Java Cache缓存如何降低数据库压力

Java Cache 降低数据库压力的总体思路

• 把读多写少、计算昂贵或重复请求的结果放入缓存，命中后直接返回，避免访问数据库。
• 通过合理的失效与更新策略保证缓存与数据库的一致性，避免脏读与过期堆积。
• 在并发场景下用互斥/防击穿机制，在容量与可用性上做分层与高可用设计，防止缓存成为新的瓶颈。

缓存架构选型与适用场景

缓存读写策略与落地方式

• 常用读写策略
  • Cache-Aside（旁路）：读先查缓存，未命中回源数据库并回填；写先更数据库，再删缓存（下次按需回填）。实现简单、普适性强。
  • Read-Through：缓存未命中时由缓存组件自动调用“加载器”从数据库加载并写入缓存，对业务透明。
  • Write-Through：写入同时更新缓存与数据库，数据强一致但写放大，适合写后立即可读的场景。
  • Write-Behind（异步写回）：先更新缓存，由后台批量写回数据库，吞吐高但存在数据丢失风险，需谨慎使用。
• Spring Cache 快速落地
  • 依赖与启用：引入spring-boot-starter-cache，在启动类加**@EnableCaching**。
  • 常用注解：
    • @Cacheable：方法前先查缓存，命中直接返回；未命中执行方法并回填。
    • @CachePut：执行方法并用结果更新缓存（常用于更新场景）。
    • @CacheEvict：删除缓存（常用于删除/更新后失效）。
  • 示例（商品详情，防击穿用 sync）：
    • @Service public class ProductService { @Autowired private ProductMapper productMapper; private static final String CACHE_PREFIX = “product:”; @Cacheable(value = “product”, key = “#id”, sync = true) public Product getProductById(Long id) { return productMapper.selectById(id); } @CacheEvict(value = “product”, key = “#product.id”) public void updateProduct(Product product) { productMapper.updateById(product); } } 以上策略与注解用法可显著降低数据库读/写次数，提升吞吐与稳定性。

高并发下的稳定性设计

• 缓存穿透
  • 现象：查询不存在的数据导致每次都打到数据库。
  • 对策：缓存空对象（设置较短 TTL）、使用布隆过滤器前置拦截不存在的 key。
• 缓存击穿
  • 现象：热点 key过期瞬间大量并发回源数据库。
  • 对策：互斥锁（只允许一个线程重建）、逻辑过期/永不过期 + 异步刷新（先返回旧值，后台更新）。
• 缓存雪崩
  • 现象：大量 key 同时过期导致数据库瞬时压力骤增。
  • 对策：为 TTL 增加随机抖动、关键数据永不过期 + 异步更新、构建Redis 哨兵/集群提升可用性。
• 其他要点
  • 合理设置 TTL/TTI、LRU/LFU 等淘汰策略，避免缓存膨胀与频繁重建。
  • 写策略尽量采用先更库后删缓存，必要时配合消息/延迟双删降低不一致窗口。

监控与容量规划

• 明确缓存目标：设定命中率目标（如>95%）、平均回源时延、数据库 QPS 下降幅度等可观测指标。
• 容量与淘汰：结合对象大小与实例内存，设置maximumSize、expireAfterWrite/Access，避免 OOM 与频繁淘汰。
• 高可用与降级：Redis 采用主从/哨兵/集群；缓存异常时快速失败并回源数据库，同时限流保护后端。
• 多级缓存联动：本地缓存设置较短 TTL做热点加速，Redis 作为一致性兜底，并在热点变更时主动批量失效相关前缀。