跳转到主内容
新派编程网 - 新潮编程理念,全新技术课堂!

如何在Spring Boot中实现Redis的热点数据自动发现_集成监控组件与LRU算法

Spring Boot 需自行构建监控+分析+淘汰闭环来识别 Redis 热点数据,因@Cacheable和RedisTemplate不感知热度,且Redis的allkeys-lru策略被动、无频次感知、无法联动业务规则;应通过Actuator埋点采集访问频次、AOP+注解标记热点、Redis有序集合+衰减因子实现动态识别与预热。 Spring Boot 本身不提供 Redis 热点 数据自动发现能力,必须自行构建监控 + 分析 + 淘汰闭环。直接依赖
@Cacheable
或默认
RedisTemplate
无法识别“哪些 key 正在变热”,更不会触发 LRU 驱逐——Redis 的
maxmemory-policy
是服务端行为,与 Spring Boot 应用层的热点感知无关。 如何用 Actuator + 自定义指标暴露 Redis 访问频次 要让热点可被发现,第一步是采集访问行为。Spring Boot Actuator 默认不暴露 key 级访问统计,需手动埋点: 所有通过
RedisTemplate
或
StringRedisTemplate
的读操作(如
opsForValue().get()
、
opsForHash().entries()
)都应包裹一层计数逻辑,例如用
Counter
注册到
MeterRegistry
推荐以
redis.key.access.{keyPattern}
为 metric name,避免 key 全量上报(如含用户 ID),可用正则归一化:把
user:12345
→
user:{id}
不要在 controller 层埋点——那里只管业务路由;应在 service 或自封装的
RedisAccessService
中统一拦截 启用 Actuator 的 prometheus endpoint:
management.endpoints.web.exposure.include=health,metrics,prometheus
,再用 Prometheus 抓取 为什么不能只靠 Redis 的
allkeys-lru
策略 Redis 的
maxmemory-policy allkeys-lru
是被动淘汰机制,它只在内存满时才触发,且基于 key 的最后访问时间(
last_access_time
),不区分访问频次、不感知业务语义。问题在于: Redis 8.2.3 Redis 8.2.3 是一款安全优先的高性能键值存储系统。该版本紧急修复了可能引发远程代码执行(RCE)的高危漏洞(CVE-2025-62507),并解决了 HyperLogLog 及 Cuckoo Filter 等数据结构在特定场景下的崩溃问题。建议所有用户立即升级,以保障生产环境的系统稳定与数据安全。 下载 冷数据若偶尔被访问一次,
last_access_time
就会刷新,可能长期霸占内存,挤走高频但最近未访问的热点 没有预热能力:新上线服务时,Redis 是空的,首波请求全打库,
allkeys-lru
此时完全不生效 无法联动业务规则:比如“商品详情页缓存至少保留 2 小时”,而 LRU 可能 5 分钟就淘汰了 Spring Boot 应用无法从该策略中获取“哪个 key 刚被淘汰”事件,也就没法做日志告警或补偿加载 用 Spring AOP + 自定义注解实现访问热度标记 真正可行的热点识别,得在应用层主动标记 + 聚合。一个轻量方案是结合 AOP 和本地滑动窗口计数器: 定义注解
@HotKey(track = "user:profile")
,标注在 service 方法上,
track
值即为待监控的 key 模板 AOP 切入点捕获方法执行,并解析 SpEL 表达式(如
#userId
)生成真实 key,如
user:profile:789
使用
ConcurrentHashMap
+ 定时任务(每 10 秒 flush)统计窗口内调用次数,超过阈值(如 100 次/10s)则写入 Redis 的
hot_key_zset
,score 设为当前时间戳 另起一个调度任务(如
@Scheduled(fixedDelay = 30000)
),扫描
hot_key_zset
中 score > 5 分钟前的成员,批量预热进主缓存区(
cache:hot
hash) 示例片段:
@Around("@annotation(hotKey)") public Object markHotKey(ProceedingJoinPoint pjp, HotKey hotKey) { String realKey = parseSpel(hotKey.track(), pjp.getArgs()); hotCounter.computeIfAbsent(realKey, k -> new LongAdder()).increment(); return pjp.proceed(); }
容易忽略的三个关键点 实际落地时,最容易卡住的地方不是代码,而是边界设计:
hot_key_zset
必须设 TTL(如 2 小时),否则长期累积会撑爆内存;但 TTL 太短(如 5 分钟)会导致刚积累的热度被清零 本地计数器(
ConcurrentHashMap
)不跨 JVM 实例,集群部署时需改用 Redis 的
INCR
+
EXPIRE
组合,否则各节点热度无法合并 “热点”是动态的,昨天热的商品今天可能滞销——淘汰逻辑不能只看历史峰值,要加衰减因子(如每小时 score *= 0.8),否则旧热点永远压不下去

相关文章