当前位置:首页 > 文章列表 > 数据库 > Redis > Redis 客户端缓存怎么用 TRACKING 避免脏读

Redis 客户端缓存怎么用 TRACKING 避免脏读

来源:17golang原创 2026-10-06 11:50:57 0浏览 收藏

Redis 客户端缓存要避免脏读,关键不是把本地缓存的 TTL 调得更短,而是让 Redis 在被跟踪的 key 发生变化时发出失效消息,客户端收到 INVALIDATE 后立即删除本地副本。这个机制叫 server-assisted client-side caching,核心命令是 CLIENT TRACKING。

官方入口:https://redis.io/

要点速览
  • 默认 TRACKING 适合“读过什么就缓存什么”的小范围本地缓存;只缓存少数键时优先考虑 OPTIN。
  • 失效通知只是“这份本地数据不能再信”,客户端仍要负责删除缓存并重新读取。
  • BCAST 是按前缀广播,连接数和前缀多时消息成本会上升;NOLOOP 只影响写入连接自身的回环通知。

先看清 TRACKING 能保证什么

Redis 会记录启用跟踪的连接读过哪些 key。之后任意客户端修改该 key,或者 key 因过期、淘汰而失效,Redis 会向可能持有它的客户端发送失效消息。这里的“避免脏读”是客户端不再继续提供已经收到失效通知的值,不是 Redis 替应用完成事务隔离。

客户端必须把普通请求连接和能接收 RESP3 push 消息的连接关系设计清楚。若连接池把失效消息交给了错误的请求协程,或者收到通知后只记录日志、不删除本地条目,TRACKING 仍然可能表现为读到旧值。

默认跟踪、OPTIN 和 BCAST 怎么选

模式跟踪范围适合场景主要代价
默认读命令涉及的 key访问集合稳定、希望少写客户端代码服务端保存跟踪关系,可能收到无用通知
OPTIN显式声明要缓存的下一次读取只缓存少量热点 key每个缓存点都要正确配合 CLIENT CACHING YES
OPTOUT默认跟踪,显式排除某些 key大多数读取都要进本地缓存需要维护排除清单
BCAST按 key 前缀广播客户端只关心一组命名空间写入频繁或前缀过多时消息量增加

最小协议示意如下。它是静态命令示例,不代表某次线上执行结果:

# 使用支持 RESP3 push 消息的连接开启服务端辅助缓存
redis-cli -3
CLIENT TRACKING ON

# 读取后,Redis 记录该连接可能缓存了 user:42
GET user:42

# 另一个连接修改同一个 key,原连接会收到 INVALIDATE user:42
SET user:42 "new-value"

# 客户端处理失效消息时必须删除本地副本,而不是继续返回旧值
# 删除后下一次 GET 再回到 Redis 读取
Redis CLIENT TRACKING 默认跟踪、OPTIN 与 BCAST 的客户端缓存关系说明图
图1:Redis 客户端缓存模式说明图,比较本地缓存、跟踪连接、key 前缀和失效消息的静态关系;这是原创结构图,不是 Redis 控制台截图。

处理 INVALIDATE 才是防脏读的关键动作

实现时可以把本地缓存看成一个带失效入口的映射:读命中直接返回;读 Redis 后写入映射;收到 INVALIDATE key 就删除对应键。删除动作要先于下一次对外读返回,不能把通知积压在普通业务队列里再慢慢处理。

如果客户端要缓存自己刚写入的值,可以研究 NOLOOP。它能抑制写入连接收到自己的回环失效消息,但默认跟踪模式下 Redis 仍会移除该连接对这个 key 的跟踪;客户端后续重新读取后,才会再次进入跟踪集合。不要把 NOLOOP 理解成“写入后永远不会失效”。

广播模式则按前缀发送通知,例如 user:。它省去了服务端为每个客户端记录具体 key 的关系,但会把前缀命中的变化通知给订阅者。用户缓存很少时,默认模式通常更省心;命名空间清晰且需要按组失效时,BCAST 才更有价值。

Redis INVALIDATE 消息删除本地缓存并触发回源读取的边界说明图
图2:INVALIDATE 处理边界图,区分写入客户端、Redis 失效通知、本地条目删除和下一次回源读取;这是原创结构图,不是运行证据。

连接池、数据库编号和容量是三个常见坑

第一,跟踪状态属于连接,不属于抽象的业务缓存对象。使用连接池时,要确认通知监听和本地缓存归属是一致的,不能让连接 A 读出的 key 由连接 B 的缓存表代管。

第二,Redis 的跟踪表不是无限增长的。官方文档说明,跟踪表达到上限时可能淘汰较早的关系,并向客户端发送一次失效通知;这会牺牲部分缓存命中率,但客户端应把它当作安全的删除信号。第三,跟踪关系不按数据库编号拆开,同名 key 在不同 DB 之间也可能触发通知,所以不要依赖 DB 编号隔离本地缓存命名。

上线前至少记录三项:本地缓存命中率、INVALIDATE 消息数量、失效后的回源比例。若失效消息远多于命中收益,说明缓存范围过宽;若通知到达后仍有旧值返回,优先排查连接归属和删除时序,而不是继续缩短 TTL。

相关问题

TRACKING 能保证跨服务事务一致吗?

不能。它解决的是已读 key 的客户端副本失效通知;跨表事务、读写隔离和业务版本判断仍要由应用或数据库方案负责。

收到 INVALIDATE 后能不能只更新本地值?

可以在业务允许时主动回源更新,但安全默认是先删除旧值,再由下一次读取获取新值,避免通知处理期间继续暴露旧副本。

客户端只支持 RESP2 还能直接用吗?

要看客户端是否提供专门的 RESP3 转发连接或库级封装。若不能可靠接收 push 失效消息,就不要把它当作已经启用的一致性机制。

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
诗歌本产品页介绍怎么看?歌本资源、功能清单与实际体验边界诗歌本产品页介绍怎么看?歌本资源、功能清单与实际体验边界
上一篇
诗歌本产品页介绍怎么看?歌本资源、功能清单与实际体验边界
LT画质助手修改后游戏里看不到选项怎么办?设置显示与实际生效边界
下一篇
LT画质助手修改后游戏里看不到选项怎么办?设置显示与实际生效边界
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。
    345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。
    408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。
    405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。
    369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。
    190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