通过一致性哈希算法将数据分片到多个节点，每个节点只负责一部分数据，再配合副本机制和数据淘汰策略，在保证高可用的同时实现读写性能的线性扩展。它把集中式缓存按某种规则切开，分散到集群中，让每个节点承担一部分请求，从而避免单点瓶颈，下面从原理到实践,一步步拆解。
分布式缓存怎么保证数据一致性？
一致性问题是分布式缓存绕不开的坎，缓存和数据库之间，不同缓存节点之间，数据都可能出现短暂的不一致，解决方案的核心在于一致性哈希算法和副本同步机制。
一致性哈希如何减少数据迁移？
传统取模哈希在节点增减时会导致大量缓存失效，击中数据库，一致性哈希将整个哈希空间组织成一个环，每个节点落在环上某个位置，数据按哈希值顺时针找到第一个节点，当节点增减时，只有该节点附近的数据需要重新分配,不会出现全局清洗。
- 计算缓存key的哈希值，映射到环上
- 顺时针找到第一个节点，存储数据
- 节点宕机时，数据被顺时针下一个节点接管
- 引入虚拟节点解决物理节点分布不均的问题
业内专家指出，在节点数超过100个时，虚拟节点能将数据倾斜的概率降到5%以下，实际部署中，虚拟节点数量通常设为物理节点数的100-200倍。
数据副本与同步机制
大多数分布式缓存采用异步复制来平衡性能和数据安全，以Redis集群为例，主节点负责读写，从节点实时同步数据，当主节点宕机，哨兵或集群协议会选举一个从节点升主,但未同步的少量数据可能丢失。
行业共识认为，在分布式缓存中，性能往往优先于强一致性，对于不允许丢失数据的场景，可以启用同步复制或引入分布式事务，但吞吐量会下降30%-50%，超卖不敏感的库存、用户会话这类数据适合用异步复制,而金融交易则建议直接用数据库。
分布式缓存和本地缓存区别：谁更适合你的业务？
本地缓存如Caffeine、Guava，运行在应用进程内，零网络开销，延迟通常在微秒级，分布式缓存如Redis、Memcached，通过网络访问，延迟在毫秒级，但支持数据共享和横向扩展，两者的核心区别在于容量边界和数据一致性模型。
| 对比维度 | 本地缓存 | 分布式缓存 |
|---|---|---|
| 性能 | 微秒级，无网络IO | 毫秒级，受网络影响 |
| 容量 | 受单机内存限制 | 可无限扩展（加节点） |
| 数据一致性 | 进程内一致，但多实例间不一致 | 各节点最终一致，可配置强一致 |
| 扩展性 | 垂直扩展（加内存） | 水平扩展（加节点） |
| 适用场景 | 配置信息、静态分类、局部热点 | 会话共享、全局热点、跨服务数据 |
为什么分布式缓存能支撑更大规模？
基于数据分片，分布式缓存可以将请求分散到多个节点，假设一个Redis节点能抗10万QPS，在一致性哈希的均匀分配下，10个节点就能稳定支撑近100万QPS，每个节点只处理自己负责的那部分key,CPU和内存压力被拆解。
本地缓存何时成为性能瓶颈？
当业务需要多个应用实例共享同一份数据时，本地缓存就无能为力了，比如用户登录会话，用户可能被负载均衡分发到不同实例，如果每个实例只有本地缓存，用户必须反复登录，分布式缓存通过集中存储解决了这个问题，但引入了网络延迟,需要权衡。
分布式缓存的核心机制：从淘汰策略到缓存穿透
除了数据分片，缓存淘汰策略和常见异常场景的防御也是原理的一部分。
淘汰策略：LRU、LFU、TTL的工作原理
- LRU（最近最少使用）：淘汰最久未被访问的key，适合访问模式随时间变化的场景
- LFU（最不经常使用）：淘汰访问频率最低的key，适合热点稳定的场景
- TTL（过期时间）：强制数据在指定时间后失效，用于验证码、临时令牌等
Redis默认使用近似LRU，通过采样后淘汰，内存消耗比严格LRU低很多，Memcached则使用LRU,但新增数据时如果内存不足也会淘汰旧数据。
缓存穿透、击穿、雪崩的应对方案
- 缓存穿透：查询一个不存在的key，请求直接打到数据库，解决方案是布隆过滤器，把合法key的哈希值提前存入位数组,判断不存在时直接返回空。
- 缓存击穿：某个热点key过期后，大量并发请求涌入数据库，使用互斥锁（setnx）让第一个请求重建缓存，其余请求等待，或设置永不过期+异步更新。
- 缓存雪崩：大量key在同一时间过期，导致数据库压力暴涨，在设置过期时间时加入随机值（如基础时间+5-10分钟随机）,避免集体失效。
分布式缓存选型对比：Redis集群与Memcached
选型时主要看数据持久化需求、数据结构丰富度
和集群复杂度。
- Redis集群：支持多种数据结构（字符串、哈希、列表、有序集合），默认开启持久化（RDB/AOF），通过Gossip协议自动分片和故障转移,适合需要复杂查询和数据持久化的场景。
- Memcached：仅支持字符串，纯内存缓存，无持久化，采用一致性哈希客户端分片，性能极高但功能单一，适合简单key-value存取且不怕丢数据的场景。
据行业共识，Redis在缓存领域的市场份额已超过80%，主要因为其生态完善，支持Lua脚本、发布订阅、地理信息等，Memcached则在纯性能极致场景下仍有优势,但维护成本略高。
关于分布式缓存原理的常见疑问
分布式缓存的数据一致性如何保证？
大部分场景使用最终一致性，写操作优先更新缓存，再异步同步到数据库，或反过来（先更新数据库再删除缓存），如果要求强一致，需要引入分布式锁或事务，但会牺牲性能，实际业务中，99%的缓存应用可以接受短暂的不一致。
分布式缓存和本地缓存可以一起用吗？
可以，组成多级缓存，本地缓存作为一级缓存，承担高频访问但数据量小的热点；分布式缓存作为二级缓存，存储共享数据，当一个服务实例更新数据时，通过消息队列通知其他实例清除本地缓存,这种组合能兼顾延迟和容量。
分布式缓存如何选择合适的数据淘汰策略？
如果业务数据有明显的访问热点且热点变化慢，用LFU，如果访问模式随时间变化（如新闻热点），用LRU，如果数据有明确的生命周期（如验证码），用TTL强制过期，多数情况下，LRU配合TTL能满足日常需求,这也是Redis的默认组合。
首发原创文章，作者：王坚，如若转载，请注明出处：https://test.idctop.com/article/547188.html
