描述一个实际项目中遇到的缓存雪崩问题，比如某个缓存热点数据失效，导致大量请求落库，问如何解决（如加互斥锁、预加载、多级缓存），以及效果如何（如QPS下降多少，响应时间提升）？
答案
1) 【一句话结论】实际项目中遇到缓存雪崩（如热点数据缓存失效），通过预加载+互斥锁+多级缓存组合策略可有效缓解，使数据库QPS从5000+下降至2000以下，响应时间从2秒降至0.3秒左右，系统稳定性显著提升。
2) 【原理/概念讲解】缓存雪崩是指缓存中大量热点数据（如秒杀商品、热门文章）同时失效，导致大量请求直接落库，数据库瞬间压力激增，系统响应变慢甚至崩溃。类比：冬天山上的雪突然全部滑落（雪崩），瞬间堵塞道路，车辆（请求）无法通过，只能绕到数据库（真实数据源）的“道路”上，导致数据库过载。核心是缓存失效时间点集中，触发大量并发请求。
3) 【对比与适用场景】
| 方案 | 定义 | 特性 | 使用场景 | 注意点 |
|---|---|---|---|---|
| 预加载 | 在缓存失效前，提前将数据加载到缓存 | 主动预防，提前准备 | 热点数据，失效时间可预测 | 需预判失效时间，可能增加缓存占用 |
| 互斥锁 | 缓存失效时，通过锁保证仅一个线程加载新数据，其他请求等待 | 串行化加载，避免重复 | 数据量不大，或加载成本高 | 并发请求阻塞，QPS下降 |
| 多级缓存 | 采用多级缓存（如Redis+Memcached+本地缓存），缓存逐级失效 | 分层缓存，逐级处理 | 大规模系统，数据访问频繁 | 需设计缓存淘汰策略，避免数据不一致 |
4) 【示例】
假设项目有“秒杀商品”数据，缓存失效时间设为1小时。某天凌晨1点，缓存突然全部失效（如Redis集群故障），此时大量用户请求秒杀，直接请求数据库，导致数据库QPS从2000飙升至5000+，响应时间从0.2秒升至2秒以上，系统报错。
解决方案：
- 预加载：0点定时任务从数据库加载所有秒杀商品，存入Redis（失效时间1小时），失效前数据已更新。
- 互斥锁：缓存失效时，通过分布式锁（如Redis SETNX）保证仅一个线程加载新数据，其他请求等待锁释放。
- 多级缓存：本地缓存（JVM HashMap）缓存热点数据，优先查本地，若无再查Redis，若Redis无再查数据库，数据库加载后同步到Redis和本地缓存。
伪代码（请求流程）：
用户请求商品信息 → 查本地缓存（无）→ 查Redis（无，失效）→ 加锁（成功）→ 从数据库加载 → 存入Redis/本地缓存 → 返回用户；其他请求等待锁释放。
5) 【面试口播版答案】（约80秒）
“面试官您好，我之前在360的电商项目中遇到过缓存雪崩。当时项目里的‘秒杀商品’缓存失效，导致大量请求落库。具体来说，缓存失效时间设为1小时，某天凌晨1点突然全部失效，数据库QPS从2000飙升至5000+，响应时间从0.2秒升至2秒，系统开始报错。解决方法用了三步：首先，预加载，提前1小时通过定时任务从数据库加载所有秒杀商品，存入Redis（失效时间1小时），这样失效前数据已更新；其次，加互斥锁，当检测到缓存失效时，通过分布式锁（如Redis的SETNX）保证仅一个线程加载新数据，其他请求等待锁释放，避免重复加载；最后，多级缓存，引入本地缓存（JVM的HashMap），缓存热点数据，减少Redis压力。效果上，预加载后失效时数据库压力从5000降到2000以下，响应时间从2秒降至0.3秒左右，系统恢复正常。总结来说，通过预加载+互斥锁+多级缓存组合，有效缓解了缓存雪崩，保障了系统稳定性。”
6) 【追问清单】
- 问1：为什么选择预加载而不是其他方法？
回答要点：预加载能主动预防，避免失效时集中请求，适合失效时间可预测的热点数据。 - 问2：互斥锁会导致并发请求阻塞，那QPS会下降吗？
回答要点：是的，但通过锁保证数据一致性，避免重复加载，结合预加载后整体QPS下降幅度可控，响应时间提升。 - 问3：多级缓存如何设计？比如Redis和本地缓存的关系？
回答要点：本地缓存优先查，若本地无再查Redis，若Redis无再查数据库，数据库加载后同步到Redis和本地缓存，减少Redis压力。 - 问4：如果预加载失败怎么办？
回答要点：设置重试机制，失败后延迟重试，避免影响后续失效时的数据加载。 - 问5：缓存失效时间如何设置？
回答要点：根据数据更新频率，比如秒杀商品每1小时更新一次，失效时间设为1小时，平衡缓存击穿和雪崩风险。
7) 【常见坑/雷区】
- 坑1：只说一种方法，没提组合策略。比如只说加锁，没提预加载，效果不理想。
- 坑2：效果描述不具体，比如只说“响应时间变快”，没量化（如QPS下降多少，响应时间提升多少），显得不专业。
- 坑3：忽略缓存预热的时间点，比如预加载时间设置不合理，导致失效时数据还是旧版本。
- 坑4：锁的粒度过大，比如锁整个表，导致并发度低，QPS下降严重。
- 坑5：多级缓存的数据一致性处理不当，比如本地缓存和Redis数据不同步，导致数据不一致。