4. 缓存失效与更新策略：TTL、LRU、LFU、主动失效、被动失效对一致性的影响

缓存一致性治理的核心在于“何时失效”与“如何更新”。失效策略决定了缓存数据的生命周期，更新策略决定了数据变更后缓存如何同步。本章深入剖析 TTL、LRU、LFU、主动失效与被动失效五种机制，并评估它们对缓存一致性的具体影响。

4.1 缓存失效策略全景

缓存失效策略可分为时间驱动、容量驱动和事件驱动三大类。下表对比了五种核心策略的定义与适用场景：

4.2 TTL：时间驱动的过期机制

TTL（Time-To-Live）是最基础的失效策略。缓存项在写入时设置一个绝对或相对过期时间，到期后自动失效。

• 绝对 TTL：指定具体时间点失效，如“2025-06-01 00:00:00”。
• 相对 TTL：从写入或最后一次访问开始计时，如“写入后 300 秒失效”。
• 滑动 TTL：每次访问刷新过期时间，适用于活跃会话。

一致性影响： TTL 必然引入“过期窗口”——在数据源已更新但缓存尚未失效的时间段内，客户端读到的是脏数据。窗口长度等于 TTL 值。

// 设置缓存项，TTL 为 60 秒
cache.put("user:1001", userData, 60, TimeUnit.SECONDS);

// 数据源更新后，缓存仍有效 60 秒
// 客户端在这 60 秒内读到旧数据

4.3 LRU 与 LFU：容量驱动的淘汰策略

LRU（Least Recently Used）和 LFU（Least Frequently Used）解决的是缓存空间有限时的淘汰问题，它们不直接决定数据是否过期，但会影响缓存中数据的分布，间接影响一致性。

• LRU：淘汰最近最少访问的条目。实现简单，适合访问模式有明显时间局部性的场景。
• LFU：淘汰访问频率最低的条目。适合访问模式有频率倾斜的场景，但可能保留“曾经热门、现已过时”的数据。

一致性影响： LRU/LFU 本身不保证数据新鲜度。如果缓存中保留的是旧数据，即使它被频繁访问，也不会自动更新。因此，LRU/LFU 必须与 TTL 或主动失效配合使用。

4.4 主动失效：事件驱动的强一致性保障

主动失效是指在数据源发生变更时，立即通知缓存层删除或更新对应的缓存项。这是实现强一致性或读写一致性的核心手段。

常见的实现模式：

1. Cache-Aside 模式下的主动失效：应用在更新数据库后，主动删除缓存中的对应 key。
2. Write-Through 模式：应用同时写入数据库和缓存，保证两者同步。
3. 消息队列驱动失效：数据库变更后发送消息，缓存消费者监听并执行失效操作。

// 更新数据库后，主动删除缓存
public void updateUser(User user) {
    database.update(user);
    cache.delete("user:" + user.getId()); // 主动失效
}

// 下次读取时，缓存未命中，从数据库加载最新数据
public User getUser(Long id) {
    User user = cache.get("user:" + id);
    if (user == null) {
        user = database.get(id);
        cache.put("user:" + id, user, 300);
    }
    return user;
}

4.5 被动失效：最终一致性的兜底方案

被动失效是指缓存项在读取时被检查是否过期或不存在，如果过期则从数据源重新加载。它通常与 TTL 配合使用，作为主动失效的补充。

• Lazy Loading（懒加载）：读取时发现缓存不存在，加载并写入缓存。
• TTL 过期检查：读取时检查 TTL，过期则重新加载。

一致性影响： 被动失效只能保证最终一致性。在 TTL 过期之前，如果数据源已更新，客户端仍会读到旧数据。被动失效无法消除过期窗口，但可以保证窗口结束后数据自动恢复一致。

4.6 策略组合与一致性等级

单一策略难以满足所有一致性需求，实际架构中需要组合使用。下表展示了常见组合及其达成的一致性等级：

4.7 失效策略对一致性的影响总结

下图展示了不同失效策略在一致性、性能和复杂度三个维度上的权衡关系：