广州的十一月依然带着些许闷热，宿舍楼外的香樟树在夜风里偶尔晃动。室友们大都已经睡了，只有我的机械键盘还在发出轻微的敲击声。屏幕上的代码是一段关于 Redis 的缓存逻辑。

大四了，在这个被称为民办三本的广商度过的这几年，似乎比想象中要快得多。很多人问过我，是怎么拿到 4.02 的绩点和两次国家奖学金的。其实没有什么特别的秘诀，只是在别人打游戏或者抱怨环境的时候，我更愿意坐在电脑前，看着终端里跳动的日志，去弄清楚每一个请求到底经历了什么。

在后端开发里，Redis 是绕不开的名字。书本上说它是基于内存的键值对存储数据库，但在实际的工程里，它是横在应用和物理数据库之间的一道防波堤。合理使用缓存，能将接口的响应时间从几百毫秒降到几毫秒，那种肉眼可见的流畅感，是写代码时最让人安心的反馈。但如果用不好，数据不一致、内存溢出，它也会变成埋在系统里的定时炸弹。

趁着今晚有些思绪，把这几年在项目里摸爬滚打积累的 Redis 缓存策略做个梳理。不全是理论，更多的是踩过坑之后的肌肉记忆。

最基础也最常用的，是 Cache-Aside（旁路缓存）模式。

以前写校园二手墙项目的时候，每次打开首页都要去 MySQL 里做复杂的关联查询，页面转圈要转好几秒。后来我加上了 Redis，逻辑其实很符合直觉，就像你找东西，先摸摸自己的口袋，没有的话再去翻背包，找到了再顺手放进口袋里，方便下次拿。

async function getUser(id: string) {
  // 1. 先查缓存，口袋里有没有
  let user = await redis.get(`user:${id}`)
  if (user) return JSON.parse(user)

  // 2. 缓存未命中，查数据库，去翻背包
  user = await db.findById(id)
  if (!user) return null

  // 3. 写入缓存，顺手放进口袋，并设置过期时间
  await redis.setex(`user:${id}`, 3600, JSON.stringify(user))
  return user
}

这段代码现在看起来很简单，但当时第一次看到响应时间从 800ms 变成 12ms 时，我在屏幕前愣了一会儿。那是工程实践带来的最初的成就感。

除了旁路缓存，还有 Write-Through（写穿）和 Write-Behind（写回）模式。

写穿模式下，写操作会同时更新缓存和数据库。这是一种很求稳的策略，保证了数据的强一致性，但代价是写入的延迟变高了。在处理一些对一致性要求极高的金融积分流转时，我用过这种方式。

而写回模式则完全相反。它先把数据写到缓存里就直接返回成功，然后再由一个异步任务慢慢把数据同步到数据库。性能确实到了极致，但万一 Redis 宕机，数据就丢了。后来我渐渐明白，系统架构设计没有银弹，所有的技术选型，本质上都是在做权衡，看你愿意为了性能放弃多少安全性，或者为了安全承受多少延迟。

随着项目访问量的增加，一些意想不到的问题开始浮现。

首先遇到的是缓存穿透。有天晚上，服务器的 CPU 突然飙升。我连上去看日志，发现有人在用脚本疯狂请求一些根本不存在的用户 ID。因为数据库里没有这些数据，所以永远不会被写进缓存。结果就是，每一次请求都像一根针，直接穿透了 Redis，扎在脆弱的 MySQL 上。

解决这个问题，最快的方法是缓存空值。哪怕数据库里查不到，我也把这个空结果存进 Redis，只设一个很短的过期时间。后来为了更优雅，我引入了布隆过滤器。它像一个守门员，能以极小的内存代价告诉你，这个数据“绝对不存在”或者“可能存在”。把那些绝对不存在的请求直接拒之门外，数据库的压力瞬间就降下来了。

然后是缓存雪崩。那是在一次期末复习周，我做的一个校园资料库小程序在晚上八点准时崩溃了。排查了很久才发现，因为很多资料的缓存都是在同一个时间点生成的，过期时间都设了两个小时。到了八点，大量缓存同时失效，积压的请求像雪崩一样涌入数据库，直接把连接池打满了。

修复的代码其实只有一行，就是在基础的过期时间上，加上一个随机的偏移量。

看着这行代码，有时候会觉得系统和人挺像的。如果所有的事情都被设定在同一个绝对的刻度上去爆发，早晚会崩溃。加一点随机的余地，反而能让整体运转得更健康。

相比之下，缓存击穿更像是一场定点爆破。当某一个极端热点的 key（比如突然爆火的表白墙帖子）在过期的一瞬间，成百上千的并发请求发现缓存没了，就会同时去查数据库。

应对这种情况，我习惯用互斥锁。第一个发现缓存失效的请求，拿到一把锁，去数据库慢慢查，查完写回缓存再释放锁。其他拿不到锁的请求，就稍微等一等，或者直接返回旧数据。这种逻辑上的让步，换来的是整个系统的平稳。

Redis 之所以迷人，不仅仅是因为它快，还因为它提供了非常丰富的数据结构。用对了结构，很多复杂的业务逻辑会变得异常简单。

最普通的 String 用来存用户信息、Session 或是简单的计数。

做校园游戏积分排行的时候，我用了 Sorted Set。它可以自动根据分数进行排序，每次更新积分，排行榜就会实时变动，省去了在应用层写大量排序逻辑的麻烦。

在没来得及引入 RabbitMQ 之前，我用过 List 和 Stream 来做轻量级的异步消息队列，处理一些不那么核心的邮件发送任务。

有一次要做全校用户的连续签到统计，如果用关系型数据库，几万个用户每天的记录会是一张巨大的表。我用了 Bitmap，每个用户每天的签到状态只占 1 个 bit。一个月 30 天，一个用户连 4 个字节都用不到。

后来做 UV 统计，面对海量的去重需求，我用了 HyperLogLog。它虽然有大概 0.81% 的标准误差，但在统计十万、百万级别的访问量时，只需要占用 12KB 的内存。这让我深刻体会到，工程学很多时候就是在接受不完美，用微小的误差去换取巨大的资源节省。

夜已经很深了，笔记本的散热风扇偶尔转动一下，发出轻微的嗡嗡声。

在这个普通的二线城市边缘，在这个并不耀眼的学校里，我敲下了无数行这样的代码。Redis 就像是一个忠实的伙伴，它静静地躺在内存里，帮我挡住了无数次潜在的系统崩溃。

它用得好是加速器，用不好是定时炸弹。其实所有的技术都是如此，关键在于你是否真的愿意沉下心来，去理解业务的真实场景，去推敲每一个请求背后的资源消耗，然后选择一个最合适的策略。

马上就要毕业了，带着这些年积累的代码和两次国奖的证书，即将走向真正的职场。也许外面的世界会有更复杂的并发，更庞大的架构，但无论怎样，只要还能安静地坐在屏幕前，把每一个接口优化到极致，心里就是踏实的。

合上电脑，明天又是新的一天。