qinyelin
发布于 2026-11-16 / 1 阅读
0
0

Redis 缓存穿透、击穿和雪崩

面试频率:★★★★★
建议学习时间:60 分钟
适用岗位:Java 后端(3~5 年经验)
重点:三者区别、产生原因、解决方案、业务场景和线上排查


今日学习安排

  • 10 分钟:理解缓存和常见查询流程。
  • 20 分钟:理解穿透、击穿、雪崩的区别和处理方法。
  • 15 分钟:学习业务场景和线上排查。
  • 15 分钟:背诵标准回答和高频追问。

⚡ 30 秒速记

缓存穿透:请求的数据不存在,缓存和数据库都查不到,请求反复到达数据库。

缓存击穿:某个热点数据的缓存失效,大量并发请求同时访问数据库。

缓存雪崩:大量缓存集中失效,或者缓存服务大面积不可用,大量请求同时涌向数据库。

问题关键特点常见处理方法
穿透数据不存在,反复查询缓存空值、布隆过滤器、参数校验与限流
击穿单个或少量热点 Key 失效互斥重建、逻辑过期与异步刷新、热点预热
雪崩大量 Key 同时失效,或缓存服务故障过期时间加随机值、分散预热、限流降级、提高缓存服务可用性

速记:查不到是穿透,热点失效是击穿,大面积失效或故障是雪崩。


🎤 一、面试标准回答

Q:缓存穿透、击穿、雪崩有什么区别?怎么解决?

标准回答(1~2 分钟):

缓存穿透是指请求的数据在缓存和数据库中都不存在,如果不做处理,每次请求都可能访问数据库。常见方案是缓存空值,并设置较短的过期时间;也可以使用布隆过滤器判断数据是否可能存在,同时做好参数校验和限流。

缓存击穿通常是某个热点 Key 过期或者被删除后,大量并发请求同时发现缓存未命中,导致数据库被瞬间访问。常见方案是使用互斥锁,让一个请求负责查询数据库并重建缓存,其他请求等待、返回旧值或者降级;也可以采用逻辑过期、异步刷新或提前预热。

缓存雪崩是大量缓存同时过期,或者缓存服务大面积不可用,导致大量请求集中访问数据库。针对集中过期,可以给过期时间增加随机值、分批预热;针对缓存服务故障,需要结合高可用、限流、降级等措施保护数据库。

实际处理时,我会先区分数据是否存在、是否集中在热点 Key、Redis 是否可用,再结合缓存命中率、数据库负载和请求量判断原因,选择对应措施。


📚 二、先理解缓存查询流程

以查询商品详情为例,常见的缓存查询流程是:

用户查询商品
    ↓
先查 Redis
    ├── 命中 → 返回缓存数据
    └── 未命中
          ↓
       查询数据库
          ├── 有数据 → 写入 Redis → 返回数据
          └── 无数据 → 返回不存在

Redis 用来减少数据库读取压力和降低响应时间。缓存未命中后是否查询数据库,要由具体业务决定;遇到故障和高并发时,不能不加控制地让所有请求都访问数据库。

缓存未命中本身是正常现象。 只有大量请求集中回源,超过数据库承受能力,才可能造成性能问题。


🔥 三、缓存穿透

1. 什么是缓存穿透?

请求的数据在缓存和数据库中都不存在,如果没有缓存查询结果,请求可能每次都到数据库。

请求商品 ID:999999
    ↓
Redis 没有
    ↓
数据库也没有
    ↓
返回不存在

再次请求 → 仍然访问数据库

例如用户频繁查询不存在的商品 ID,或者外部请求不断使用随机 ID 查询。即便 Redis 正常,数据库也可能承受大量无效查询。

2. 方案一:缓存空值

数据库查不到数据时,在 Redis 中写入一个表示“不存在”的特殊值,并设置较短过期时间。

Redis 未命中 → 查数据库
    ├── 查到 → 缓存真实数据
    └── 没查到 → 缓存空值

再次查询 → 命中空值 → 返回不存在

优点:实现相对简单,能减少同一个不存在的 Key 反复回源。

注意:

  • 如果不断查询不同的不存在 ID,可能产生大量空值 Key,占用内存。
  • 原本不存在的数据后来被创建后,旧空值可能让用户暂时看不到新数据;创建成功后需要删除或更新对应缓存,并结合过期时间控制影响。
  • 缓存空值应与缓存未命中区分开,避免仍然重复查询数据库。

