Redis 与缓存 / 系统课时

治理淘汰风暴与缓存抖动

治理淘汰风暴与缓存抖动

本课解决 Redis 在高写入、低命中和集中失效同时出现时反复淘汰、回源、再写入的问题。你将建立“压力来源→淘汰→回源→再写”的因果判断,并用 TTL 分散、入口限流和容量扩展降低抖动。

学习目标

  • 能从淘汰速率、命中率和写入压力判断是否存在淘汰风暴
  • 能设计 TTL 分散、请求限流和容量扩展的组合治理方案
  • 能用 Redis 指标验证治理前后的变化

先判断是不是淘汰风暴

淘汰风暴不是“发生了几次 key 淘汰”,而是 Redis 在高内存压力下持续驱逐缓存,同时业务请求因为命中下降而不断回源并再次写缓存,形成反馈环。典型链路是:写入增长或集中失效 → 可淘汰空间不足 → 淘汰加速 → 命中率下降 → 数据库回源增加 → 写入继续增加。

淘汰风暴中的缓存反馈回路

单看 evicted_keys 增长不能直接判定故障。应同时观察命中率、应用回源量、写入速率和内存水位。命中率可用 keyspace_hits / (keyspace_hits + keyspace_misses) 估算;若淘汰持续增加且命中率同步下降,通常比单独看到淘汰更有诊断价值。

用指标定位压力来源

先读取 Redis 统计信息,建立一个时间窗口内的基线,不要只看瞬时值。

bash
redis-cli INFO stats | grep -E 'evicted_keys|keyspace_hits|keyspace_misses|total_commands_processed'
redis-cli INFO memory | grep -E 'used_memory_human|maxmemory_human|maxmemory_policy'

预期结果

text
evicted_keys:184320
keyspace_hits:7824100
keyspace_misses:2918700
total_commands_processed:118240000
used_memory_human:7.62G
maxmemory_human:8.00G
maxmemory_policy:allkeys-lru

若 used_memory 长时间贴近 maxmemory、evicted_keys 持续增长,同时 miss 明显上升,应优先检查是否存在集中失效或写入峰值。若淘汰很高但命中率稳定,则可能只是正常的缓存更新策略,不能仅凭淘汰数字判定抖动。

分散 TTL,先打掉集中失效

大量 key 在同一批次使用相同 TTL,容易在相近时刻集中过期。常见做法是给基础 TTL 增加一个小范围随机抖动,使失效时间分散到更长窗口。随机范围不宜过大,否则会削弱缓存有效期的可控性。

python
import random
import redis

r = redis.Redis(host="127.0.0.1", port=6379, decode_responses=True)
base_ttl = 300
jitter = random.randint(0, 60)
r.set("product:<ID>", "<VALUE>", ex=base_ttl + jitter)

预期结果

text
OK

这里的关键不是“随机”本身,而是把原本高度集中的失效窗口摊平。生产环境还应结合业务更新节奏设置上限,并避免在所有实例中使用完全相同的伪随机种子。

限制回源和突发写入

TTL 分散只能降低集中失效,不能解决流量远超缓存承载能力的问题。此时需要从业务入口限制压力,例如对热点接口限流、对同一 key 的并发回源做合并,并控制缓存重建的并发度。

治理时优先保证数据库可承受的回源量,再决定 Redis 接受多少新写入。因为缓存抖动最危险的地方不是 Redis 本身暂时淘汰,而是 miss 增长后把压力转移到数据库,形成级联故障。

容量扩展不是第一反应

当数据集本身已经超过当前实例合理容量,继续调低 TTL 或频繁调整淘汰策略只能暂时缓解。应核算峰值 used_memory、每个 key 的平均成本、峰值写入增长率以及安全余量,再决定增加实例容量、分片或减少缓存范围。

验证治理是否生效

治理后的成功标准不是“淘汰变成零”,而是同一业务负载下,淘汰峰值降低、命中率恢复、回源量下降,Redis 内存水位回到可控区间。可以在相同压测窗口前后比较四组指标:内存占用、淘汰速率、命中率和数据库回源量。

只要能把“集中失效”和“突发回源”拆开处理,再用容量规划承接真实数据量,Redis 的淘汰机制就会从失控的反馈环重新变成可预期的容量保护手段。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

治理淘汰风暴与缓存抖动

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通