过增加节点来扩展存储容量和处理能力。节点之间通过Gossip协议进行通信，自动进行数据的重新分片和负载均衡。可以轻松应对大规模数据存储和高并发访问需求。
- 适用于业务规模不断增长，数据量和并发量可能大幅提升的互联网应用场景，如电商、社交平台等，需要能够动态扩展缓存容量和处理能力。
- 本地缓存（如Guava Cache）：
- 本地缓存的可扩展性相对较差，因为它的容量受限于单个应用进程的内存大小。如果要扩展缓存容量，需要增加应用实例，但每个实例都有自己独立的本地缓存，会造成数据的冗余存储。
- 适用于数据量相对较小，对缓存容量要求不高，且应用实例数量相对固定，不需要频繁扩展缓存容量的场景，如一些小型企业内部应用。
高并发场景应用
- 分布式缓存（如Redis）：
- 分布式缓存可以通过集群部署的方式，利用多个节点的资源来处理高并发请求。Redis 单线程模型在处理高并发时性能卓越，同时通过集群模式可以进一步提升整体处理能力。并且，多个应用实例可以共享分布式缓存的数据，减少数据的重复加载。
- 适合高并发且数据共享需求高的场景，如大型电商的商品详情页缓存、秒杀活动缓存等，大量用户同时访问相同的数据，分布式缓存可以有效分担压力并保证数据的一致性（最终一致性）。
- 本地缓存（如Guava Cache）：
- 本地缓存由于只存在于单个进程内，在高并发情况下，可能会受到进程内资源（如CPU、内存）的限制。虽然Guava Cache提供了一些并发控制机制，但随着并发量的不断增加，性能提升空间有限。
- 适用于高并发但数据独立性较强，不需要跨进程共享数据的场景，例如某些应用内的用户个性化配置缓存，每个用户的数据只在本进程内缓存和使用，不涉及多进程间的数据共享。