3. 方案二:布隆过滤器

布隆过滤器可以用较少空间判断一个元素可能存在还是一定不存在。

用户查询 ID
    ↓
布隆过滤器判断
    ├── 一定不存在 → 不查询数据库,直接返回不存在
    └── 可能存在 → 继续查缓存,必要时查数据库

布隆过滤器可能出现误判:不存在的数据被判断为可能存在,于是仍会进入后续查询;在正确初始化和维护的前提下,已加入的元素不会被误判为不存在。

注意:

  • 要确保过滤器及时包含新增数据。如果数据库已经插入,但过滤器漏加,真实数据可能被错误拦截。
  • 经典布隆过滤器不能直接安全地删除单个元素,因为不同元素可能共享位;删除需求要结合实现和业务设计。
  • 它不能代替缓存、数据库和其他防护手段。

4. 面试标准回答

缓存穿透是指请求的数据在缓存和数据库中都不存在,导致请求反复访问数据库。可以缓存空值、使用布隆过滤器提前过滤明显不存在的数据,同时结合参数校验和限流。空值缓存需要处理数据后来新增的情况;布隆过滤器要保证数据及时同步,并接受一定误判率。


🔥 四、缓存击穿

1. 什么是缓存击穿?

某个热点 Key 的缓存失效,短时间内大量并发请求都没有命中缓存,可能同时回源查询数据库。

热门商品缓存失效
    ↓
大量请求同时到达
    ↓
都发现缓存未命中
    ↓
同时查询数据库
    ↓
数据库压力陡增

与穿透不同,击穿场景中的数据通常是存在的,只是热点缓存暂时不可用或已过期。

2. 方案一:互斥重建缓存

缓存未命中后,通过锁控制只有少量请求负责回源重建。

缓存未命中
    ↓
尝试获取锁
    ├── 获取成功 → 再查一次缓存
    │                 ├── 有数据 → 返回
    │                 └── 无数据 → 查询数据库 → 写缓存 → 释放锁
    └── 获取失败 → 短暂等待后重试、返回旧值或降级

为什么获取锁后还要再查一次缓存?

因为等待锁期间,其他请求可能已经查库并写入缓存。再次检查可以避免重复回源。

注意:

  • 单机锁只限制当前应用实例;多实例部署时,需要考虑使用分布式协调机制。
  • 使用分布式锁时,锁需要有过期时间,释放时要校验锁归属并保证校验与删除的原子性,避免误删其他请求的锁。
  • 锁超时、重建耗时过长或节点故障时,仍可能出现多个请求重建,不能把锁当成绝对保证。
  • 等待要有上限,不能让大量请求无限排队;要结合业务选择重试、旧值或降级。

3. 方案二:逻辑过期与异步刷新

缓存中保留数据和一个业务上的过期时间。读取时如果发现逻辑上已过期,可以由一个请求触发异步刷新,其他请求暂时读取旧值。

读到缓存
    ↓
判断逻辑过期时间
    ├── 未过期 → 返回数据
    └── 已过期 → 触发异步刷新,同时按业务规则返回旧数据

优点:热点数据刷新时,用户请求不必全部等待数据库。

代价:可能返回短时间的旧数据。缓存本身也可能因淘汰、故障或实际过期而消失,因此仍需要缺失时的兜底方案。对金额、库存等强实时要求的场景,不能直接套用。

4. 方案三:热点预热

在热点数据即将被大量访问前,提前将数据加载到缓存;也可以在失效前安排刷新。

预热可以降低冷启动或集中访问的压力,但并不能保证缓存永不失效,也要限制预热并发,避免预热过程压垮数据库。

5. 面试标准回答

缓存击穿是热点 Key 失效后,大量请求同时回源数据库。可以通过互斥重建控制回源并发,获取锁后再次检查缓存;对于允许短暂旧数据的业务,也可以采用逻辑过期和异步刷新。具体要结合一致性、响应时间和系统部署方式选择。


🔥 五、缓存雪崩

1. 什么是缓存雪崩?

