当前位置:首页 > 文章列表 > 数据库 > Redis > Redis 客户端缓存 OPTIN 与 OPTOUT 怎么选

Redis 客户端缓存 OPTIN 与 OPTOUT 怎么选

来源:17golang原创 2026-09-26 17:37:31 0浏览 收藏

Redis 客户端缓存的选择可以先看一个判断:如果只有少量明确的读请求允许进入应用本地缓存,优先考虑 OPTIN;如果大多数只读结果都值得先尝试缓存,只需要排除少数动态键,OPTOUT 更省代码。两者都依赖 Redis Tracking 发送失效消息,区别在于“哪些读取默认会被跟踪”。

官方地址:https://redis.io/docs/latest/develop/reference/client-side-caching/

要点速览
  • OPTIN 是显式白名单:未标记的读取不会进入跟踪集合。
  • OPTOUT 是默认跟踪:用 CLIENT UNTRACKING 排除不应缓存的键。
  • 失效连接断开、客户端重启或本地缓存超过边界时,都应主动清空本地副本。

先看默认行为:缓存范围由谁决定

Redis Tracking 会记录客户端读过的键,并在键被修改、过期或因内存策略被淘汰时发送失效通知。客户端收到通知后必须删除本地副本,否则仍可能返回旧值。OPTIN 与 OPTOUT 只改变进入这套跟踪机制的入口。

模式默认规则适合的读模式主要代价
OPTIN默认不跟踪,显式标记后才跟踪下一次读取少量热点对象、缓存白名单、读请求类型很多每次纳入缓存都要多发一个控制命令
OPTOUT默认跟踪读取,用命令排除指定键大多数读取都适合缓存、缓存策略由统一中间层接管容易把低命中率或高变化键纳入失效范围

OPTIN:把缓存资格写在读取前

启用 OPTIN 后,普通的 GET 不会自动进入跟踪集合。应用决定要缓存某个键时,必须紧挨着读取命令发送 CLIENT CACHING YES。这个标记只影响下一条命令;如果下一条是事务,事务内命令会一起被跟踪,脚本中的读取也有相应的整体语义。

# 开启显式加入模式:普通读取默认不进入客户端缓存跟踪
redis-cli CLIENT TRACKING ON OPTIN

# 只有紧随其后的 GET 会被允许进入跟踪集合
redis-cli CLIENT CACHING YES
redis-cli GET user:1001

# 这个读取没有前置标记,默认不会被跟踪
redis-cli GET realtime:counter

这种方式适合把“是否值得缓存”放到业务层判断,例如只缓存商品详情、配置快照或权限元数据,而不缓存持续变化的计数器。代价是连接池或客户端封装必须保证控制命令与目标读取不会被其他请求插入。

OPTOUT:默认纳入,再排除动态键

OPTOUT 适合由统一缓存层接管大部分只读请求的场景。启用后,读取结果默认会被跟踪;对于实时性要求高、命中率低或不希望占用本地内存的键,再用 CLIENT UNTRACKING 排除。排除动作应该和缓存策略一起封装,避免业务代码到处记住例外。

# 开启默认跟踪模式:读取到的键默认具备失效通知资格
redis-cli CLIENT TRACKING ON OPTOUT

# 实时计数器不进入本连接的客户端跟踪集合
redis-cli CLIENT UNTRACKING realtime:counter

# 商品详情仍按默认规则参与跟踪
redis-cli GET product:42

不要把 OPTOUT 理解成“所有数据都应该长期放在本地”。客户端仍需要设置本地内存上限、淘汰策略和最大 TTL;Redis 文档也建议即使服务端键没有 TTL,本地缓存仍设置一个最大存活时间,防止连接或实现缺陷让旧值停留过久。

按三种真实场景做选择

第一种是“少量键值得缓存”:例如一个进程只缓存经过成本评估的配置和详情,选 OPTIN,白名单边界清晰。第二种是“读多写少且大多数对象都值得缓存”:选 OPTOUT,让统一客户端默认接管,再维护一份排除清单。第三种是“键空间很大但只想按前缀接收变化”:可以进一步评估 BCAST 广播模式,它不维护每个客户端已读键的失效表,却会把匹配前缀的变更通知给订阅客户端,消息量和服务端 CPU 成本要单独压测。

Redis CLIENT TRACKING 中 OPTIN 白名单与 OPTOUT 默认跟踪的选择关系说明图
图1:Redis 客户端缓存两种跟踪入口的范围对比说明图,不是截图或运行证据。

别忽略失效连接和并发时序

如果用 RESP3,数据与失效消息可以在同一连接上复用;RESP2 常用数据连接加失效连接的双连接模型,并通过 REDIRECT 把通知转到指定连接。失效连接断开时,最安全的动作不是继续服务旧本地值,而是清空本地缓存,恢复连接后重新读取。

双连接还存在一个容易漏掉的竞态:数据连接发出 GET 后,失效连接可能先收到该键的失效通知,随后数据连接才返回旧结果。可以先把本地条目标成“读取中”,收到失效时删除它;如果旧结果晚到且条目已被删除,就不要把这个结果重新写回缓存。单连接能利用消息顺序降低这类处理复杂度。

# 双连接示意:失效连接的 ID 由 CLIENT ID 返回
redis-cli CLIENT ID

# 数据连接把通知重定向到失效连接;实际 ID 应由连接初始化阶段注入
redis-cli CLIENT TRACKING ON REDIRECT 1234 OPTIN

# 写入连接可按本地缓存策略评估是否使用 NOLOOP,避免自写值立刻收到自身失效
redis-cli CLIENT TRACKING ON NOLOOP OPTIN
Redis 客户端缓存从读取、失效通知到断线清空的生命周期结构图
图2:客户端缓存读取、失效消息、竞态保护和断线清空的生命周期说明图,不是截图或运行证据。

上线前的五项检查

  1. 列出真正需要本地缓存的键族,先估算命中率和变化频率。
  2. 确认 OPTIN 的控制命令与目标读取在同一逻辑连接上,不被连接池交错。
  3. 为 OPTOUT 建立可审查的排除清单,优先排除持续变化的计数器和低命中键。
  4. 定义客户端内存上限、淘汰策略和最大 TTL;失效连接断开时立即清空本地副本。
  5. 灰度观察本地命中率、失效消息数量、重连次数和旧值投诉,再扩大缓存范围。

相关问题

OPTIN 会不会让每次读取都多一次网络往返?

如果控制命令和读取通过同一连接连续发送,协议上确实多了一个命令;应由客户端库做批量发送或封装,而不是让业务层手写散落的命令。

OPTOUT 能不能只排除一个键?

可以使用 CLIENT UNTRACKING key 排除指定键,但要把它和本地缓存策略绑定,否则后续读取可能再次按默认规则进入跟踪。

收到失效消息后只更新本地值可以吗?

更稳妥的默认动作是删除本地副本,下一次读取再回源。只有能证明写入顺序和版本号完整时,才考虑直接更新。

什么时候不该使用客户端缓存?

当数据变化频繁、访问很分散、客户端内存紧张或业务不能接受短暂旧值时,先使用 Redis 服务端缓存或直接回源,避免为失效通知增加复杂度。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
mifun乐园为什么打不开?入口、版本与网络排查说明mifun乐园为什么打不开?入口、版本与网络排查说明
上一篇
mifun乐园为什么打不开?入口、版本与网络排查说明
painter绘画助手怎么录制绘画过程?自定义笔刷、压感与延时功能说明
下一篇
painter绘画助手怎么录制绘画过程?自定义笔刷、压感与延时功能说明
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    227次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    274次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    235次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    219次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    8次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码