面试题：复杂业务场景下Redis缓存预热与冷启动的综合优化

Redis缓存预热策略

数据分类与优先级确定
- 对于电商系统，商品信息缓存是基础且高频访问的数据，优先级较高。用户个性化推荐缓存虽与用户行为相关，但在系统启动初期，可适当降低优先级。
- 将缓存数据按业务重要性和访问频率分为不同级别，如商品基本信息、热门商品详情、用户个性化推荐等。

预热时间与方式

启动前预热：在系统启动脚本中，调用专门的预热程序。例如，使用Python脚本结合Redis客户端库（如redis - py），批量从数据库加载数据到Redis。

import redis
import pymysql

r = redis.Redis(host='localhost', port=6379, db = 0)
conn = pymysql.connect(host='localhost', user='root', password='password', database='ecommerce')
cursor = conn.cursor()
cursor.execute('SELECT * FROM products')
products = cursor.fetchall()
for product in products:
    product_id = product[0]
    product_info = {
        'name': product[1],
        'price': product[2],
        # 其他商品信息
    }
    r.hmset(f'product:{product_id}', product_info)

异步预热：系统启动后，利用异步任务队列（如Celery），在后台逐步加载优先级较低的数据，如用户个性化推荐缓存。

from celery import Celery

app = Celery('tasks', broker='redis://localhost:6379/0')

@app.task
def preheat_user_recommendations():
    # 从数据库或其他数据源获取用户个性化推荐数据
    # 加载到Redis
    pass

缓存更新策略
- 读写时更新：当数据在数据库中发生变化时，同时更新Redis缓存。在电商系统中，商品价格更新时，立即更新Redis中对应的商品缓存。
- 定期刷新：对于一些变化不频繁但需要保持准确性的数据，如商品库存（库存变化相对商品浏览频率较低），可以设置定时任务，定期从数据库重新加载到Redis。

冷启动优化方案

分级缓存
- 一级缓存：使用内存型的Redis作为一级缓存，存储最常用、访问频率最高的数据。如热门商品的基本信息、购物车信息等。
- 二级缓存：采用分布式缓存（如Memcached）或磁盘型Redis作为二级缓存，存储访问频率稍低的数据。当一级缓存未命中时，快速从二级缓存获取数据，减少数据库访问压力。
缓存穿透处理
- 布隆过滤器：在系统启动时，构建布隆过滤器。例如，将所有商品ID预先添加到布隆过滤器中。当查询商品时，先通过布隆过滤器判断商品ID是否存在，若不存在则直接返回，避免无效的数据库查询。
- 空值缓存：当查询数据库未命中时，将空值缓存到Redis中，并设置较短的过期时间。这样后续相同的无效查询可直接从Redis获取空值，减少数据库压力。
缓存雪崩处理
- 随机过期时间：对于不同类型的缓存数据，设置随机的过期时间，避免大量缓存同时过期。例如，商品信息缓存的过期时间在1 - 2小时内随机设置。
- 互斥锁：在缓存过期后，当多个请求同时访问时，使用互斥锁（如Redis的SETNX命令）保证只有一个请求去加载数据到缓存，其他请求等待。待数据加载完成后，释放锁，其他请求可从缓存获取数据。
监控与动态调整
- 监控指标：设置监控系统（如Prometheus + Grafana），实时监控Redis的命中率、内存使用情况、请求响应时间等指标。
- 动态调整：根据监控数据，动态调整缓存策略。如命中率过低时，检查预热数据是否完整，或调整缓存过期时间；内存使用过高时，优化缓存数据结构或清理不必要的缓存。

星途面试题库

面试题：复杂业务场景下Redis缓存预热与冷启动的综合优化

知识考点

面试题答案

Redis缓存预热策略

冷启动优化方案