第3章 分布式缓存核心原理：缓存类型、淘汰策略、一致性哈希、缓存雪崩/穿透/击穿
本章聚焦分布式缓存四大核心考点，面试官通常从“你用过的缓存方案”切入，逐层深入到底层原理与异常防御。掌握缓存分类选型、淘汰策略配置、一致性哈希设计及三种缓存异常的区分应对，是面试中展现系统化思考能力的关键。
Q1：请详细说明常见的缓存类型及其淘汰策略，如何根据业务场景选择合适的缓存方案？
🎯 面试官考察点：对缓存体系的全景理解深度，是否掌握不同缓存的适用边界，能否将业务需求转化为技术选型。
🧩 回答框架
- 分类阐述：本地缓存（Guava Cache）、集中式缓存（Redis）、分布式缓存（Redis Cluster），各自特点。
- 策略对比：LRU（最近最少使用）、LFU（最不经常使用）、TTL（过期淘汰）的适用场景。
- 场景匹配：高并发→本地+Redis两级架构；强一致→TTL+主动更新；成本敏感→LRU控制内存。
✏️ 示例回答：缓存主要分本地（Guava Cache）、集中式（Redis）和分布式三类。淘汰策略常用LRU、LFU和TTL。高并发场景优先本地+Redis两级架构；数据一致性要求高的场景使用TTL加主动更新，兼顾性能与一致性。
🔍 可能追问
- Redis 的淘汰策略有哪几种？如何选择？
- LRU 和 LFU 的核心区别是什么？
- 如何监控缓存淘汰导致的性能波动？
⚠️ 避坑提醒：不要只背诵策略名称，要结合业务场景说明选择理由。例如“秒杀场景优先LFU防热点”比“用过LRU”更有区分度。
Q2：请解释一致性哈希算法的原理及其在分布式缓存中的应用，如何解决数据倾斜问题？
🎯 面试官考察点：对分布式数据分布机制的理解，是否掌握一致性哈希的核心优势及工程优化手段。
🧩 回答框架
- 原理说明：将数据 Key 和节点映射到哈希环，数据顺时针存储到最近的节点。
- 优势阐述：节点增减只影响相邻节点数据，最小化数据迁移。
- 优化方案：引入虚拟节点，每个物理节点对应多个虚拟节点，使数据分布更均匀。
✏️ 示例回答：一致性哈希将数据和节点映射到哈希环，节点增减只影响相邻节点。引入虚拟节点解决数据倾斜，每个物理节点对应100-200个虚拟节点。Redis Cluster采用类似思路分片，工程中还需配合监控工具调整虚拟节点数量。
🔍 可能追问
- 一致性哈希与哈希取模（mod）相比，核心优势是什么？
- 虚拟节点数量如何设置？有什么考量？
- 数据倾斜时如何动态 rebalance？
⚠️ 避坑提醒：不要只讲理论环结构，要说明工程实践。例如“虚拟节点数通常设置为100-200个，需平衡内存开销与均衡性”。
Q3：请分别解释缓存雪崩、缓存穿透、缓存击穿的区别及对应的解决方案？
🎯 面试官考察点：对缓存异常场景的识别与防御能力，能否清晰区分三种异常并给出可落地的方案。
🧩 回答框架
- 概念区分：雪崩→大批Key同时过期；穿透→查询不存在数据；击穿→热点Key过期。
- 成因分析：雪崩因批量过期/宕机；穿透因恶意攻击/数据缺失；击穿因热点集中失效。
- 解决方案：雪崩→过期时间加随机值+多级缓存；穿透→布隆过滤器+空值缓存；击穿→互