4. 缓存技术选型与设计：本地缓存与分布式缓存的对比及淘汰策略
在风控系统中，缓存是降低数据库压力、提升规则计算速度的核心手段。本章聚焦于缓存技术的选型与设计，从本地缓存（Caffeine/Guava）与分布式缓存（Redis/Memcached）的对比出发，深入分析淘汰策略（LRU/LFU/TTL）及数据结构设计，为后续的异步任务编排提供高性能、高可用的缓存底座。
4.1 本地缓存 vs 分布式缓存：核心对比
风控场景中，本地缓存适用于单节点高频访问的静态数据（如规则元数据、黑白名单），而分布式缓存适用于跨节点共享的实时数据（如用户画像、设备指纹）。以下从多个维度进行对比：
| 对比维度 | 本地缓存 (Caffeine/Guava) | 分布式缓存 (Redis/Memcached) |
|---|---|---|
| 数据一致性 | 单机强一致，无需网络同步 | 最终一致，依赖网络协议 |
| 访问延迟 | 纳秒级（堆内访问） | 微秒级（网络 I/O） |
| 容量上限 | 受限于 JVM 堆内存 | 可水平扩展至 TB 级 |
| 持久化 | 不支持（重启即丢失） | 支持 RDB/AOF 持久化 |
| 典型场景 | 规则引擎元数据、频率计数器 | 用户会话、实时黑名单、设备指纹 |
| 淘汰策略 | LRU/LFU/TTL 组合 | LRU/LFU/TTL/随机淘汰 |
选型建议： 风控系统中，建议采用“本地缓存 + 分布式缓存”两级架构。本地缓存用于高频读取的静态数据（如规则配置），分布式缓存用于跨节点共享的实时数据（如用户风险等级）。两级缓存可显著降低分布式缓存的 QPS 压力。
4.2 缓存淘汰策略：LRU、LFU 与 TTL
淘汰策略决定了缓存空间不足时如何驱逐旧数据。风控场景中，不同数据对时效性和访问频率的要求不同，需选择合适的策略。
- LRU（Least Recently Used）：淘汰最近最少使用的数据。适用于访问模式有明显时间局部性的场景，如用户会话缓存。
- LFU（Least Frequently Used）：淘汰访问频率最低的数据。适用于热点数据相对稳定的场景，如规则命中统计。
- TTL（Time To Live）：基于过期时间淘汰。适用于对时效性要求严格的数据，如验证码、临时令牌。
实践要点： Caffeine 默认采用 W-TinyLFU 算法，结合 LRU 与 LFU 的优点，能有效应对突发流量和冷热数据切换。Redis 支持 volatile-lru、allkeys-lru、volatile-lfu、allkeys-lfu 等多种策略，建议风控系统使用 volatile-lru 或 volatile-lfu，仅对设置了 TTL 的 key 进行淘汰。
4.3 缓存数据结构设计
风控系统中，缓存的数据结构直接影响查询效率和内存占用。以下列出常见的数据结构及其适用场景：
| 数据结构 | 存储内容 | 典型风控场景 | 优势 |
|---|---|---|---|
| String | 单个值（JSON/序列化对象） | 用户风险等级、设备指纹 | 简单、高效，支持原子操作 |
| Hash | 字段-值映射 | 用户画像（多属性聚合） | 节省内存，支持部分更新 |
| List | 有序列表 | 事件队列、操作日志 | 支持双向操作，适合 FIFO |
| Set | 无序集合（去重） | 黑名单、白名单 | 支持交集/并集运算 |
| Sorted Set | 有序集合（带分数） | 排行榜、频率计数器 | 支持范围查询和排序 |
设计陷阱： 避免将大对象（如完整用户画像）直接存入 String 类型，会导致内存膨胀和序列化开销。建议使用 Hash 结构按字段存储，或拆分为多个小 key。对于黑名单等集合数据，优先使用 Set 而非 List，以利用去重和集合运算能力。
4.4 两级缓存架构设计
风控系统推荐采用“本地缓存（L1）+ 分布式缓存（L2）”的两级架构，兼顾性能与一致性。本地缓存使用 Caffeine，分布式缓存使用 Redis。
- L1 本地缓存（Caffeine）：存储规则元数据、静态配置、频率计数器。容量控制在 100MB 以内，淘汰策略使用 W-TinyLFU + TTL。
- L2 分布式缓存（Redis）：存储用户会话、实时黑名单、设备指纹、风险等级。容量按需扩展，淘汰策略使用 volatile-lru。
- 一致性策略：本地缓存设置较短的 TTL（如 5 秒），分布式缓存更新时通过消息队列广播失效通知。
4.5 缓存设计最佳实践
- Key 设计规范：使用业务前缀 + 冒号分隔，如
risk:user:12345:level，便于管理和监控。 - 内存预估：根据数据量和 TTL 估算内存占用，预留 20% 的 buffer 空间。
- 缓存穿透防护：对不存在的数据也缓存空值（设置短 TTL），或使用布隆过滤器。
- 缓存雪崩防护：设置随机 TTL 偏移量，避免大量 key 同时过期。
- 监控告警：监控缓存命中率、内存使用率、淘汰次数，低于阈值时触发告警。
代码示例：Caffeine 本地缓存配置
Cache<String, UserRiskLevel> riskCache = Caffeine.newBuilder()
.maximumSize(10_000) // 最大条目数
.expireAfterWrite(5, TimeUnit.SECONDS) // 写入后 5 秒过期
.recordStats() // 开启统计
.build(key -> loadFromRedis(key)); // 缓存未命中时回源