大量缓存集中失效,或者 Redis 等缓存服务大面积不可用,导致大量请求在短时间内到达数据库。

常见原因有两类:

  1. 大量 Key 同时过期:例如批量加载时设置了相同过期时间。
  2. 缓存服务故障:例如 Redis 实例不可用或访问异常,导致大量请求无法正常读取缓存。
大量缓存同时失效 / Redis 不可用
    ↓
大量请求不能通过缓存返回
    ↓
请求集中回源数据库
    ↓
数据库连接、CPU 或 I/O 压力升高
    ↓
接口变慢甚至不可用

2. 针对大量 Key 集中过期

过期时间增加随机值

例如原本统一设置 30 分钟,可以给每个 Key 的过期时间增加一定范围的随机值,让它们尽量分散到不同时间失效。

原来:大量 Key 都在 30 分钟后过期
调整:基础过期时间 + 随机时间

这只能缓解集中到期,不能解决 Redis 整体故障,也不能保证热点 Key 不发生击穿。

分批加载和预热

避免在同一时刻批量创建大量相同生命周期的缓存;热点数据可以分批预热,并限制回源速度。

3. 针对缓存服务故障

  • 提高可用性:根据业务要求配置 Redis 的高可用和故障切换机制,但不能假设故障切换一定瞬间完成或不会丢失数据。
  • 限流和隔离:限制回源并发,保护数据库连接池和数据库。
  • 降级:对允许降级的功能返回默认值、旧值或稍后重试提示,具体由业务确定。
  • 本地缓存:对于适合短暂缓存、允许一定不一致的热点数据,可作为部分场景的兜底;需要考虑多实例数据不一致和本地缓存容量。

4. 面试标准回答

缓存雪崩是大量缓存同时失效,或者缓存服务大面积不可用,造成请求集中访问数据库。对于集中到期,可以通过过期时间加随机值和分批预热分散压力;对于缓存服务故障,还需要高可用、回源限流和业务降级。随机过期时间不能解决 Redis 整体不可用的问题。


💼 六、业务场景题

场景一:商品 ID 不存在,但数据库查询量很高,怎么处理?

标准回答:

我会先从日志和监控确认是否存在大量不存在的商品 ID 查询,以及这些请求是否反复查询相同 ID。如果是重复查询,可以对不存在的数据设置短时间空值缓存,并在商品创建时删除或更新空值。如果不存在的 ID 范围很大,可以评估布隆过滤器、参数校验和限流,避免大量无效查询进入数据库。同时要保证过滤器包含新增商品,避免误拦截。

场景二:某个热门商品缓存刚过期,数据库连接数突然升高,怎么办?

标准回答:

这可能是热点 Key 击穿。我会先确认请求是否集中在同一商品、缓存是否刚失效,以及数据库是否出现大量相同查询。处理上可以控制回源并发,让少量请求重建缓存,并在拿到锁后再次检查缓存;未拿到锁的请求根据业务等待、返回旧值或降级。如果商品数据允许短时间不一致,也可以考虑逻辑过期和异步刷新。

场景三:Redis 故障后,大量接口都开始超时,怎么处理?

标准回答:

我会先确认 Redis 是否不可用、影响哪些接口,以及数据库和连接池是否因回源而过载。短期内优先保护数据库,对非核心功能限流或降级,必要时使用已有的可用旧数据;同时排查并恢复缓存服务。恢复后控制缓存预热和回源速度,避免所有请求和预热任务同时冲击数据库。事后结合监控完善高可用、隔离和故障预案。

场景四:每天凌晨大量缓存同时过期,数据库负载飙升,怎么办?

标准回答:

我会先确认这些 Key 是否由同一批任务创建、是否设置了相同过期时间。可以在满足业务数据时效要求的前提下给过期时间增加随机值,分批加载和刷新;再结合回源限流保护数据库。对于特别热的 Key,还要单独考虑击穿,不能认为随机过期就能解决所有问题。


🛠️ 七、线上排查顺序

  1. 看影响范围:是个别接口、单个热点 Key,还是大量业务同时受影响?
  2. 看 Redis 状态:实例可用性、请求延迟、连接数、内存与淘汰情况。
  3. 看缓存命中与回源:命中率变化、热点 Key 失效时间、相同 Key 的回源量;区分缓存未命中和 Redis 调用异常。
  4. 看数据库:连接池、慢 SQL、相同查询的并发量、CPU 和 I/O。
  5. 看数据是否存在:大量不存在的 Key 需要考虑穿透;存在的热点数据集中回源要考虑击穿;大面积同时失效或缓存故障要考虑雪崩。
  6. 先止损再优化:按业务优先级限流、降级和限制回源,恢复后再分析根因。

缓存命中率只是线索,不能单凭一个指标断定原因;要结合具体 Key、时间点和数据库请求一起看。


🎯 八、面试追问

Q1:穿透和击穿最核心的区别是什么?

