1. 缓存命中率核心指标与计算方式

缓存命中率是衡量缓存系统效率最直接、最核心的量化指标。它决定了请求响应速度、后端负载压力以及整体运维成本。理解命中率的定义、计算公式、监控粒度及其业务影响，是进行缓存性能优化的第一步，也是后续所有调优策略的决策基础。

1.1 缓存命中率定义

缓存系统在处理数据请求时，存在两种基本结果：

• 缓存命中（Cache Hit）：请求的数据在缓存中已经存在，直接从缓存返回，无需访问后端存储。
• 缓存未命中（Cache Miss）：请求的数据在缓存中不存在，必须穿透到数据库、磁盘或上游服务获取。

缓存命中率即 命中次数占总请求次数的百分比。该值越接近 100%，说明缓存系统越有效，绝大部分请求都被缓存承接；反之，说明缓存失效严重，大量请求穿透到后端，失去了缓存的加速意义。

1.2 核心计算公式

缓存命中率的基础公式极其简洁，但实际监控中需要区分「请求粒度」与「数据粒度」两种计算口径：

实际生产环境中，大多数监控系统默认使用「请求命中率」口径。以下代码展示从 Redis 实例计算命中率的过程：

# 通过 Redis INFO 命令获取命中与未命中计数
redis-cli INFO stats | grep -E "keyspace_hits|keyspace_misses"

# 输出示例
keyspace_hits: 89234
keyspace_misses: 10766

# 请求命中率计算（Python 示例）
hits = 89234
misses = 10766
total = hits + misses
hit_ratio = (hits / total) * 100
miss_ratio = (misses / total) * 100
print(f"缓存命中率: {hit_ratio:.2f}%")
print(f"缓存未命中率: {miss_ratio:.2f}%")

# 输出
# 缓存命中率: 89.24%
# 缓存未命中率: 10.76%

1.3 监控粒度

缓存命中率并非单一维度的数字，在不同监控粒度下看到的问题完全不同。合理的监控体系应覆盖时间、层级、业务三个维度：

1.4 业务影响分析

缓存命中率直接决定系统的三个核心维度：延迟、吞吐量、成本。下表对比了高命中率与低命中率下的典型表现：

1.5 缓存命中率核心流程与指标关系

下图梳理了从客户端请求到业务影响的完整链路，其中每个节点对应一个关键指标或决策点，帮助建立缓存命中率的全局认知：