在分布式系统中设计缓存时，缓存失效策略是关键的一环，直接影响系统的性能、缓存命中率、数据的一致性和资源利用率。合理的缓存失效策略不仅可以有效降低缓存中的脏数据，还能避免缓存不必要的占用、提升系统响应速度。
1. 定时失效（Time-based Expiration）
- 策略概述：通过为缓存中的每条数据设置一个生命周期（TTL，Time-to-Live），在超过指定时间后数据即自动失效。
- 应用场景：适用于对数据的时效性要求较高的场景，如推荐系统、新闻资讯等短周期数据缓存。
- 优点：操作简便，能自动清除过期数据，保证数据的时效性。
- 缺点：过期时间设置不当会导致缓存命中率低或缓存失效后大量请求直接访问后端，造成“缓存击穿”。需要考虑不同数据的不同生命周期。
2. 主动失效（Active Expiration）
- 策略概述：缓存系统与数据源保持关联，一旦数据源更新或删除时，主动将相关缓存数据清除。
- 应用场景：适用于数据频繁更新的场景，如电商库存、用户个人信息等。
- 优点：能够有效避免缓存脏数据，提高缓存和数据库的一致性。
- 缺点：需要额外的实现逻辑和通知机制，与数据库之间的关联操作复杂度较高。
3. 被动失效（Lazy Expiration）
- 策略概述：缓存中的数据在被请求时，如果发现已过期或无效，再去获取新数据并更新缓存。
- 应用场景：适合一些访问频率较低的数据或不需要实时性的数据，如系统设置、静态配置等。
- 优点：减少缓存更新次数，节省资源。
- 缺点：请求命中失效数据时会增加延迟，可能影响用户体验。此外，在高并发情况下被动失效可能引发“缓存击穿”。
4. 定期清理（Scheduled Eviction）
- 策略概述：通过后台定期清理缓存中的过期数据，通常基于调度任务定时运行，按照一定的周期对缓存数据进行批量清理。
- 应用场景：适用于需要统一清理缓存数据的场景，如在特定时间段访问量低的系统中，进行批量的缓存清理操作。
- 优点：可以有效控制缓存的内存使用率，减少系统资源开销。
- 缺点：定期清理的执行时间和清理范围难以精准控制，不适用于需要实时清理缓存的场景，可能导致缓存命中率下降。
5. 按策略优先级失效（Policy-based Eviction）
- 策略概述：通过策略优先级自动失效不同优先级的数据，常见策略有 LRU（Least Recently Used）、LFU（Least Frequently Used）、FIFO（First In First Out）等。
- 应用场景：适合于需要动态调整缓存数据存留的场景，如热点数据缓存、分布式系统中的高并发数据缓存。
- 优点：根据不同的数据使用特性（频率、时间）优化缓存命中率，适应缓存存储的限制。
- 缺点：缓存策略的管理复杂，需要额外的计算来确定每个数据项的优先级，不同策略需要不同的优化和调整。
6. 分布式缓存失效管理
- 策略概述：在多节点或分布式缓存环境中，节点间缓存失效信息同步十分关键，可以通过消息队列、订阅发布机制或一致性哈希算法等实现分布式缓存失效。
- 应用场景：适用于分布式缓存系统，如 Redis 集群、分布式文件系统缓存等，确保各节点的数据一致性。
- 优点：能有效同步缓存失效信息，保持集群缓存数据一致性。
- 缺点：设计复杂度高，需避免因失效消息传播不及时导致的数据不一致问题。
7. 缓存预热与预失效
- 策略概述：在系统重启或更新时，将热点数据提前加载至缓存中，减少初始访问的缓存失效几率。同时，通过预判数据失效时间，提前进行缓存刷新。
- 应用场景：适用于热点数据频繁更新的场景，如高并发的活动页面、商品推荐等，特别是在系统高峰期前。
- 优点：提升缓存命中率，减少数据失效的请求压力。
- 缺点：需要合理的缓存失效预测机制，否则会增加缓存更新负载。
8. 缓存穿透、缓存击穿、缓存雪崩防护
- 缓存穿透防护：通过布隆过滤器对缓存无效请求进行过滤，避免无效请求直接访问数据库。
- 缓存击穿防护：设置互斥锁或“互斥保护”机制，在高并发请求访问失效的热点缓存数据时，阻止同时多个请求去访问数据库。
- 缓存雪崩防护：均匀设置不同缓存数据的 TTL 时间，或在缓存大规模失效时，暂时返回较旧的数据，缓解数据库压力。
9. 动态失效时间调节
- 策略概述：根据实时访问情况动态调整缓存的失效时间，例如热点数据可以设置更长的 TTL 时间，冷数据设置更短的 TTL。
- 应用场景：适用于流量波动大，且有明显热点的系统，如社交平台、新闻资讯系统。
- 优点：提升热点数据的命中率，减少高频数据的重复失效。
- 缺点：动态调整逻辑较复杂，可能导致数据不一致性。
10. 流量分配与分级失效
- 策略概述：对缓存数据根据业务优先级和流量进行分级管理，优先处理高优先级的数据失效，确保核心业务数据不受影响。
- 应用场景：适用于资源有限的系统中，核心业务数据优先级更高的场景，如交易系统的支付信息、库存信息等。
- 优点：保障系统在高并发压力下的核心功能稳定性。
- 缺点：需要对缓存数据进行详细的优先级分类管理，增加了复杂性。
