当前位置:首页 > 文章列表 > 数据库 > Redis > Redis 客户端缓存 Tracking 模式怎么选择

Redis 客户端缓存 Tracking 模式怎么选择

来源:17golang原创 2026-10-04 05:00:43 0浏览 收藏

Redis 客户端缓存 Tracking 模式的选择,核心不是把 OPTIN、OPTOUT 和 BCAST 当成三种互斥方案,而是先回答两个问题:Redis 是否应该记住“哪个客户端读过哪个 key”,以及业务是否能用稳定前缀描述要缓存的 key。单个应用实例只缓存自己频繁读到的少量 key,优先使用默认 Tracking;多个客户端共同关心一组可预测前缀,优先考虑 BCAST PREFIX。OPTIN 和 OPTOUT 再用于收窄默认模式下的读取范围。

官方文档:https://redis.io/docs/latest/develop/clients/client-side-caching/

要点速览
  • 默认 Tracking 按客户端实际读取过的 key 发送失效通知,通知更精准,但服务端要维护跟踪关系。
  • BCAST 按前缀广播 key 变化,适合 key 空间可控且客户端很多的场景;前缀不能重叠。
  • OPTIN/OPTOUT 只改变哪些读取被跟踪,不能替代通知连接、重连清空和本地淘汰策略。

先用访问形态选择默认 Tracking 还是 BCAST

默认 Tracking 开启后,Redis 会记录当前连接读取过的 key;这些 key 被写入时,Redis 向相关客户端发失效通知。它适合“每个实例访问的热点集合不同,但缓存命中率较高”的场景。代价是服务端要保存客户端与 key 的关系,读取范围越大,失效消息也可能越多。

BCAST 不再为每个客户端保存已读取 key,而是订阅一个或多个前缀。只要匹配前缀的 key 被修改,订阅者就会收到通知。它更适合多实例都关心 user:、catalog: 这类稳定命名空间的情况,但通知可能包含当前实例没有缓存的 key。没有 PREFIX 时会扩大到全部 key,通常不应直接用于大型共享实例。

Redis 客户端缓存默认 Tracking 与 BCAST 的 key 关系和通知范围说明图
图1:默认 Tracking 与 BCAST 的关系说明图,展示按读取 key 跟踪和按前缀广播的边界;这是静态结构说明图,不是运行截图。
判断条件更适合的模式主要代价
热点 key 分散,每个实例访问集合不同默认 TrackingRedis 维护客户端—key 关系
key 前缀稳定,很多实例都订阅同一命名空间BCAST + PREFIX会收到没有本地缓存的失效通知
只有少量读取结果允许进入本地缓存OPTIN每次缓存读取都要显式标记
大多数读取都值得缓存,只有少数例外OPTOUT遗漏排除会把低价值数据带入本地缓存

默认模式下用 OPTIN 或 OPTOUT 控制缓存边界

默认 Tracking 会把只读命令涉及的 key 视为可能被缓存。若业务只缓存商品详情、租户配置等少量结果,使用 OPTIN 更安全:先发送 CLIENT CACHING YES,紧接着执行读取命令。相反,如果绝大多数读取都要缓存,只有报表、随机读取或大对象不适合缓存,可以使用 OPTOUT,在例外读取前发送 CLIENT CACHING NO。

# OPTIN:只让紧随其后的这次读取进入 Tracking
redis-cli CLIENT TRACKING ON OPTIN
redis-cli CLIENT CACHING YES
redis-cli GET product:42

# OPTOUT:默认跟踪读取,明确排除一次低价值读取
redis-cli CLIENT TRACKING ON OPTOUT
redis-cli CLIENT CACHING NO
redis-cli GET report:daily:2026-10-04

CLIENT CACHING YES/NO 只影响连接上的下一条命令;事务和脚本有自己的边界,不能把它当成全局开关。若采用 BCAST,重点是前缀规划,不要用 OPTIN/OPTOUT 掩盖过宽的广播范围。

Redis OPTIN 与 OPTOUT 读取范围和 CLIENT CACHING 一次性标记关系说明图
图2:OPTIN 与 OPTOUT 的读取边界说明图,展示一次性标记如何影响下一条读取;这是静态结构说明图,不是运行截图。

把连接、前缀和重连行为一起配置

RESP3 可以在同一连接接收失效消息;RESP2 通常需要用 REDIRECT 把通知转到另一条连接。通知连接断开时,客户端需要按库的实现重新建立跟踪关系。Redis 官方文档还说明,连接断开时客户端本地缓存会被清空,因此连接池不能只在启动时配置一次就不管。

# BCAST:只广播 user: 命名空间,避免订阅全部 key
redis-cli CLIENT TRACKING ON BCAST PREFIX user:

# 检查当前连接的模式、重定向和前缀
redis-cli CLIENT TRACKINGINFO

BCAST 的前缀要按业务边界设计,例如使用 user: 而不是同时声明重叠的 u 与 user:。如果 key 命名无法稳定归类、前缀数量过多,默认 Tracking 往往更容易控制。NOLOOP 只是不把当前连接自己的修改通知回来;它不会替你重新建立该 key 的跟踪关系,写后仍要重新读取才能继续跟踪。

用四项检查确认选择没有越界

  1. 看命中:同一连接重复读取热点 key 时,确认客户端库确实从本地缓存返回,而不是只打开了 Redis 端 Tracking。
  2. 看失效:另一个连接修改相同 key,确认本地副本被删除或标记失效;BCAST 则确认前缀匹配的变化能到达所有订阅者。
  3. 看状态:通过 CLIENT TRACKINGINFO 检查 on、bcast、optin/optout、redirect 和 prefixes。
  4. 看恢复:主动断开一条连接并重连,确认客户端清理旧缓存、重新开启 Tracking,并且没有把旧连接的通知当作有效状态。

常见问题

OPTIN 和 BCAST 可以同时使用吗?

可以从命令语义上组合,但它们解决的是不同层次的问题:BCAST 决定通知按前缀广播,OPTIN 决定读取是否进入跟踪。除非客户端库明确支持并正确处理组合状态,否则先选清晰的单一边界,通常更容易排查。

客户端支持 Tracking 命令就等于支持客户端缓存吗?

不等于。客户端还必须维护本地缓存、接收失效消息、处理连接重建和淘汰;官方文档列出的客户端支持版本也可能随库版本变化,应以实际客户端文档为准。

什么时候不该使用客户端缓存?

数据更新极其频繁、读取结果非确定、单实例本地内存很小,或业务无法接受短暂的本地副本时,不要仅因网络往返减少就启用 Tracking。

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
MySQL 直方图过期后怎么重新采样MySQL 直方图过期后怎么重新采样
上一篇
MySQL 直方图过期后怎么重新采样
kazumi为什么少数番剧有广告?视频源广告、产品功能与使用边界说明
下一篇
kazumi为什么少数番剧有广告?视频源广告、产品功能与使用边界说明
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。
    324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。
    378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。
    375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。
    339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。
    165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