针对教育平台的热点数据（如热门课程、教师信息），设计缓存策略，包括缓存分层、缓存击穿/雪崩的解决方案。
答案
1) 【一句话结论】：针对教育平台热点数据，采用CDN+分布式缓存（如Redis）+本地缓存的三层架构，通过互斥锁+过期时间解决缓存击穿，随机过期时间+限流解决缓存雪崩，确保热点数据访问高效且系统稳定。
2) 【原理/概念讲解】：缓存分层是为了优化不同场景的访问性能。CDN（内容分发网络）负责缓存静态资源（如课程图片、视频片段），降低源站压力；分布式缓存（如Redis）缓存热点数据（如热门课程列表、教师信息），提升高频访问速度；应用层本地缓存（如LRU缓存）缓存最近访问的key，减少对分布式缓存的频繁查询。缓存击穿是指当缓存中某个热点key过期时，大量并发请求直接访问数据库，导致数据库压力激增；缓存雪崩是指大量key同时过期，导致缓存服务或数据库瞬间崩溃。类比：缓存击穿像水管突然爆裂，所有水流都涌向数据库；缓存雪崩像多米诺骨牌，一个key过期引发连锁反应。
3) 【对比与适用场景】：
| 问题类型 | 定义 | 特性 | 解决方案 | 适用场景 |
|---|---|---|---|---|
| 缓存击穿 | 高并发下热点key过期，所有请求直接到数据库 | 单个key过期导致瞬时高并发 | 互斥锁+过期时间（设置稍长）、热点key预热 | 热门课程ID、教师信息等高并发访问的key |
| 缓存雪崩 | 大量key同时过期，缓存服务或数据库压力激增 | 多个key集中过期 | 随机过期时间、限流降级、分布式限流 | 系统重启、定时任务触发大量key过期 |
4) 【示例】：假设热门课程ID为1，缓存key为hot_course:1，过期时间1小时。当请求访问时，首先从Redis获取缓存，若为空，尝试加分布式锁（如Redis的SETNX），锁成功后检查key是否仍为空（防止锁释放后其他线程查询），若为空则查询数据库（如MySQL），将结果存入Redis并设置过期时间为1.1小时（避免再次击穿），最后释放锁。伪代码：
def get_hot_course(course_id):
cache_key = f"hot_course:{course_id}"
# 1. 尝试从缓存获取
course = redis.get(cache_key)
if course:
return json.loads(course)
# 2. 加锁（互斥锁）
lock_key = f"lock:hot_course:{course_id}"
with redis.lock(lock_key, timeout=10): # 10秒超时
course = redis.get(cache_key)
if not course:
# 3. 查询数据库
course = db.query(f"SELECT * FROM courses WHERE id={course_id}")
# 4. 更新缓存
redis.setex(cache_key, 3600 * 1.1, json.dumps(course))
return course
5) 【面试口播版答案】：
“面试官您好，针对教育平台的热点数据，我会设计分层缓存策略并解决击穿/雪崩问题。首先，缓存分层：CDN缓存静态资源（如课程封面），分布式缓存（如Redis）缓存热门课程列表、教师信息等热点数据，应用层本地缓存（如LRU）缓存最近访问的key，提升冷启动速度。然后，缓存击穿：对于高并发访问的热点key（如热门课程ID），采用互斥锁+过期时间策略，比如设置过期时间为1.1倍正常时间，加锁后检查key是否仍为空，若为空则查询数据库，更新缓存并设置新过期时间。缓存雪崩：为每个key设置随机过期时间（如±10%），避免同时过期；同时，对缓存服务进行限流，比如通过熔断器或限流器，当请求量超过阈值时降级到数据库。这样既能保证热点数据访问速度，又能避免缓存故障导致的服务雪崩。”
6) 【追问清单】：
- 缓存击穿时加锁会导致其他线程等待，如何优化？
回答要点：使用分布式锁（如Redis的SETNX）或异步更新（通过消息队列，如RabbitMQ），避免锁粒度过大影响并发。 - 随机过期时间如何实现？
回答要点：在设置缓存时，为每个key添加随机偏移量（如EXPIRE key (3600 + random(0, 360))），避免集中过期。 - 本地缓存和分布式缓存如何保证数据一致性？
回答要点：缓存穿透时，本地缓存未命中则查询分布式缓存，若分布式缓存也未命中则查询数据库并同步更新两者；或采用双写策略（数据库更新后立即更新缓存）。 - 如果缓存服务宕机，如何保证数据不丢失？
回答要点：配置缓存集群（如Redis哨兵模式），实现主从复制，主节点故障时自动切换从节点；同时，数据库作为最终数据源，确保数据持久化。 - 数据库和缓存的数据一致性如何处理？
回答要点：采用最终一致性，允许短时间数据不一致（如缓存过期后重新查询数据库更新），通过缓存预热或异步更新减少不一致时间。
7) 【常见坑/雷区】：
- 忽略缓存雪崩的随机过期时间，导致集中过期；
- 缓存击穿时锁粒度过大，影响并发性能；
- 本地缓存与分布式缓存数据不一致，引发数据错误；
- 未考虑缓存预热，导致首次访问慢；
- 限流策略不当，导致正常请求被降级。