「数据库方向的团队做 Redis 的内存淘汰与键过期策略,踩的坑高度相似:惰性删除、定期抽样、冷热分层互相牵连,改一处动全身。本文按 3 个要点组织,先讲清依赖,再谈优化。」 ▍一、问题定位 Redis 的内存淘汰与键过期策略的典型故障曲线是这样的:先是一个可忍受的抖动,接着重试把抖动放大,最后惰性删除的补偿逻辑把局部问题扩散成面。真正需要设计的不是「不出错」,而是「出错时影响面可控」。 ▪1.1 为什么现在更值得讨论 几个变化让这件事比三年前更紧迫: • 故障成本上升:一次长尾故障带来的业务损失远高于优化投入 • 技术栈收敛:同类系统越来越少,方案选型更看重可维护性 • 审计要求:变更需要可追溯,状态变更必须留痕 ▍二、按要点拆解:Redis 的内存淘汰与键过期策略 ▪2.1 惰性删除 做惰性删除时建议先画出它的状态集合:哪些是稳定态、哪些是过渡态、过渡态允许停留多久。状态机一旦显式化,重试与幂等的问题会自己浮出来。 • 灰度颗粒度:惰性删除的变更按流量比例还是按租户/节点放量,决定了回滚速度 • 变更可逆:惰性删除的配置与代码要能在 30 秒内回到上一版 • 数据兼容:惰性删除改造期间,新旧状态格式必须双向可读 ▪2.2 定期抽样 定期抽样与相邻环节的契约要写死在接口上,而不是靠约定。契约一旦模糊,上游的每次「顺手改」都会变成下游的隐性故障。 • 资源:定期抽样单次操作的内存与连接占用要能算出来,避免压力下雪崩 • 回退:给定期抽样明确「降级到哪一档」,而不是「出错就重试」 • 观测:定期抽样至少有成功率、P99、积压量三个指标能被独立查询 ▪2.3 冷热分层 冷热分层的关键不在「怎么实现」,而在「边界定在哪」。先把输入来源、量级上限、失败后的补偿路径三件事写下来,实现反而只有几十行。 • 幂等:冷热分层被重复触发时结果一致,且不产生额外副作用 • 隔离:冷热分层的异常不能影响同实例上的其他租户或请求 • 灰度颗粒度:冷热分层的变更按流量比例还是按租户/节点放量,决定了回滚速度 它们之间的关系不是并列,而是有先后依赖: 惰性删除 → 定期抽样 → 冷热分层 链路里靠前的环节一旦不可靠,后面定期抽样的所有优化都会被抵消。这也是为什么先把惰性删除的边界做扎实,比堆性能数字更划算。 ▍三、最小可运行实现 我们接手过一个数据库场景的服务:峰值吞吐约 11 万 QPS,P99 长期在 294ms 上下浮动,一到业务高峰就突破 SLA。排查后发现瓶颈并不在惰性删除本身,而是它在压力下的重试风暴把定期抽样拖垮了。 分三步处理:先给惰性删除加背压并限制重试预算,再把定期抽样的全局依赖改成局部视图,最后用影子流量验证一致性。三步都上完之后,关键指标才落到可接受区间。 下面是核心逻辑的实现骨架(数据库场景):

// 缓存读取:空值兜底、热点合并与过期重建 
 package cache 
 import ( 
    "context" 
    "sync" 
    "time" 
    "golang.org/x/sync/singleflight" 
 ) 
 type entry struct { 
    val      string 
    expireAt time.Time 
 } 
 type Store struct { 
    mu    sync.RWMutex 
    data  map[string]entry 
    group singleflight.Group 
    ttl   time.Duration 
 } 
 // Get 三态返回:命中、空值(已确认不存在)、未命中 
 // 空值同样写入短 TTL,挡住穿透流量;热点 key 由 singleflight 合并回源 
 func (s *Store) Get(ctx context.Context, key string) (string, bool, error) { 
    s.mu.RLock() 
    e, ok := s.data[key] 
    s.mu.RUnlock() 
    if ok && time.Now().Before(e.expireAt) { 
      return e.val, e.val != "", nil 
    } 
    v, err, _ := s.group.Do(key, func() (interface{}, error) { 
      val, err := loadFromDB(ctx, key) 
      if err != nil { 
        return "", err 
      } 
      ttl := s.ttl 
      if val == "" { 
        ttl = 30 * time.Second // 空值缓存,避免缓存穿透 
      } 
      s.mu.Lock() 
      s.data[key] = entry{val: val, expireAt: time.Now().Add(ttl)} 
      s.mu.Unlock() 
      return val, nil 
    }) 
    if err != nil { 
      return "", false, err 
    } 
    str, _ := v.(string) 
    return str, str != "", nil 
 }
▍四、验证与调优 优化前后的对比(同一套压测脚本,取值是三次运行的中位数): 环节 | 单次耗时 | 占关键路径 | 优化手段 惰性删除 | 1.3ms | 38% | 减少一次跨进程拷贝 定期抽样 | 2.1ms | 27% | 把重复校验前移到入口 冷热分层 | 2.9ms | 20% | 缓存热路径结果 整体指标:P99 从 294ms 降到 126ms(-57%),吞吐从 11 万 QPS 提升到 24 万 QPS(+118%),CPU 占用从 89% 降到 55%。 ▪4.1 灰度策略 • 阶段一:1% 流量,观察核心指标 24 小时,重点看错误率是否偏离基线 • 阶段二:10% 流量,盯长尾延迟与资源占用,确认没有隐性放大 • 阶段三:50% 流量,压测验证峰值,同时演练一次回滚 • 阶段四:全量上线,一周内保持双写校验与手工抽查 ▪4.2 观测面 观测面按「先指标、再日志、后链路」组织: • 指标:成功率、P99、积压量、重试次数,四个指标能覆盖大部分故障定位 • 日志:结构化输出并带请求 ID,保证一次请求的全链路可串起来 • 链路:只采关键路径,采样率随错误率动态提高 ▍五、结论 回到最初的问题:Redis 的内存淘汰与键过期策略的难点不在单点实现,而在惰性删除、定期抽样、冷热分层之间的契约是否清晰。把要点拆开、把边界写死、把失败路径测到,剩下的才是性能调优的空间。 • 观测先行:先有指标,再谈调优,否则优化方向全靠猜 • 复杂度守恒:省下的复杂度会转移到别处,要主动选择放在哪 • 文档即代码:状态机与边界条件写进仓库,而不是留在人脑里 本文由 AI 辅助生成,其中的性能数字来自示例场景,仅供参考,请以实测为准。

点赞(0) 打赏

评论列表 共有 0 条评论

暂无评论
立即
投稿

微信公众账号

微信扫一扫加关注

发表
评论
返回
顶部