穿透通常是请求的数据不存在,反复查询缓存和数据库;击穿通常是数据存在,但热点缓存失效,导致大量请求同时回源。

Q2:击穿和雪崩有什么区别?

击穿一般强调单个或少量热点 Key 失效;雪崩强调大量缓存集中失效或缓存服务大面积不可用。两者都可能导致数据库压力升高,实际场景也可能同时出现。

Q3:布隆过滤器为什么说“可能存在”?

因为多个元素可能映射到相同的位,不存在的元素也可能恰好命中这些位,所以会有误判。判断结果为可能存在时,还需要继续查缓存或数据库。

Q4:布隆过滤器说一定不存在,就一定能直接拦截吗?

前提是过滤器初始化完整且与数据变化保持一致。如果新增数据还没有加入过滤器,真实存在的数据也可能被业务错误拦截,因此需要设计同步和故障处理机制。

Q5:缓存空值有什么问题?

大量不同的无效 Key 可能占用内存;数据从不存在变为存在后,旧空值还可能造成短时间不可见。需要控制过期时间,并在新增数据时处理对应空值。

Q6:为什么拿到重建锁后还要再查一次缓存?

等待锁期间其他请求可能已经重建缓存。再次检查可以避免重复查库。

Q7:给热点 Key 设置永不过期就一定安全吗?

不一定。数据更新可能导致缓存长期不一致;缓存也可能因内存淘汰、服务故障或人工删除而丢失。即使不设置物理过期时间,也需要更新和故障兜底机制。

Q8:给过期时间加随机值能解决 Redis 宕机吗?

不能。随机值主要缓解大量 Key 集中到期,Redis 宕机需要高可用、限流、降级等措施。

Q9:逻辑过期适合所有业务吗?

不适合。它通常允许短时间返回旧数据,需要业务接受这种不一致。对库存、余额等数据应按实际一致性要求设计,不能直接套用。

Q10:缓存未命中就一定是异常吗?

不是。新数据首次访问、正常过期都可能导致未命中。需要看回源量、热点、数据库负载和业务影响。

Q11:为什么缓存服务故障后不直接让所有请求查数据库?

因为缓存通常承担了大量读流量,突然全部回源可能超过数据库容量,造成故障扩大。应结合业务限流、隔离、降级,并控制回源并发。

Q12:缓存和数据库一致性怎么保证?

这是另一个独立问题。常见做法是更新数据库后删除缓存,但并发读写、删除失败等情况下仍可能出现短暂不一致,需要结合业务要求考虑重试、消息和补偿等机制。不能简单认为加了缓存或删除缓存就实现了强一致。


⚠️ 九、常见易错点

  1. 认为所有缓存未命中都是穿透:首次访问和正常过期同样会未命中。
  2. 认为布隆过滤器不会误判:它可能把不存在的数据判断为可能存在。
  3. 认为随机过期时间能解决所有雪崩:Redis 整体故障需要另外的保护手段。
  4. 认为分布式锁绝对不会重复重建:锁过期、进程暂停等情况可能导致并发重建,仍需考虑保护措施。
  5. 认为逻辑过期没有代价:返回旧值会带来短时间不一致。
  6. 只保护缓存,不保护数据库:缓存故障时需要限制回源,避免问题扩大。

📌 十、考前必背

穿透是数据不存在却不断查询,常用空值缓存、布隆过滤器和限流处理。

击穿是热点缓存失效后大量请求同时回源,常用互斥重建或允许短暂旧数据的异步刷新处理。

雪崩是大量缓存集中失效或者缓存服务大面积不可用,常用随机过期、分批预热、高可用、限流和降级处理。

排查时先看数据是否存在、是否集中在热点 Key、缓存服务是否正常,再结合数据库压力定位问题。


评论