面试题：Redis缓存MySQL热点数据在复杂业务场景下的成本效益优化

Question

在一个涉及多表关联查询、数据聚合计算以及实时性要求较高的复杂业务场景中，使用Redis缓存MySQL热点数据。如何针对这种复杂场景，从数据结构选择、缓存分层设计、失效策略优化等多个维度对成本效益进行全面优化？请结合实际案例详细阐述。

Answer 1

数据结构选择

1. 哈希（Hash）结构：适用于存储单条复杂数据记录。例如在电商商品详情场景中，商品详情涉及多个字段如价格、库存、描述等。将商品ID作为哈希的键，各个字段作为哈希的域（field）和值（value）存储。这样可以快速定位和获取商品的特定信息，减少内存占用。以一个手机商品为例，键为“product:123”，域“price”对应值“3999”，“stock”对应值“100”等。
2. 有序集合（Sorted Set）：当需要根据某个分数（score）进行排序和范围查询时使用。比如在一个文章排行榜场景中，以文章ID作为成员（member），文章的阅读量作为分数（score）。可以通过阅读量快速获取热门文章排行，如获取阅读量前10的文章。同时能根据阅读量范围查询特定区间的文章。

缓存分层设计

1. 前端缓存（Browser Cache）：对于一些不经常变化且实时性要求稍低的数据，如网站的静态资源（CSS、JS、图片等），可利用浏览器缓存。这大大减轻了后端服务器和Redis的压力。例如新闻网站的logo图片，长期不变化，浏览器第一次请求后缓存，后续用户访问直接从本地加载。
2. 本地缓存（Local Cache）：在应用服务器层面设置本地缓存，如使用Guava Cache。对于一些频繁访问且相对稳定的数据，应用服务器可先从本地缓存获取。例如在一个用户信息展示页面，用户基本信息（如用户名、头像等）变化频率低，应用服务器首次从Redis获取后缓存到本地，后续相同请求直接从本地缓存返回。当数据发生变化时，及时更新本地缓存和Redis。
3. Redis缓存：作为核心缓存层，存储热点数据。在多表关联查询场景下，例如电商订单统计，将订单相关聚合数据缓存。可以按照时间维度（如按天、周、月）进行缓存，将每天的订单总金额、订单数量等聚合数据缓存到Redis。对于实时性要求高的数据，通过合理设置缓存更新机制保证数据一致性。

失效策略优化

1. 定期删除（Periodic Deletion）：结合业务特点，定期删除过期数据。例如在促销活动场景中，活动有明确的开始和结束时间。在活动开始前，将活动相关数据缓存到Redis，并设置过期时间为活动结束时间。Redis定期检查并删除过期的活动数据，避免无效数据占用内存。
2. 惰性删除（Lazy Deletion）：当访问数据时，发现数据已过期则删除。适用于一些访问频率较低的缓存数据。比如在一个低频查询的历史订单统计场景中，当用户查询多年前的订单统计数据时，若发现缓存数据过期，删除并重新查询MySQL生成新的缓存数据。
3. 主动更新：对于实时性要求极高的数据，当MySQL数据发生变化时，主动更新Redis缓存。比如在股票交易系统中，股票价格实时变动，当数据库中股票价格更新后，立即更新Redis中的缓存价格数据，保证前端展示的价格始终是最新的。

通过以上从数据结构选择、缓存分层设计、失效策略优化等多个维度的优化，可以在复杂业务场景中有效提升成本效益，在保证实时性的同时合理利用资源，降低整体成本。