面试题：缓存设计之复杂业务场景下缓存与函数计算深度优化

Question

假设存在一个电商订单处理系统，订单创建、支付、退款等操作频繁，且涉及库存扣减、积分计算等复杂业务逻辑。函数计算用于处理这些业务逻辑，缓存系统用于存储常用数据。请设计一套全面的缓存与函数计算集成优化方案，包括缓存架构选型、数据一致性保证、故障恢复策略以及如何应对业务流量突发增长等方面。

Answer 1

缓存架构选型

1. 分布式缓存：选用 Redis 作为缓存系统。它具有高性能、支持多种数据结构（如 String、Hash、List 等），非常适合电商场景中存储商品信息、用户积分等数据。其分布式特性可通过集群模式（如 Redis Cluster）实现，能有效应对大量数据存储和高并发访问。
2. 本地缓存：在应用服务器端结合 Caffeine 等本地缓存库。对于一些访问频率极高且数据变动不频繁的数据（如商品分类信息），可在本地缓存中存储，减少对分布式缓存的访问压力，提高响应速度。

数据一致性保证

1. 读写策略
   • 写后失效：在订单创建、支付、退款等操作成功后，立即失效相关的缓存数据。例如，订单支付成功后，删除与该订单相关的缓存（如订单详情缓存、用户未支付订单列表缓存等）。下次读取时从数据库加载最新数据并重新缓存。
   • 读写锁：对于涉及库存扣减、积分计算等关键且可能并发访问的数据，使用读写锁。写操作（如库存扣减）加写锁，读操作加读锁，确保在写操作时没有读操作干扰，写操作完成后更新缓存数据。
2. 缓存更新与数据库事务：在执行订单相关的数据库事务时，将缓存更新操作纳入事务中（通过一些分布式事务框架如 Seata）。确保数据库操作和缓存更新要么都成功，要么都失败，保证数据一致性。

故障恢复策略

1. 缓存集群故障
   • 主从复制：Redis 采用主从复制架构，主节点负责写操作，从节点复制主节点数据。当主节点故障时，从节点可自动或手动提升为主节点继续提供服务。
   • 持久化：配置 Redis 的 RDB 和 AOF 持久化机制。RDB 可以定期对数据进行快照备份，AOF 则以日志形式记录每一个写操作。在 Redis 重启时，可根据 RDB 文件快速恢复数据，再结合 AOF 日志进行增量恢复，确保数据的完整性。
2. 函数计算故障
   • 重试机制：对于函数计算中因网络波动等临时性故障导致的失败，设置自动重试机制。例如，在订单支付时调用积分计算函数失败，可在一定时间间隔后重试若干次。
   • 监控与报警：搭建监控系统（如 Prometheus + Grafana），实时监控函数计算的调用成功率、响应时间等指标。当出现故障时，及时通过邮件、短信等方式通知运维人员进行处理。

应对业务流量突发增长

1. 缓存优化
   • 缓存预热：在业务高峰来临前，提前将热门商品信息、常用配置等数据加载到缓存中，避免高峰期间大量缓存穿透导致数据库压力增大。
   • 缓存分片：对缓存数据进行合理分片，将不同类型的数据分布在不同的 Redis 节点上，提高缓存的并发处理能力。
2. 函数计算扩展
   • 自动伸缩：基于云平台的函数计算服务（如 AWS Lambda、阿里云函数计算等），开启自动伸缩功能。根据业务流量实时调整函数计算实例数量，确保在流量高峰时能及时处理请求，在流量低谷时减少资源浪费。
   • 异步处理：将一些非关键的业务逻辑（如订单支付成功后的消息通知）通过消息队列（如 Kafka、RabbitMQ）异步处理，避免同步处理导致的响应延迟，提高系统整体吞吐量。